CN111865395B

CN111865395B - 一种面向无人机编队通信的轨迹生成与跟踪方法及系统

Info

Publication number: CN111865395B
Application number: CN202010534402.5A
Authority: CN
Inventors: 杨志华; 任安宁; 齐晓晗
Original assignee: Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Current assignee: Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority date: 2020-06-12
Filing date: 2020-06-12
Publication date: 2022-07-05
Anticipated expiration: 2040-06-12
Also published as: CN111865395A

Abstract

本发明提供了一种面向无人机编队通信的轨迹生成与跟踪方法，包括以下步骤：S1、构建无人机通信系统模型，采用中继无人机重新建立起源无人机和目的无人机之间的通信；S2、预测源无人机和目的无人机的轨迹，并实时传送给中继无人机；S3、根据源无人机和目的无人机的预测轨迹，实时规划中继无人机的轨迹。本发明还提供了一种面向无人机编队通信的轨迹生成与跟踪系统。本发明的有益效果是：为在恶劣环境下，低空环境存在阴影和衰落，两通信无人机链路连接断开的情况提供了一种重新建立稳定连接的方法，打破传统通信的源节点和目的节点固定不动的假设。

Description

一种面向无人机编队通信的轨迹生成与跟踪方法及系统

技术领域

本发明涉及无人机，尤其涉及一种面向无人机编队通信的轨迹生成与跟踪方法及系统。

背景技术

低空高速的民用无人机在物流运输、晚会表演、赛事直播等许多领域发挥了重要的作用。无人机在执行一些任务的过程中不可避免的遇到复杂的通信环境，相较于地面固定基站，无人机具有高移动性、部署灵活的特点，因此无人机广泛存在于各种应用中，包括紧急条件下无人机中继，在热点区域从卫星卸载数据等。

在无线通信中，中继是一种提高系统通信吞吐量和帮助因信道发生变化失去直传链路的系统重新通信的方法。受节点移动性的影响，普通的中继基站无法满足对基站移动性灵活性的需求，随着无人机应用的普遍，无人机作为一种空中中继辅助通信的方法被广泛使用。

和传统的静止中继相比，无人机移动中继具有以下优势：

(1)可以快速部署，在通信系统需要的时候可以随时作为中继加入系统。适合未知和突发事件的处理。

(2)具有高移动性，灵活性，可以自由移动在发送端和接收端之间，随时调整位置来达到最优的通信性能，增强了通信系统的性能。

近年来，对于中继无人机的研究主要有无人机作为地面基站的辅助通信工具，在地面基站覆盖范围有限或者受到限制时，采用无人机作为中继传输信息。作为辅助无人机根据是否可移动分为静态无人机部署、半动态无人机部署、动态无人机部署。静态无人机部署是为了实现发射端和接收端的通信在两者之间选取一个最优通信位置，能够满足发射端和接收端通信需求，或者利用静态无人机部署满足通信区域的覆盖。半动态无人机部署是地面用户静止,无人机移动，在实际应用中，无人机需要不断移动以满足不同的需求。动态无人机部署是地面用户与无人机的位置都在变化，对于一些移动用户主要指地面热点用户，为了保证在移动过程中通信的质量，需要动态无人机的部署。

现阶段对中继无人机的研究主要集中在为地面基站提供空中辅助，一般是固定无人机的飞行高度，在两个需要通信的地面基站之间寻找通信的最优位置。中继无人机对地面基站的辅助，两端通信基站固定不动，也为问题的解决提供了方便。

但当高速移动的无人机在低空飞行时，遇到遮挡产生阴影衰落，环境复杂时会造成通信中断，即高速移动无人机通信中断，无法重新建立链路连接，导致通信中断。

因此，在两通信无人机链路连接断开的情况，如何提供一种重新建立稳定连接的方法，打破传统通信的源节点和目的节点固定不动的假设，是本领域技术人员所亟待解决的技术问题。

发明内容

为了解决现有技术中的问题，本发明提供了一种面向无人机编队通信的轨迹生成与跟踪方法及系统。

本发明提供了一种面向无人机编队通信的轨迹生成与跟踪方法，包括以下步骤：

S1、构建无人机通信系统模型，将一个连通的无机机群分为源无人机和目的无人机，当源无人机和目的无人机之间无法进行通信时，即无直接通信链路，采用中继无人机重新建立起源无人机和目的无人机之间的通信；

