无人机应用中对自主性的要求越来越高,未来发展的最终目标是实现全自主集群控制。而无人机任务规划技术是该目标实现的基础,主要包括任务分配与航迹规划两部分。无人机的飞行航迹取决于任务分配结果,而分配过程的任务目标价值又与无人机的航程相关,故将任务规划过程作为整体研究更具实际意义。为此,提出了基于多阶段航迹预测(Multi-Stage Path Prediction,MSPP)的无人机任务规划方法。首先,根据航迹规划应用中需要实现的功能,研究了一种MSPP算法,包括路径估计、路径规划、航迹平滑、交会航迹生成四个阶段。各阶段的计算结果均为近似程度不同的航迹参考。以航迹航程最短作为航迹规划的性能指标。将无人机的禁飞区建模为多边形。为实现快速性,局部A*算法使用无人机当前位置的临近区域内的多边形顶点作为搜索节点,建立算法的搜索空间,并随飞行过程不断更新。该临近区域可对应为实际场景中的探测范围。而为实现最优性,全局A*算法实时进行,并随飞行过程不断将探测范围内的节点添加至搜索空间。MSPP算法原理和具体功能如下:1.路径估计阶段:在每个规划周期开始,各无人机利用局部A*算法快速估算当前时刻所有任务目标相对自身航程,作为任务分配过程的主要参考;2.折线路径规划阶段:任务分配完成后,无人机采用全局A*算法计算至指派目标的最短折线路径,包括探测范围内的真实路径和至目标的启发式路径,并随飞行过程持续实时更新;3.航迹平滑阶段:使用三次B样条曲线同步平滑上述最短路径,通过优化控制点,生成满足约束的可飞行航迹,作为飞行过程中的航迹参考;4.交会航迹生成阶段:针对交会目标,采用基于Dubins路径的协同航迹规划方法,生成多无人机的交会航迹。在航迹末段,用Dubins路径替代B样条曲线,生成参考航迹。根据无人机间航程差,近程无人机选择航迹较短的迂回机动或航迹较长的盘旋机动方式,以等待其他无人机完成协同执行任务。然后,基于MSPP的路径估计算法计算无人机至任务目标的近似航程,从集中式和分布式两方面展开任务分配过程。集中式分配采用改进PSO算法,通过修改粒子结构,实现快速迭代寻优。改进粒子为无人机与各任务目标间的分配关系,其元素为布尔型变量,相对于传统PSO粒子元素的连续变化范围,搜索空间大大减小。改进PSO算法能以较快的计算速度收敛至全局最优解。另一方面,鉴于集中式算法的应用局限性,研究了基于路径估计及聚类算法的分布式任务分配。现有算法为考虑全局任务信息,一般在任务初始阶段完成整个分配过程。出现突发目标后,需重新分配整体任务,造成计算冗余。基于聚类的任务分配过程逐周期展开,各无人机根据路径估计结果,采用聚类算法,修改任务目标价值向量,使无人机倾向于执行价值总和更高的目标集合,而不是个体价值最高的单个目标。每个规划周期仅分配给将完成任务的无人机一个目标,为避免陷入局部最优,其他无人机也基于当前状态参与虚拟分配。出现突发目标则添加至下一规划周期,可实现近似全局最优的任务分配结果。最后,结合MSPP算法,根据任务分配的两种实现方式,进行了任务规划整体结构应用分析。包括:无交会目标和交会目标两种场景下,基于MSPP及改进PSO算法的集中式任务规划;以及无突发目标和突发目标时,基于MSPP及聚类算法的分布式任务规划。从应用条件、典型适用场景、仿真结果和特点总结多方面进行了分析,验证了算法的可行性和有效性。