一种无人机集群协同状态预测方法与流程

1.本发明属于无人机技术领域，具体涉及一种无人机集群协同状态预测方法。


背景技术：

2.随着人工智能、机器人技术和数据融合技术的进步，无人机集群被广泛应用在军事和民事领域。并且随着技术的发展，无人机集群有着小型化、智能化、大规模化的趋势。尽管完全自主的大规模无人机集群是未来的发展方向，但目前人工智能技术发展有限，人机协同完全被人工智能所取代在短时间内很难发生。目前人工智能可以通过机器学习、深度学习等手段在部分领域实现无人参与。但涉及到创造性、无法给出明确定义和边界、缺乏数字化知识经验的任务，人工智能就无能为力，所以在今后一段时间里，智能机器在任务执行过程中更多起到辅助作用，最终决策依然离不开人类。对于无人机集群来说，因为其任务的复杂性和多变性，目前仍然需要有人参与决策，通过外部指令对集群进行控制，才能保证成功完成任务。然而，当无人机集群规模较大时，大量指令消息需要在通信网络中转发传递。而大规模无人机集群通常由通信资源有限的小型无人机组成，当需要转发的指令消息呈指数倍增长时，小型无人机面临着巨大的通信负荷。大规模无人机集群无法及时处理大量的指令消息，导致丢包现象加剧，无人机集群无法实现协同工作。因此，基于指令转发的传统工作模式在大规模无人机集群中并不适用，需要一种新的集群工作模式，保证大规模无人机集群能够在外部指令的控制下实现协同工作。
3.有相关研究为了解决大规模集群中消息冗余导致集群无法协同的问题，提出了基于单跳局部通信的协同工作模式，通过维护一个以领导者无人机为根节点的生成树，来保证领导者的状态信息能够沿生成树逐跳传播给集群中的每一架无人机，实现无人机集群在有外部指令控制条件下的领导者-跟随者工作模式，完成协同任务。通过无人机与相邻无人机进行局部交互的方式，可以有效减少集群通信网络中的消息数目，避免因争用信道资源导致网络拥塞和丢包，集群无法协同的问题。
4.然而，基于单跳通信的方法虽然可以从根本上减少消息数目，减轻通信负担，但是因为状态信息是由领导者无人机开始，沿生成树逐条扩散传播，而无人机集群是满足时钟同步的，更新、发送和接收信息都是同时进行，因此在每轮收发数据报周期结束时，领导者更新的状态信息和它的子节点更新的状态信息存在一个周期的误差，即子节点接收的状态信息是领导者上一个周期的状态，而当前周期领导者已经更新为新的状态。因此，集群中的无人机在生成树中距离领导者多一跳的距离，就会多一个周期的误差。而大规模无人机集群通常是由小型无人机组成，这类无人机续航时间较短，需要集群快速达成协同状态执行任务。因此，当集群中无人机与领导者的状态存在较大延迟误差时，无人机集群仍然无法快速实现状态收敛，无法完成协同任务。


技术实现要素：

5.为了克服现有技术的不足，本发明提供了一种无人机集群协同状态预测方法，使
集群中的每一架无人机都能对父节点的状态信息进行预测，使每轮接收、发送数据包周期结束时，无人机经过预测的状态信息和其父无人机更新的状态信息近似相同，最大程度上减少因为逐跳通信导致的延迟问题。本发明方法使大规模无人机集群只需要在任务初期建立以领导者为根节点的生成树，即可实现生成树中所有节点与根节点的状态收敛，使整个无人机集群能够快速达成协同状态，完成任务。
6.本发明解决其技术问题所采用的技术方案包括如下步骤：
7.步骤1：构建无人机集群模型；
8.步骤1-1：无人机集群是由相同的无人机组成，且无人机能够相互通信，因此无人机集群的拓扑结构用无向图g＝(v,e)来表示，其中v＝{v1,v2,
…
,vn}表示集群中所有无人机的集合，表示无人机之间连接的集合；令表示与无向图g相关联的邻接矩阵，当a
ij
为1时，表示无人机i和无人机j能够相互通信；当a
ij
为0时，表示无人机j在无人机i的通信范围之外；每个无人机集群包括一个领导者和若干跟随无人机；
9.集群中每架无人机的状态表示为：
[0010][0011]
其中xn(t)表示各种与飞行状态相关的值；
[0012]
如果对于一个集群中所有无人机的状态都收敛到领导者无人机的状态，则判定无人机集群实现有外部控制的协同状态，即满足下式：
[0013][0014]