S2、预测源无人机和目的无人机的轨迹，并实时传送给中继无人机；

S3、根据源无人机和目的无人机的预测轨迹，实时规划中继无人机的轨迹。

作为本发明的进一步改进，在步骤S1中，中继无人机采用DF转发方式，重新建立起源无人机和目的无人机之间的通信。

作为本发明的进一步改进，在步骤S2中，使用基于扩展卡尔曼滤波的轨迹预测算法分别对源无人机和目的无人机轨迹进行预测，在当前时刻预测出下一时刻的位置。

作为本发明的进一步改进，所述基于扩展卡尔曼滤波的轨迹预测算法包括：

输入：初始位置值，初始测报值；

输出：预测的轨迹值，偏差值；

1)：轨迹预处理；

2)：参数初始化；

3)：获取当前状态，当前时刻的位置；

4)：循环给定次数；

5)：记录通过扩展卡尔曼滤波算法每次预测出的值；

6):计算预测值与实际值之间的偏差；

7):循环结束；

8):输出预测的值和偏差。

作为本发明的进一步改进，步骤S3包括以下子步骤：

S31、基于罚函数的PSO算法解决最优问题；

S32、生成中继无人机光滑轨迹；

S33、控制中继无人机飞出最优轨迹。

本发明还提供了一种面向无人机编队通信的轨迹生成与跟踪系统，包括可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现如上述中任一项所述的方法。

本发明的有益效果是：通过上述方案，为在恶劣环境下，低空环境存在阴影和衰落，两通信无人机链路连接断开的情况提供了一种重新建立稳定连接的方法，打破传统通信的源节点和目的节点固定不动的假设。

附图说明

图1是本发明一种面向无人机编队通信的轨迹生成与跟踪方法的中断场景图。

图2是源无人机X、Y方向的轨迹预测和预测偏差图。

图3是源无人机Z方向的轨迹预测和预测偏差图。

图4是目的无人机X、Y方向的轨迹预测和预测偏差图。

图5是目的无人机Z方向的轨迹预测和预测偏差图。

图6是中继无人机最优位置和最大传输速率图。

图7是中继无人机三维路径点图。

图8是中继无人机飞行轨迹图。

图9是中继无人机飞行轨迹与规划轨迹位置对比图。

图10是中继无人机飞行速度与规划轨迹速度对比图。

具体实施方式

下面结合附图说明及具体实施方式对本发明作进一步说明。

一种面向无人机编队通信的轨迹生成与跟踪方法，利用中继无人机进行辅助通信的方法，采用DF转发方式，在无人机不断移动的情况下，采用带惩罚因子的PSO算法规划出一条使分开的编队可以重新连接通信并获得最优传输速率的中继无人机轨迹，考虑到无人机运动的实时性，对源无人机和中继无人机的位置进行预测，实时规划中继无人机的位置，保证了算法的实时性和有效性。考虑无人机本身的动力学约束，突出无人机实际飞行的特点。利用无人机控制算法，控制中继无人机按照规划出的光滑轨迹飞行，轨迹偏差最终反映通信速率的偏差。

具体过程如下：

1.无人机通信系统模型构建

无人机群执行一特定任务，由于某些障碍物的阻挡或信道衰落，一个连通的无人机群分为了两个部分，这两部分无法进行通信，即无直接通信链路。我们采用一中继无人机R，使中继无人机R重新帮助建立起无人机群的连接。如图1，考虑一个两跳的系统，首先，无人机群被分成两部分，假设每部分可以选择出一簇头节点，为信息发送的源节点A和目的节点B。其次，只要保证源节点A和目的节点B可以进行最优通信就能实现整个无人机群的连接。由于无人机的高速移动性，要保证在运动过程中无人机群的通信质量最佳。

假设中继无人机只作用于一定时间内，整个运动过程总时间为T，分为N个时隙,第n个时隙节点A、R、B的坐标分别为(ps_x[n],ps_y[n],ps_z[n])，(pr_x[n],pr_y[n],pr_z[n])，(pd_x[n],pd_y[n],pd_z[n])。n＝1,2,...,N，源无人机节点A与中继无人机节点R的距离设为d_sr[n]，中继无人机节点R与目的无人及机节点B的距离设为d_rd[n]。

