步骤3：每个簇的虚拟中心点根据多因素Dubins航迹规划算法进行航迹规划；
步骤4：之后各个无人机分簇之间通过位置矢量共享的方式判断是否会发生碰撞，如果
发生碰撞则通过多因素Dubins航迹规划算法重新计算并选择路径扩展点，否则集群中无人
步骤5：分别计算威胁区域的斥力、其它无人机的斥力、虚拟集群控制点的引力，计算无
无人机在进行虚拟集群控制点选择时需要知道虚拟集群控制点的状态和位置，在已知
无人机位置和虚拟集群控制点位置的情况下，选择距离无人机位置最近的虚拟控制点作为
无人机前进的位置，并以此确定无人机的飞行方向，并且虚拟集群控制点在以虚拟中心为
圆心的圆环上均匀分布，当集群中存在n个无人机时，若采用循环计算无人机与n个虚拟集
群控制点中每一个的距离再从中选择距离最小的那个，将产生较大的计算量，并且当无人
机集群的规模达到一定程度时，较大的计算量会导致集群的性能迅速下降，不能应用于实
际的作战环境中，因此，为了降低虚拟集群控制点选择的计算量，提出一种基于位置角度的
么无人机必定与距离最近的虚拟集群控制点之间的夹角最小，因此只需要计算无人机与虚
拟中心点连线与X轴的夹角就可知得到最近的虚拟集群控制点的位置，计算量会大大减少，
其中θ的范围为[‑π，π]，当θ＜0时不便于计算选择，因此对θ值进行调整：
因此，令s＝θ·n/2π，则选择的虚拟集群控制点序号m可以由下式计算可得：
其中，[s]表示对s向下取整，确定了对应的虚拟集群控制点后就可以通过人工势场函
步骤6：如果每个无人机集群都到达了设定的目标点附近则仿真结束，否则每个集群虚
拟中心继续根据多因素Dubins航迹规划算法进行路径规划，重新按照上述算法步骤运行。
2.根据权利要求1所述的一种多无人机集群编队协同控制算法，其特征在于人工势场
势场法中，人工势场函数的选择会导致不同的运算复杂度和精确度，需要根据不同的任务、
其中，i＝1，2，...，n，j＝1，2，...，n，假设无人机的飞行高度一致，那么z
3.根据权利要求1所述的一种多无人机集群编队协同控制算法，其特征在于无人机的
因为固定翼无人机不能处于悬停的状态，所以应用环境为多旋翼无人机，设定在一段
移动路径中给定起始位置和终点位置，在起始点和终点无人机都处于悬停状态，即起始和
在Δt的时间内，无人机的下一步路径状态仅和当前的状态相关，设无人机当前速度为
式中，F表示无人机在势场中所受到的合力，由势场函数所决定，同时发现，无人机的位
置还与当前状态和下一步状态之间的时间间隔Δt相关，另一方面Δt也代表着集群中无人
机与其它无人机之间信息通信的频率，Δt越小无人机之间通信的频率越大，也意味着在突
发威胁环境中无人机集群的规避能力越强，但是同时也会导致无人机之间通信过于频繁，
能量消耗会大大增加，反之则无人机集群威胁区域规避能力降低，但能量消耗则显著减少。
大量的功能，但是在实际应用场景中，更多的是采用无人机集群编队的形式进行完成任务。
无人机集群指的是搭载有探测雷达，传感器等负载，并且能够彼此进行信息通信的多架无
人机组成的多智能体系统。在现代战场环境中，无人机集群的出现相比于单架无人机更能
及时的对环境进行侦测，从而显著降低无人机被击毁的概率，提高无人机的生存率。
分有限。首先无人机体积的限制导致携带的电池能量较少，单无人机续航时间较短，当需要
进行大范围搜查工作时，单架无人机的搜索效率将大大降低，同样也导致单无人机不适用
于长时间搜索任务。其次，无人机在执行任务期间会受到多方面的干扰和威胁，单无人机抗
毁能力有限，会降低完成指定任务的可能性。在现代化的背景下，考虑到单架无人机作业的
不足，无人机集群显然更满足复杂的工作需求。无人机集群之间可以通过协同控制和信息
通信进行协同作战。在战场环境下单架无人机仅仅只能勘测到部分局部信息，不利于多作
战单元的配合作战，甚至由于单架无人机极易会被对方雷达发现并摧毁，影响整体的作战
计划，导致作战任务失败。无人机集群在工作过程中，即使其中少量无人机被击落或损毁，
但是由于集群作战具有较高的冗余度仍然可以继续作战，完成协同作战任务。并且经研究
表明，多架无人机协同编队飞行在降低无人机损毁率的同时还能提高无人机作战能力。
由头狼统一指挥采用圆形队伍进行捕杀。军事和民用方面，无人机集群也广泛的采用固定
队形完成一些特定的任务，例如采用“V”形编队可以有效的减少空气阻力，降低能量消耗；
采用圆形队形能更大程度上提高对信息的侦察范围，在建筑物的尺寸测量和地形测绘方面
多有应用。现在研究人员已经提出了多种编队控制算法，但是存在各种问题，如虚拟结构法
需要虚拟节点和无人机一一对应，限制了无人机规模的扩展。本发明提出一种基于虚拟控
步骤3：每个簇的虚拟中心点根据多因素Dubins航迹规划算法进行航迹规划。
步骤4：之后各个无人机分簇之间通过位置矢量共享的方式判断是否会发生碰撞，
如果发生碰撞则通过多因素Dubins航迹规划算法重新计算并选择路径扩展点，否则集群中
步骤5：分别计算威胁区域的斥力、其它无人机的斥力、虚拟集群控制点的引力，计