其中s(t)表示目标状态，xi(t)表示无人机i的状态信息集合；
[0015]
步骤1-2：当无人机集群中存在领导者无人机时，外部指令由控制中心直接发送给领导者无人机，因此领导者无人机的状态信息等价为执行状态信息，即：
[0016]
x
l
(t)＝s(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]
因此(1)式改写为：
[0018][0019]
上式表示当集群中所有无人机的状态与领导者无人机的状态实现收敛时，无人机集群达成有外部指令控制的协同状态；
[0020]
步骤1-3：对于基于局部通信的无人机集群，无人机只能与相邻无人机进行交互，无法保证(3)式成立，只能通过构建以领导者无人机为根节点的生成树，使集群中的无人机与父无人机的状态实现收敛，间接地满足与领导者无人机的状态收敛；假设无人机i的父节点的状态信息用变量《xf(t)》i表示，当无人机集群达成协同状态时，满足下式：
[0021][0022]
步骤1-4：无人机集群中无人机状态的更新是依靠无人机之间收发数据包进行的，无人机集群满足时钟同步，具有相同的迭代周期，即每隔一个固定周期，所有无人机都进行一次状态信息的更新并向相邻的无人机进行一次通信；对于集群中每一个无人机，无人机在t时刻接收的目标状态信息x
t
(t)，实际是父节点j在t-1时刻的状态xj(t-1)，而t时刻的父节点j已经更新为新的状态xj(t)，因此无人机在每轮迭代总会存在一个周期的误差；
[0023]
步骤2：采用三次样条插值算法对父节点的协同状态进行预测，即无人机根据接收到的t-1时刻的值来预测出t时刻的值，并用预测结果来充当目标协同状态代入无人机集群协同工作模型，用于解决步骤1的误差问题；
[0024]
步骤2-1：集群中的无人机维护一个固定长度为4的队列，储存父无人机的历史状态；在t时刻时，无人机i接收到父无人机的状态信息，并将其存入队列，那么此时无人机i的队列中储存的是父无人机j的历史状态，即xj(t-4),xj(t-3),xj(t-2)和xj(t-1)；
[0025]
根据三次样条插值算法，相邻的两个历史状态由一条曲线表示，生成三条拟合曲线，且这三条曲线的端点是平滑连续的；
[0026]
假设τ是区间[t-4，t-1]中的任意时刻，那么三条拟合曲线s
t-i
(τ)如下定义：
[0027]st-i
(τ)＝a
t-i
+b
t-i
(τ-τ
t-i
)+c
t-i
(τ-τ
t-i
)2+d
t-i
(τ-τ
t-i
)3，i＝2，3，4
ꢀꢀꢀꢀꢀꢀ
(5)
[0028]
上式中，a
t-i
、b
t-i
、c
t-i
、d
t-i
分别表示拟合曲线的四个系数，τ
t-i
表示每条曲线的起始时刻；
[0029]
步骤2-2：假设无人机状态更新的周期为h，则τ
t
＝τ
t-2
+2h；使用以xj(t-2)和xj(t-1)为端点的第三个拟合曲线s
t-2
(τ)来预测xj(t)的值，即预测协同状态《x
p
(t)》i＝s
t-2
(τ
t-2
+2h)，计算公式如下：
[0030]
《x
p
(t)》i＝a
t-2
+2b
t-2
h+4c
t-2
h2+8d
t-2
h3ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0031]
步骤2-3：根据三次样条插值算法的特性，拟合曲线函数在端点处一阶导和二阶导是连续的，所以(6)中的系数a
t-2
，b
t-2
，c
t-2
和d
t-2
通过下式计算得到：
[0032][0033]
其中，m
t-1
、m
t-2
分别表示在曲线在t-1、t-2处的二阶导数，x
t-1
、x
t-2
分别表示在t-1、t-2时刻的拟合曲线值；
[0034]
步骤2-4：拟合曲线的二阶导数根据曲线连续的特性以及边界条件的要求，通过以下行列式来求解：
[0035][0036]
通过式(8)计算出各个时刻状态信息的二阶导数，代入式(7)计算得到对应的拟合曲线的系数；然后使用t-1到t-2时刻对应的拟合曲线，向后计算一个步长的值作为预测协同状态信息《x
p