源无人机节点A与中继无人机节点R的高度差设为hd_sr[n]，中继无人机节点R与目的无人机节点B的高度差设为hd_rd[n]，

hd_sr[n]＝|ps_z[n]-pr_z[n]|n＝1,2,...,N (3)

hd_rd[n]＝|pr_z[n]-pd_z[n]|n＝1,2,...,N (4)

我们考虑在低空高速飞行的无人机，在低空飞行的无人机信道条件复杂，可能存在房屋建筑物等遮挡，主要考虑阴影、衰落等影响。考虑非视距(NLOS)传输。信道传输模型为：

其中，

其中η_LOS，η_NLOS，a,b是与传播环境有关的常数，f是载波频率，c是光速。

第n个时隙的功率损耗为：

第n个时隙的信道传输系数为：

s[n]代表小尺度衰落，为独立同分布CN(0,1)。

采用DF(decode and forward，译码及前转)转发方式，根据信道条件，保证信道传输速率最优，我们假设源无人机和中继无人机的发射功率相等，源无人机、目的无人机的最大通信速率分别为：

h_sr为中继到目的节点的信道状态矩阵，P_s为发射功率，δ²代表噪声方差。h_rd为中继到目的节点的信道状态矩阵，P_r为发射功率，δ²代表噪声方差。B为信道带宽。

对无人机的传输速率、速度、转弯半径进行合理约束。

C_sr[n]-C_rd[n]≥0 (10)

x_r(n+1)-x_r(n)≤mV_rmax (11)

C_sr代表源无人机到中继无人机的信道传输速率，C_rd代表中继无人机到目的无人机的信道传输速率。x_r(n)表示第n个离散点的中继无人机的位置。

m为比例系数。V_rmax为中继无人机最大飞行速度，单位为m/s。R_min为最小转弯半径，g为重力加速度。

2.源无人机与目的无人机轨迹预测

环境比较复杂时，无人机自身的导航定位系统可能会受到破坏，无法将实时位置传送给中继无人机，考虑到无人机运动的实时性，利用扩展卡尔曼滤波算法对源无人机和中继无人机的位置进行预测，实时规划中继无人机的位置，保证算法的实时性和有效性。基于扩展卡尔曼滤波的动态轨迹预测算法,对移动无人机的动态行为进行状态估计,利用前一时刻的估计值和当前时刻的观测值更新对状态变量的估计,进而对下一时刻的轨迹位置预测。

根据以下公式更新状态：

X(k)＝f_k-1(X(k-1)) (13)

Z(k)＝h_k(X(k)) (14)

X(k|k-1)＝f_k-1(X(k-1|k-1)) (15)

P(k|k-1)＝f_k-1P(K-1|K-1)f_k-1 ^T+f_k-1Qf_k-1 ^T (16)

k_g(k)＝P(k|k-1)(h_k)^T/(h_kP(k|k-1)h_k ^T+h_kR_kh_k ^T) (17)

X(k|k)＝X(k|k-1)+k_g(k)[Z(k)-h_kX(k|k-1)] (18)

使用扩展卡尔曼滤波算法分别对源无人机和目的无人机轨迹进行预测，在当前时刻预测出下一时刻的位置。

算法1：基于扩展卡尔曼滤波的轨迹预测算法

输入：初始位置值，初始测报值

输出：预测的轨迹值，偏差值

1：轨迹预处理；

2：参数初始化；

3：获取当前状态，当前时刻的位置；

4：循环给定次数；

5：记录通过扩展卡尔曼预测方法每次预测出的值；

6:计算预测值与实际值之间的偏差；

7:循环结束；

8:输出预测的值和偏差。

3.基于罚函数的PSO算法解决最优问题

我们利用扩展卡尔曼滤波算法在当前时刻预测出下一时刻的源无人机和目的无人机的运动路径点后，实时传送给中继无人机，使得中继无人机计算出下一时刻的路径点。

采用DF转发方式，根据信道条件，保证信道传输速率最优，我们假设源无人机和中继无人机的发射功率相等，构建的优化问题为：

s.t.C_sr[n]-C_rd[n]≥0 (19a)

x_r(n+1)-x_r(n)≤mV_rmax (19b)

h_rd为中继到目的节点的信道状态矩阵，P_r为发射功率，δ²代表噪声方差。对无人机的传输速率、速度、转弯半径进行合理约束。C_sr代表源无人机到中继无人机的信道传输速率，C_rd代表中继无人机到目的无人机的信道传输速率。x_r(n)表示第n个离散点的中继无人机的位置。