步骤6：如果每个无人机集群都到达了设定的目标点附近则仿真结束，否则每个集
群虚拟中心继续根据多因素Dubins航迹规划算法进行路径规划，重新按照上述算法步骤运
1、无人机集群通过互连通方式进行通信，在无人机受控范围内，所有无人机均能
3、将无人机看作一个质点，其在三维空间中的位置坐标由地面惯性坐标系决定，
[0022] 4、无人机集群的位置矢量表示为 由无人机飞控通过GPS等方
以上述条件为基础，本发明提出的多无人机集群编队协同控制算法已在MATLAB中
k‑means算法是一种无监督的分簇算法，通过聚类计算来处理无类标数据。在进行
分簇之前，k‑means算法开始并不知道数据的正确分簇结果，根据算法发掘数据自身的信息
特点，然后对多个数据进行分簇。由于k‑means分簇算法易于实现并且计算效率较高，因此
其应用范围也十分广泛，在聚簇完成后单个簇内相似度高，簇与簇之间的相似度则较低。
其中，p，q分别代表不同的样本点，n表示样本特征的数量。在对无人机集群进行分
簇时，由于需要形成“圆环形”固定编队队形，因此在仿真过程中仅根据无人机的位置信息
进行分簇，分簇的个数k根据具体的无人机数量进行设定。分簇完成后，对于每个簇使用簇
中所有无人机的位置坐标求平均作为单集群编队控制算法中虚拟中心点起始坐标。对无人
机集群分簇完成后，每个无人机集群按照单集群编队控制算法飞行，在此过程中需要通过
建立“圆环形”的虚拟控制网络，并设置相应的虚拟集群参考点。在此过程中，本发
明提出“虚拟中心点”的概念，即以Dubins曲线为核心的路径扩展点。在无人机集群飞行过
程中，采用“跟随领航者”模式，将虚拟中心点看做领航者，在此基础上建立的路径扩展点作
为领航者下一步的位置点，并在每一个路径扩展点上建立以虚拟中心点即领航者为圆心，
步骤3：每个簇的虚拟中心点根据多因素Dubins航迹规划算法进行航迹规划。
入Dubins路径规划出适合无人机真实环境下的航迹曲线，以Dubins路径与威胁区域相切的
点作为待选路径扩展点，并且建立扩展点评估函数，引入路径长度代价及威胁代价作为路
径评估因素。该算法通过将无人机所处位置与突发威胁圆作Dubins曲线，并建立路径扩展
点评估函数进行选择，不需要对威胁外的区域进行大量计算和重复搜索，大大地降低了路
步骤4：各个无人机分簇之间通过位置矢量共享的方式判断是否会发生碰撞，如果
发生碰撞则通过多因素Dubins航迹规划算法重新计算并选择路径扩展点，否则集群中无人
附图2表示两个无人机集群在同一威胁区域可能发生碰撞的情况。如图所示，存在
意味着两个无人机集群在朝着虚拟集群控制点飞行时会存在碰撞的情况。附图2中也给出
了相应的解决方案，即无人机集群之间会共享位置矢量，如果发现存在碰撞的情况，则无人
机集群会重新根据多因素Dubins航迹规划算法规划出新的无人机飞行路径。例如，虚拟集
附图3表示两个无人机集群在规避不同威胁区域时发生碰撞。如图所示，两个威胁
部分，意味着两个无人机集群在朝着虚拟集群控制点飞行时会存在碰撞的情况。同样，可以
扩展点之间的距离。如附图3所示，两个无人机集群之间在一段路径上不会发生碰撞需要满
步骤5：分别计算威胁区域的斥力、其它无人机的斥力、虚拟集群控制点的引力，计
已知无人机位置和虚拟集群控制点位置的情况下，选择距离无人机位置最近的虚拟控制点
作为无人机前进的位置，并以此确定无人机的飞行方向。并且虚拟集群控制点在以虚拟中
心为圆心的圆环上均匀分布，当集群中存在n个无人机时，若采用循环计算无人机与n个虚
拟集群控制点中每一个的距离再从中选择距离最小的那个，将产生较大的计算量。并且当
无人机集群的规模达到一定程度时，较大的计算量会导致集群的性能迅速下降，不能应用
于实际的作战环境中。因此，为了降低虚拟集群控制点选择的计算量，提出一种基于位置角
的夹角为0，那么无人机必定与距离最近的虚拟集群控制点之间的夹角最小，因此只需要计
算无人机与虚拟中心点连线与X轴的夹角就可知得到最近的虚拟集群控制点的位置，计算
其中θ的范围为[一π，π]，当θ＜0时不便于计算选择，因此对θ值进行调整：
因此，令s＝θ·n/2π，则选择的虚拟集群控制点序号m可以由下式计算可得：
其中，[s]表示对s向下取整。确定了对应的虚拟集群控制点后就可以通过人工势
工势场法中，人工势场函数的选择会导致不同的运算复杂度和精确度，需要根据不同的任
其中，i＝1，2，...，n，j＝1，2，...，n。本章中假设无人机的飞行高度一致，那么z
机。设定在一段移动路径中给定起始位置和终点位置，在起始点和终点无人机都处于悬停
在Δt的时间内，无人机的下一步路径状态仅和当前的状态相关，设无人机当前速
式中，F表示无人机在势场中所受到的合力，由势场函数所决定。同时发现，无人机
的位置还与当前状态和下一步状态之间的时间间隔Δt相关，另一方面Δt也代表着集群中
无人机与其它无人机之间信息通信的频率，Δt越小无人机之间通信的频率越大，也意味着
在突发威胁环境中无人机集群的规避能力越强，但是同时也会导致无人机之间通信过于频