(t)》i，该值与父无人机在t时刻的状态xj(t)近似相等，即《x
p
(t)》i＝xj(t)，因此将预测协同状态信息《x
p
(t)》i作为无人机i的目标状态信息，对式(4)进行优化；
[0037]
步骤2-5：通过式(6)～式(8)，无人机集群协同工作模型引入了协同状态预测算法，因此式(4)改写为：
[0038][0039]
即每架无人机通过收敛到预测后的目标状态，来实现整个集群的无人机都快速地与领导者状态保持一致，减少延迟带来的影响。
[0040]
优选地，所述飞行状态包括速度、位置和加速度。
[0041]
本发明的有益效果如下：
[0042]
1、本发明是基于三次样条插值算法实现，该方法的优点在于计算精度高、收敛性好，可以很好地拟合父无人机的状态信息变化，并且经过插值得到的曲线更加平滑，其预测结果更加可靠。
[0043]
2、本发明方法只需要记录四个父无人机的历史状态信息，并且只需要计算三次多项式即可，计算量较小，适用于机载能量有限的小型无人机集群。
附图说明
[0044]
图1为本发明方法流程图。
具体实施方式
[0045]
下面结合附图和实施例对本发明进一步说明。
[0046]
本发明旨在提出一种基于三次样条插值的无人机集群协同状态预测算法，使集群中的每一架无人机都能对父节点的状态信息进行预测，使每轮接收、发送数据包周期结束时，无人机经过预测的状态信息和其父无人机更新的状态信息近似相同，最大程度上减少因为逐跳通信导致的延迟问题。在该算法的帮助下，大规模无人机集群只需要在任务初期建立以领导者为根节点的生成树，即可实现生成树中所有节点与根节点的状态收敛，使整个无人机集群能够快速达成协同状态，完成任务。
[0047]
为实现上述发明目的，本发明提出的技术方案如下。首先对相关概念进行介绍：
[0048]
通常情况下，大规模无人机集群是由相同的小型无人机组成，且无人机可以相互通信，因此无人机集群的拓扑结构可以用无向图g＝(v，e)来表示，其中v＝{v1，v2，
…
，vn}表示集群中所有无人机的集合，表示无人机之间连接的集合。令表示与无向图g相关联的邻接矩阵，当a
ij
为1时，表示无人机i和无人机j能够相互通信；当a
ij
为0时，表示无人机j在无人机i的通信范围之外。集群中每架无人机的状态可表示为：
[0049][0050]
其中xn(t)表示各种与飞行状态相关的值，可以是速度、位置、加速度等标量或矢量信息。如果对于一个集群中所有无人机的状态都收敛到目标状态，则可以认为无人机集群实现有外部控制的协同状态，即满足下式：
[0051][0052]
其中s(t)表示目标状态，可以是耦合系统的一个平衡点、周期轨
道、甚至包涵混沌等奇异吸引子。xi(t)表示无人机i的状态信息集合。
[0053]
当无人机集群中存在领导者时，即对于本算法所针对的满足领导者-跟随者工作模式的无人机系统来说，外部指令通常由控制中心直接发送给领导者无人机，因此领导者无人机的状态信息可以等价为执行状态信息，即：
[0054]
x
l
(t)＝s(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0055]
因此(1)式可以改写为：
[0056][0057]
上式表示当集群中所有无人机的状态与领导者无人机的状态实现收敛时，无人机集群达成有外部指令控制的协同状态。由于本系统是基于局部通信的无人机集群，无人机只能与相邻无人机进行交互，无法保证(3)式成立，只能通过构建以领导者无人机为根节点的生成树，使集群中的无人机与父无人机的状态实现收敛，间接地满足与领导者无人机的状态收敛。假设无人机i的父节点的状态信息用变量《xf(t)》i表示，当无人机集群达成协同状态时，满足下式：
[0058][0059]
大规模无人机集群中无人机状态的更新是依靠无人机之间收发数据包进行的，并且在实际应用中要求无人机集群满足时钟同步，具有相同的迭代周期，即每隔一个固定周期，所有无人机都进行一次状态信息的更新并向相邻的无人机进行一次通信。对于集群中每一个无人机来说，无人机在t时刻接收的目标状态信息x
t