为得到最大传输速率，得出的优化问题是一个非凸问题，我们采用带罚函数的PSO(Particle Swarm Optimization，粒子群优化算法)算法解决这个优化问题，将有约束的优化问题转化为无约束的优化问题，求最优解。粒子群的fitness函数根据所建优化问题进行构造得：

U代表惩罚因子。

4.中继无人机光滑轨迹生成

中继无人机要将生成的离散路径点生成光滑连续的曲线，我们采用一个7次的minisnap轨迹生成方法，已经得到一组路径点，为保证得到路径点的有效性，我们希望中继无人机能飞过这些最优路径点，根据源无人机与目的无人机的轨迹预测生成了M个最优点，从初始位置出发，共有M+1个点，求出M段轨迹的多项式系数，得到每段轨迹。并已知每段轨迹的时间t_i，总时间为T。

l(t)＝α₀+α₁t+α₂t²+α₃t³+α₄t⁴+α₅t⁵+α₆t⁶+α₇t⁷ (21)

其中，l(t)为轨迹在时间t的表达式。α₀,α₁,α₂,...,α_k为多项式系数，均匀时间分配，有M个多项式，求出多项式系数，从而得到每段的连续表达式。为了保证轨迹的连续性，构建等式约束方程。

中继无人机的初始位置和目标位置一定，我们选取一段时间内无人机的运动轨迹，在这段时间内，轨迹的初始位置、速度、加速度等于中继无人机的初始位置、速度、加速度，轨迹的末端位置、速度、加速度等于这段时间内中继无人机的末端位置、速度、加速度。

l⁽¹⁾[0]＝(vr_x[0]，vr_y[0],vr_z[0]) (24)

l⁽¹⁾[T]＝(vr_x[T],vr_y[T],vr_z[T]) (25)

l⁽²⁾[0]＝(ar_x[0]，ar_y[0],ar_z[0]) (26)

l⁽²⁾[T]＝(ar_x[T],ar_y[T],ar_z[T]) (27)

参数l[0],l[T],l⁽¹⁾[0],l⁽¹⁾[T],l⁽²⁾[0],l⁽²⁾[T]分别代表这段时间内中继无人机初始位置，T时刻位置，初始速度，T时刻速度，初始加速度，T时刻加速度。

相邻中间点的位置、速度和加速度连续，无人机的运动不能发生突变，其运动轨迹为连续可导的曲线。

参数

分别表示k段结束位置，k+1段开始位置，表示k段结束速度，k+1段开始速度，表示k段结束加速度，k+1段开始加速度。我们的目的是求出多项式系数，满足约束的曲线可能有很多条，我们需要找出两点之间最短的曲线，构建优化方程为：

s.t.

A_eqα＝b_eq (29a)

求解参数得到多项表达式。

5.控制中继无人机飞出最优轨迹

为了保证方案的可行性，结合无人机机体特性和相关的角度要求，我们希望实际飞行的轨迹与期望轨迹之间误差越小越好，即下边的三个坐标方向和偏航角的控制误差为0。即：

(a_rx-a_x,des)+k_d1(v_rx-v_x,des)+k_p1(p_rx-p_x,des)＝0 (30)

(a_ry-a_y,des)+k_d2(v_ry-v_y,des)+k_p2(p_ry-p_y,des)＝0 (31)

(a_rz-a_z,des)+k_d3(v_rz-v_z,des)+k_p3(p_rz-p_z,des)＝0 (32)

ψ＝ψ_des (33)

k_p1、k_p2、k_p3分别代表坐标系X,Y,Z位置方向上的比例控制参数。对应地，k_d1、k_d2、k_d3分别代表坐标系X,Y,Z位置方向上的微分控制参数。v_rx、v_ry、v_rz、a_rx、a_ry、a_rz、p_rx,p_ry,p_rz分别代表坐标系X,Y,Z方向上的速度、加速度和位置。v_x,des,v_y,des,v_z,des、a_x,des,a_y,des,a_z,des、p_x,des,p_y,des,p_z,des分别代表坐标系X,Y,Z方向上期望的速度、加速度和位置。ψ和ψ_des分别为偏航角和期望的偏航角度。

