(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111676592.5 (22)申请日 2021.12.31 (71)申请人 中国人民解 放军陆军工程大 学 地址 210007 江苏省南京市秦淮区后标营 路88号 (72)发明人 丁国如　谷江春　王海超　徐以涛　 (74)专利代理 机构 北京力量专利代理事务所 (特殊普通 合伙) 11504 代理人 王鸿远 (51)Int.Cl. H04B 17/318(2015.01) H04B 17/391(2015.01) G05D 1/10(2006.01) G06N 3/08(2006.01) (54)发明名称 面向多辐射源追踪的无人机群飞行轨迹优 化方法 (57)摘要 一种面向多辐射源追踪的无人机群飞行轨 迹优化方法， 包括建立模块、 估计模块、 匹配模 块、 定位模块以及追踪模块。 建立模块用于建立 多约束条件 下无人机群轨迹优化问题； 估计模块 采用深度神经网络得到接收信号强度和距离之 间的映射关系； 匹配模块采用交互式矩阵生成方 法得到无人机与辐射源匹配方案； 定位模块采用 多球交会定位方法得到辐射源的参考位置； 追踪 模块采用深度强化学习方法设计无人机群的飞 行轨迹优化算法。 相对于传统方法， 所提方法在 平均追踪时间、 任务完成率以及收敛速度等指标 方面都具有明显的优势。 权利要求书4页 说明书9页 附图3页 CN 114337875 A 2022.04.12 CN 114337875 A 1.一种面向多辐射源 追踪的无 人机群飞行轨 迹优化方法， 其特 征在于， 包括如下步骤： 步骤1： 提出一个多约束条件下的无人机群飞行轨迹优化问题， 构建多约束条件下的无 人机群轨 迹优化模型； 步骤2： 采用深度神经网络来估计信道模型,得到接收信号强度和距离之间的映射关 系； 步骤3： 采用交互式方法生成接收信号强度矩阵,计算出相应的距离矩阵并得到无人机 与辐射源匹配方案； 步骤4： 采用多球交会定位方法,结合接收信号强度和距离之间的映射关系计算出辐射 源的参考位置； 步骤5： 将原始优化问题转换为马尔科夫 决策过程,并将辐射源的位置信息引入强化学 习中,设计高效的无 人机群飞行轨 迹优化算法。 2.根据权利要求1所述的面向多辐射源追踪的无人机群飞行轨迹优化方法， 其特征在 于， 所述步骤1中的提出一个多约束 条件下的无人机群飞行轨迹优化问题， 构建多约束条件 下的无人机群轨 迹优化模型， 包括： 建立多架巡逻无人机协同对多个辐射源目标进行追踪， 其中， 辐射源的位置是未知且 动态变化的； 考虑无人机具有辐射源个体识别能力， 用于识别辐 射源的类别以及辐 射源的 发射功率； 在此基础上， 无人机之间通过 交互进行任务分配， 即一个无人机只选择一个的辐 射源进行跟随； 随后， 无人机通过接收到的信号 强度对辐射源进 行搜索， 当接收到的信号 强 度值达到设定的阈值时， 即完成了追踪任务； 具体内容包括： 假设有K个辐射源， 在t时刻， 0≤t≤T， 第k个辐射源的位置表示为 假设有N个无 人机， N≥K， 第n个无 人机的位置表示 为 在进行追踪任务之前， 无人机按照预定的轨迹在空中进行巡查， 第 n个无人机的初始位 置表示为 采用时间离散法， 将时间段T离散为M个等长的时隙δt， T＝ M δt， 时隙δt需要满足在一个时隙内无 人机的位置 近似看作不变； 设置集合 在第m个时隙， 第k个辐射源的位置 表示为 无人机n的位置表示为 对指定的区域进行搜索， 即一个 三维立方体空间RLU＝[xL,xU]×[yL,yU]×[zL,zU]， 其中L和U 分别表示 三维空间的最低界限和最高界限； 无 人机的位置需要满足 建立以下优化问题一：权　利　要　求　书 1/4 页 2 CN 114337875 A 2式中， 优化目标为所有无人机追踪时间最小化； 优化变量一为无人机与辐射源的匹配 系数an,k， 即一个无人机只对一个辐射源进行追踪； 优化变量二为无人机的飞行速度矢量 包含飞行的方向和飞行的步长； 约束条件C1给出了第n架无人机的飞行时间表达 式， 如果在第I时刻， 无人机首次接 收到的信号强度大于等于设定的阈值γ， 则表示无人机 任务完成， 计时结束； 如果在第I时刻， 无人机首次接收到的信号 强度小于 设定的阈值γ， 则 继续追踪， 直到首次接收到的信号强度大于或等于设定的阈值； 约束条件C2表示匹配系数 的取值范围为0或者 1； 约束条件C3表 示一个无人机至多与一个辐射源进 行匹配， 即存在K个 匹配对； 约束条件C4表示无人机的飞行范围； 约束条件C5表示无人机的能量有限， 其中 En,total表示第n架无人机飞行消 耗的总能量， 是一个与速度和步长成正相关的函数， Emax表 示每架无人机携带的最大能耗； 约束条件C6和C7表 示无人机应该满足速度约束， 其中Vmax为 无人机的最大飞行速度。 3.根据权利要求2所述的面向多辐射源追踪的无人机群飞行轨迹优化方法， 其特征在 于， 所述步骤2中的采用深度神经网络来估计信道模型， 得到接收信号 强度和距离之 间的映 射关系， 包括如下内容： 首先构建虚拟环境来模拟真实环境中的无人机与辐射源， 然后虚拟辐射源在虚拟环境 中发射信号并随机运动， 虚拟无人机在虚拟环境中飞行并同时记录辐 射源位置、 无人机位 置以及无人机处接收到的信号强度大小， 因此， 记录大量的接收信号强度 ‑距离模拟数据 对； 采取深度神经网络进行训练和估计； 采用的神经网络结构包含输入层， 隐藏层和输出 层， 其中隐藏层包 含两个具有5 0个神经元的Dense层以及两个Dropout层； Dense层采用经典的Relu激活函数， 具体表达式如式(2)。 4.根据权利要求3所述的面向多辐射源追踪的无人机群飞行轨迹优化方法， 其特征在 于， 所述步骤3中的采用交互式方法生成接收信号强度 矩阵， 计算出相应的距离矩阵并得到权　利　要　求　书 2/4 页 3 CN 114337875 A 3