(t)，实际是父节点j在t-1时刻的状态xj(t-1)，而t时刻的父节点j已经更新为新的状态xj(t)，因此无人机在每轮迭代总会存在一个周期的误差。
[0060]
为了解决上述延迟问题，需要对父节点的协同状态进行预测，即无人机根据接收到的t-1时刻的值来预测出t时刻的值，并用预测结果来充当目标协同状态代入无人机集群协同工作模型，减少延迟带来的影响。
[0061]
协同状态预测算法的主要思想是对父无人机的状态变化进行记录，根据记录的状态信息拟合得到父无人机状态的变化曲线。因为无人机的运动存在惯性，其速度、加速度、飞行方向等状态信息的变化图像是一条平滑的曲线，因此在足够短的时间内，可以对未来时刻的状态进行预测，解决局部通信导致的延迟问题。在工程领域，面对一些采样点有限但是需要获得更多采样数值的问题，常常使用插值算法对已知函数点进行拟合处理，得到一个多项式来近似模拟数据的变化规律，并根据多项式可以获得更多较为准确的新数据。其中，常见的插值算法有拉格朗日插值法、牛顿插值法和三次样条插值法等。其中，拉格朗日插值法和牛顿插值法是高阶插值算法，会产生严重的龙格现象，即在数据在两端处波动较大，有明显的震荡。而三次样条插值算法拟合的多项式为三次多项式，计算量较小并且不会产生龙格现象，适用于cpu功率和能量有限的小型无人机。
[0062]
一般来说，三次样条插值算法至少需要四个采样数据来保证多项式拟合的准确性。因此，集群中的无人机需要维护一个固定长度为4的队列，储存父无人机的历史状态。在t时刻时，无人机i接收到父无人机的状态信息，并将其存入队列，那么此时无人机i的队列中储存的应是父无人机j的历史状态，即xj(t-4)，xj(t-3)，xj(t-2)和xj(t-1)。根据三次样条插值算法，相邻的两个历史状态可以由一条曲线表示，因此可以生成三条拟合曲线，且这
三条曲线的端点是平滑连续的。假设τ是区间[t-4，t-1]中的任意时刻，那么三条拟合曲线s
t-i
(τ)可以如下定义：
[0063]st-i
(τ)＝a
t-i
+b
t-i
(τ-τ
t-i
)+c
t-i
(τ-τ
t-i
)2+d
t-i
(τ-τ
t-i
)3，i＝2，3，4
ꢀꢀꢀꢀꢀ
(5)
[0064]
假设无人机状态更新的周期为h，则τ
t
＝τ
t-2
+2h。因此可以使用以xj(t-2)和xj(t-1)为端点的第三个拟合曲线s
t-2
(τ)来预测xj(t)的值，即预测协同状态《x
p
(t)》i＝s
t-2
(τ
t-2
+2h)，计算公式如下：
[0065]
《x
p
(t)》i＝a
t-2
+2b
t-2
h+4c
t-2
h2+8d
t-2
h3ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0066]
根据三次样条插值算法的特性，拟合曲线函数在端点处一阶导和二阶导都应该是连续的，所以(4-2)中的系数a
t-2
，b
t-2
，c
t-2
和d
t-2
可通过下式计算得到：
[0067][0068]
其中，m
t-2
表示在曲线在t-2处的二阶导数。拟合曲线的二阶导数根据曲线连续的特性以及边界条件的要求，可以通过以下行列式来求解：
[0069][0070]
通过(8)可以计算出各个时刻状态信息的二阶导数，代入(7)计算得到对应的拟合曲线的系数。然后使用最后一个拟合曲线，向后计算一个步长的值作为预测协同状态信息《x
p
(t)》i，该值与父无人机在t时刻的状态xj(t)存在较小误差，即《x
p
(t)》i＝xj(t)，因此可以将预测协同状态信息作为无人机i的目标状态信息，并代入协同工作模型进行计算，减少因单跳局部通信带来的延迟问题。
[0071]
通过式(6)～(8)，大规模无人机集群协同工作模型引入了协同状态预测算法，减少了延迟的影响，使集群能够快速实现协同状态。因此(4)可以改写为：
[0072][0073]
即每架无人机通过收敛到预测后的目标状态，来实现整个集群的无人机都快速地与领导者状态保持一致，减少延迟带来的影响。
[0074]
具体实施例：
[0075]