6.仿真结果

我们对源无人机和目的无人机的位置进行预测，选取源无人机的三个坐标方向轨迹方程分别为：

p_sx＝3+10sin(3m)

p_sy＝2+10sin(2m)

p_sz＝10cos(4m)

目的无人机的三个坐标方向轨迹方程分别为：

p_dx＝7+10sin(3m)

p_dy＝8+10sin(2m)

p_dz＝20+10cos(4m)

我们预测出源无人机和目的无人机的20个路径点的位置，时间间隔为1S,源无人机三个坐标轴方向的预测轨迹值和预测误差结果为图2、3所示，通过对比图可以看出使用扩展卡尔曼滤波算法预测出的位置与实际位置误差很小。目的无人机三个坐标轴方向的预测轨迹值和预测误差结果为图4、5所示，通过对比图可以看出使用扩展卡尔曼滤波算法预测出的位置与实际位置误差很小。

在实验中我们假设无人机飞行在低空环境中存在大尺度衰落，选取η_LOS＝0.1，η_NLOS＝21，a＝5.0188,b＝0.3511,载波频率为2.4×10⁹HZ，c＝3×10⁸m/s,源无人机和中继无人机的发射功率均为20dB,仿真中用到的噪声功率值为-163dBm,环境中存在的小尺度衰落为独立同分布CN(0,1)。中继无人机最大飞行速度v_max＝50m/s，g＝9.81m/s²。

将预测出的轨迹值代入计算中继无人机最优位置的优化函数中，得到图6所示的中继无人机三个坐标轴方向最优位置点及最大速率值，可以看出最大速率值为26.3bit/s,并随着无人机不断运动，最大速率值趋于稳定，说明中继无人机能稳定的为不断高速运动的无人机提供通信服务。图7为中继无人机的三维路径点连接成的图，这不符合无人机的飞行特性，无人机需要一条光滑连续的轨迹。

通过调节无人机的控制参数，我们得到了图8所示的含有期望轨迹与实际控制无人机飞行出的轨迹图，可以观察出在固定的飞行时间20S内，由于控制参数或计算误差的影响，规划出的期望轨迹与实际飞行的轨迹有一定的偏差。图9进一步的表示了在坐标轴各个方向期望轨迹与实际飞行轨迹的偏差，对应于信息传输速率的偏差。图10为期望的速度与实际飞行速度的对比图。通过图7、8、9,我们可以看出本发明提出的在无人机通信中断环境下利用中继无人机重新建立通信链路连接的方法是有效的，对于实际的无人机飞行所展现出来的误差是可以接受的，证明了方法的可行性。

本发明提供的一种面向无人机编队通信的轨迹生成与跟踪方法及系统，具有以下优点：

(1)为在恶劣环境下，低空环境存在阴影和衰落，两通信无人机链路连接断开的情况提供了一种重新建立稳定连接的方法，打破传统通信的源节点和目的节点固定不动的假设。

(2)四旋翼无人机具有高速飞行的特点，采用的无人机位置预测方法可以减小因时延而造成的中继无人机位置计算的偏差，实现实时的位置计算。

(3)考虑无人机的动力学特征，使本发明计算出的中继无人机的路径点转变为一条光滑连续的无人机可行轨迹，并利用无人机控制方法控制无人机飞出规划轨迹，使方案更加全面完整。克服了现有技术只考虑数据，将离散点作为无人机轨迹未真正考虑无人机特性的不足。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims

1.一种面向无人机编队通信的轨迹生成与跟踪方法，其特征在于，包括以下步骤：

S3、根据源无人机和目的无人机的预测轨迹，实时规划中继无人机的轨迹；

其中，

步骤S3包括以下子步骤：

S31、基于罚函数的PSO算法解决最优问题；

S32、生成中继无人机光滑轨迹；

S33、控制中继无人机飞出最优轨迹；

在步骤S1中，假设中继无人机只作用于设定时间内，整个运动过程总时间为T，分为N个时隙,第n个时隙源无人机节点A、中继无人机节点R、目的无人机节点B的坐标分别为(ps_x[n],ps_y[n],ps_z[n])，(pr_x[n],pr_y[n],pr_z[n])，(pd_x[n],pd_y[n],pd_z[n])，n＝1,2,...,N，源无人机节点A与中继无人机节点R的距离设为d_sr[n]，中继无人机节点R与目的无人及机节点B的距离设为d_rd[n]

hd_sr[n]＝|ps_z[n]-pr_z[n]|n＝1,2,...,N (3)

hd_rd[n]＝|pr_z[n]-pd_z[n]|n＝1,2,...,N (4)

采用非视距(NLOS)传输，信道传输模型为：

其中，

A＝η_LOS-η_NLOS

其中η_LOS，η_NLOS，a,b是与传播环境有关的常数，f是载波频率，c是光速，d[n]是两架无人机之间的距离，hd[n]是两架无人机之间的高度差；

第n个时隙的功率损耗为：

第n个时隙的信道传输系数为：

s[n]代表小尺度衰落，为独立同分布CN(0,1)；

采用DF转发方式，根据信道条件，保证信道传输速率最优，假设源无人机和中继无人机的发射功率相等，源无人机、目的无人机的最大通信速率分别为：

h_sr为中继到目的节点的信道状态矩阵，P_s为发射功率，δ²代表噪声方差；h_rd为中继到目的节点的信道状态矩阵，P_r为发射功率，δ²代表噪声方差；B为信道带宽；

对无人机的传输速率、速度、转弯半径进行合理约束；

C_sr[n]-C_rd[n]≥0 (10)

x_r(n+1)-x_r(n)≤mV_rmax (11)

C_sr代表源无人机到中继无人机的信道传输速率，C_rd代表中继无人机到目的无人机的信道传输速率；x_r(n)表示第n个离散点的中继无人机的位置；m为比例系数；V_rmax为中继无人机最大飞行速度，单位为m/s；R_min为最小转弯半径，g为重力加速度；

在步骤S31中，采用DF转发方式，根据信道条件，保证信道传输速率最优，假设源无人机和中继无人机的发射功率相等，构建的优化问题为：

s.t.C_sr[n]-C_rd[n]≥0 (19a)

x_r(n+1)-x_r(n)≤mV_rmax (19b)

h_rd为中继到目的节点的信道状态矩阵，P_r为发射功率，δ²代表噪声方差，对无人机的传输速率、速度、转弯半径进行合理约束，C_sr代表源无人机到中继无人机的信道传输速率，C_rd代表中继无人机到目的无人机的信道传输速率，x_r(n)表示第n个离散点的中继无人机的位置；

m为比例系数；V_rmax为中继无人机最大飞行速度，单位为m/s；R_min为最小转弯半径，g为重力加速度；

为得到最大传输速率，得出的优化问题是一个非凸问题，采用带罚函数的PSO算法解决这个优化问题，将有约束的优化问题转化为无约束的优化问题，求最优解，粒子群的fitness函数根据所建优化问题进行构造得：

U代表惩罚因子；

在步骤S32中，根据源无人机与目的无人机的轨迹预测生成了M个最优点，从初始位置出发，共有M+1个点，求出M段轨迹的多项式系数，得到每段轨迹，并已知每段轨迹的时间t_i，总时间为T；

其中，l(t)为轨迹在时间t的表达式，α₀,α₁,α₂,...,α_k为多项式系数，均匀时间分配，有M个多项式，求出多项式系数，从而得到每段的连续表达式，为了保证轨迹的连续性，构建等式约束方程；

选取一段时间内无人机的运动轨迹，在这段时间内，轨迹的初始位置、速度、加速度等于中继无人机的初始位置、速度、加速度，轨迹的末端位置、速度、加速度等于这段时间内中继无人机的末端位置、速度、加速度；

l⁽¹⁾[0]＝(vr_x[0]，vr_y[0],vr_z[0]) (24)

l⁽¹⁾[T]＝(vr_x[T],vr_y[T],vr_z[T]) (25)

l⁽²⁾[0]＝(ar_x[0]，ar_y[0],ar_z[0]) (26)

l⁽²⁾[T]＝(ar_x[T],ar_y[T],ar_z[T]) (27)