每个无人机都维护一个固定长度为4的队列来记录父节点的历史状态信息。前三次迭代时队列不满，因此只记录数据，不做操作。第四次迭代以后，无人机i的接收到父无人机j发来的状态信息实际上为xj(t-1)，而父无人机j此刻的状态为xj(t)，所以需要使用无人机i所记录的无人机j的四个历史状态xj(t-4)、xj(t-3)、xj(t-2)和xj(t-1)，预测出xj(t)。根
据三次样条插值算法，四个数据可以拟合三个多项式。由于需要对父节点的状态信息进行预测，所以只需要xj(t-2)和xj(t-1)为端点的多项式。该多项式如下：
[0076]st-2
(τ)＝a
t-2
+b
t-2
(τ-τ
t-2
)+c
t-i
(τ-τ
t-2
)2+d
t-i
(τ-τ
t-2
)3，i＝2，3，4
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0077]
基于三次样条插值算法的协同状态预算算法可以描述如下：
[0078]
1)当无人机i接收到父节点的状态信息时，记为xj(t-1)，并存入队列；
[0079]
2)将τ
t-2
代入(1)，得到a
t-2
的表达式；
[0080]
3)用m
t-2
表示τ
t-2
在s
t-2
(τ)的二阶导数；
[0081]
4)根据曲线平滑连接的特点，将τ
t-1
代入s
t-2
(τ
t-1
)
″
＝s
t-1
(τ
t-1
)
″
，得到c
t-2
和d
t-2
的表达式；
[0082]
5)将a
t-2
、c
t-2
和d
t-2
代入多项式(1)，得到b
t-2
的表达式；
[0083]
6)根据曲线平滑的特点，将a
t-2
、b
t-2
、c
t-2
和d
t-2
代入s
t-2
(τ
t-1
)
′
＝s
t-1
(τ
t-1
)
′
，得到关于m
t-i
的线性方程组；
[0084]
7)根据首尾点导数相同的非自然边界条件要求，求解线性方程组，得到的a
t-2
、b
t-2
、c
t-2
和d
t-2
值。
[0085]
8)将a
t-2
、b
t-2
、c
t-2
和d
t-2
代入多项式(1)，并根据τ
t
＝τ
t-2
+2h计算s
t-2
(τ
t
)的值，得到无人机i对父节点j的预测状态《x
p
》i。
[0086]
9)使用预测状态信《x
p
》i代入无人机协同状态计算。

技术特征：
1.一种无人机集群协同状态预测方法，其特征在于，包括以下步骤：步骤1：构建无人机集群模型；步骤1-1：无人机集群是由相同的无人机组成，且无人机能够相互通信，因此无人机集群的拓扑结构用无向图g＝(v,e)来表示，其中v＝{v1,v2,
…
,v
n
}表示集群中所有无人机的集合，表示无人机之间连接的集合；令表示与无向图g相关联的邻接矩阵，当a
ij
为1时，表示无人机i和无人机j能够相互通信；当a
ij
为0时，表示无人机j在无人机i的通信范围之外；每个无人机集群包括一个领导者和若干跟随无人机；集群中每架无人机的状态表示为：其中x
n
(t)表示各种与飞行状态相关的值；如果对于一个集群中所有无人机的状态都收敛到领导者无人机的状态，则判定无人机集群实现有外部控制的协同状态，即满足下式：其中s(t)表示目标状态，x
i
(t)表示无人机i的状态信息集合；步骤1-2：当无人机集群中存在领导者无人机时，外部指令由控制中心直接发送给领导者无人机，因此领导者无人机的状态信息等价为执行状态信息，即：x
l
(t)＝s(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)因此(1)式改写为：上式表示当集群中所有无人机的状态与领导者无人机的状态实现收敛时，无人机集群达成有外部指令控制的协同状态；步骤1-3：对于基于局部通信的无人机集群，无人机只能与相邻无人机进行交互，无法保证(3)式成立，只能通过构建以领导者无人机为根节点的生成树，使集群中的无人机与父无人机的状态实现收敛，间接地满足与领导者无人机的状态收敛；假设无人机i的父节点的状态信息用变量<x
f
(t)>
i
表示，当无人机集群达成协同状态时，满足下式：步骤1-4：无人机集群中无人机状态的更新是依靠无人机之间收发数据包进行的，无人机集群满足时钟同步，具有相同的迭代周期，即每隔一个固定周期，所有无人机都进行一次状态信息的更新并向相邻的无人机进行一次通信；对于集群中每一个无人机，无人机在t时刻接收的目标状态信息x
t
(t)，实际是父节点j在t-1时刻的状态x
j
(t-1)，而t时刻的父节点j已经更新为新的状态x
j
(t)，因此无人机在每轮迭代总会存在一个周期的误差；步骤2：采用三次样条插值算法对父节点的协同状态进行预测，即无人机根据接收到的t-1时刻的值来预测出t时刻的值，并用预测结果来充当目标协同状态代入无人机集群协同工作模型，用于解决步骤1的误差问题；步骤2-1：集群中的无人机维护一个固定长度为4的队列，储存父无人机的历史状态；在t时刻时，无人机i接收到父无人机的状态信息，并将其存入队列，那么此时无人机i的队列
中储存的是父无人机j的历史状态，即x
j
(t-4),x
j
(t-3),x
j
(t-2)和x
j
(t-1)；根据三次样条插值算法，相邻的两个历史状态由一条曲线表示，生成三条拟合曲线，且这三条曲线的端点是平滑连续的；假设τ是区间[t-4,t-1]中的任意时刻，那么三条拟合曲线s
t-i
(τ)如下定义：s
t-i
(τ)＝a
t-i
+b
t-i
(τ-τ
t-i
)+c
t-i
(τ-τ
t-i
)2+d
t-i
(τ-τ
t-i
)3,i＝2,3,4
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)上式中，a
t-i
、b
t-i
、c
t-i
、d
t-i
分别表示拟合曲线的四个系数，τ
t-i
表示每条曲线的起始时刻；步骤2-2：假设无人机状态更新的周期为h，则τ
t
＝τ
t-2
+2h；使用以x
j
(t-2)和x
j
(t-1)为端点的第三个拟合曲线s
t-2
(τ)来预测x
j
(t)的值，即预测协同状态<x
p
(t)>
i
＝s
t-2
(τ
t-2
+2h)，计算公式如下：<x
p
(t)>
i
＝a
t-2
+2b
t-2
h+4c
t-2
h2+8d
t-2
h3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)步骤2-3：根据三次样条插值算法的特性，拟合曲线函数在端点处一阶导和二阶导是连续的，所以(6)中的系数a
t-2
,b
t-2
,c
t-2
和d
t-2
通过下式计算得到：其中，m
t-1
、m
t-2
分别表示在曲线在t-1、t-2处的二阶导数，x
t-1
、x
t-2
分别表示在t-1、t-2时刻的拟合曲线值；步骤2-4：拟合曲线的二阶导数根据曲线连续的特性以及边界条件的要求，通过以下行列式来求解：通过式(8)计算出各个时刻状态信息的二阶导数，代入式(7)计算得到对应的拟合曲线的系数；然后使用t-1到t-2时刻对应的拟合曲线，向后计算一个步长的值作为预测协同状态信息<x
p
(t)>
i
，该值与父无人机在t时刻的状态x
j
(t)近似相等，即<x
p
(t)>
i
＝x
j
(t)，因此将预测协同状态信息<x
p
(t)>
i
作为无人机i的目标状态信息，对式(4)进行优化；步骤2-5：通过式(6)～式(8)，无人机集群协同工作模型引入了协同状态预测算法，因此式(4)改写为：即每架无人机通过收敛到预测后的目标状态，来实现整个集群的无人机都快速地与领导者状态保持一致，减少延迟带来的影响。
2.根据权利要求1所述的一种无人机集群协同状态预测方法，其特征在于，所述飞行状态包括速度、位置和加速度。

技术总结
本发明公开了一种无人机集群协同状态预测方法，使集群中的每一架无人机都能对父节点的状态信息进行预测，使每轮接收、发送数据包周期结束时，无人机经过预测的状态信息和其父无人机更新的状态信息近似相同，最大程度上减少因为逐跳通信导致的延迟问题。本发明方法使大规模无人机集群只需要在任务初期建立以领导者为根节点的生成树，即可实现生成树中所有节点与根节点的状态收敛，使整个无人机集群能够快速达成协同状态，完成任务。完成任务。完成任务。


技术研发人员：陈旿 朱家易 田莎 刘旭
受保护的技术使用者：水禾科技有限公司
技术研发日：2023.03.06
技术公布日：2023/8/4