参数l[0],l[T],l⁽¹⁾[0],l⁽¹⁾[T],l⁽²⁾[0],l⁽²⁾[T]分别代表这段时间内中继无人机的初始位置，T时刻位置，初始速度，T时刻速度，初始加速度，T时刻加速度；

相邻中间点的位置、速度和加速度连续，无人机的运动不能发生突变，其运动轨迹为连续可导的曲线；

参数l_k[tf],l_k+1[ts],

分别表示k段结束位置，k+1段开始位置，表示k段结束速度，k+1段开始速度，表示k段结束加速度，k+1段开始加速度，求出多项式系数，找出两点之间最短的曲线，构建优化方程为：

s.t.

A_eqα＝b_eq (29a)

求解参数得到多项表达式；

控制中继无人机飞出最优轨迹，将下边的三个坐标方向和偏航角的控制误差为0，即：

(a_rx-a_x,des)+k_d1(v_rx-v_x,des)+k_p1(p_rx-p_x,des)＝0 (30)

(a_ry-a_y,des)+k_d2(v_ry-v_y,des)+k_p2(p_ry-p_y,des)＝0 (31)

(a_rz-a_z,des)+k_d3(v_rz-v_z,des)+k_p3(p_rz-p_z,des)＝0 (32)

ψ＝ψ_des (33)

k_p1、k_p2、k_p3分别代表坐标系X,Y,Z位置方向上的比例控制参数；对应地，k_d1、k_d2、k_d3分别代表坐标系X,Y,Z位置方向上的微分控制参数，v_rx、v_ry、v_rz、a_rx、a_ry、a_rz、p_rx,p_ry,p_rz分别代表坐标系X,Y,Z方向上的速度、加速度和位置，v_x,des,v_y,des,v_z,des、a_x,des,a_y,des,a_z,des、p_x,des,p_y,des,p_z,des分别代表坐标系X,Y,Z方向上期望的速度、加速度和位置，ψ和ψ_des分别为偏航角和期望的偏航角度。

2.根据权利要求1所述的面向无人机编队通信的轨迹生成与跟踪方法，其特征在于：在步骤S1中，中继无人机采用DF转发方式，重新建立起源无人机和目的无人机之间的通信。

3.根据权利要求2所述的面向无人机编队通信的轨迹生成与跟踪方法，其特征在于：在步骤S2中，使用基于扩展卡尔曼滤波的轨迹预测算法分别对源无人机和目的无人机轨迹进行预测，在当前时刻预测出下一时刻的位置。

4.根据权利要求3所述的面向无人机编队通信的轨迹生成与跟踪方法，其特征在于：所述基于扩展卡尔曼滤波的轨迹预测算法包括：

输入：初始位置值，初始测报值；

输出：预测的轨迹值，偏差值；

1)：轨迹预处理；

2)：参数初始化；

3)：获取当前状态，当前时刻的位置；

4)：循环给定次数；

5)：记录通过扩展卡尔曼滤波算法每次预测出的值；

6):计算预测值与实际值之间的偏差；

7):循环结束；

8):输出预测的值和偏差。

5.根据权利要求1所述的面向无人机编队通信的轨迹生成与跟踪方法，其特征在于：在步骤S2中，基于扩展卡尔曼滤波的轨迹预测算法，对移动无人机的动态行为进行状态估计，利用前一时刻的估计值和当前时刻的观测值更新对状态变量的估计，进而对下一时刻的轨迹位置预测；

根据以下公式更新状态：

X(k)＝f_k-1(X(k-1)) (13)

Z(k)＝h_k(X(k)) (14)

X(k|k-1)＝f_k-1(X(k-1|k-1) (15)

P(k|k-1)＝f_k-1P(K-1|K-1)f_k-1 ^T+f_k-1Qf_k-1 ^T (16)

k_g(k)＝P(k|k-1)(h_k)^T/(h_kP(k|k-1)h_k ^T+h_kR_kh_k ^T) (17)

X(k|k)＝X(k|k-1)+k_g(k)[Z(k)-h_kX(k|k-1)] (18)

6.一种面向无人机编队通信的轨迹生成与跟踪系统，其特征在于：包括可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现如权利要求1至5中任一项所述的方法。