0 引言

　　无人机模拟仿真系统通过模拟无人机动力学特性，构建数字无人机模块、遥控遥测模块、航路规划模块、视景仿真模块，完成无人机从起飞、爬升、盘旋、降落及任务推演的全过程模拟。无人机模拟仿真系统在对飞行特性、任务执行能力进行预演仿真，减少实际试验投入、降低研制风险、缩短研发周期等方面有着重要的意义[1]。

　　无人机航路规划及视景仿真系统是无人机模拟仿真系统的重要组成部分。其中航路规划是指在特定约束条件下, 寻找从初始点到目标点满足某种性能指标最优的运动轨迹[2]。航路规划必须综合考虑无人机的飞行特性，如：最小转弯半径、爬升角、实用升限等；环境因素，如：地形、雷达威胁源、禁飞区、雷雨区、链路覆盖区域、链路干扰等；任务载荷因素：视场角范围、作用距离、重叠率等。航路规划必须首先对各类约束条件进行建模，并给出满足约束的最优航路评价标准，规划必须在三维空间、大范围内进行，对规划算法的效率也是需要考虑的问题[3]。视景仿真系统通过构建无人机的三维运动模型和真实的三维地形特征、禁飞区等威胁环境，可以在虚拟的场景中逼真展示无人机的三维飞行特性、飞行场景、飞行航线和载荷观测特性等[4]。

　　高效的航路规划算法可以大大提高无人机自主执行任务的效率和安全性。国内外学者在无人飞行器航路规划方面已经做了许多研究，常用航路规划算法主要包括，几何方法、数学规划方法、人工势场法和智能优化方法等[5]。

　　概率地图法(Probabilistic Roadmap Method，PRM)因几何计算需求小、实现简单，扩展性好而被广泛应用于路径规划问题[6-7]。PRM最初由Overmars等人[8-9]提出，主要用来解决机器人的运动规划问题。

　　目前PRM在解决无人机航路规划时还存在着一些不足。首先，对无人机航路规划的约束条件考虑不够完善[10-13]，没有充分考虑无人机实际飞行需求，如对通讯链路的要求。其次，无人机规划空间大，PRM在学习阶段将消耗较多时间，限制了PRM在大范围无人机航路规划中的应用。

　　本文针对无人机航路规划需求，建立了无人机飞行环境的约束模型，将各类约束归类为刚性约束条件和柔性约束条件两类；在传统的PRM算法的基础上，提出了分层概率地图法(Layer Probabilistic Roadmap Method，LPRM)算法，通过对三维空间分层、分区可以大大减少三维空间上的规划时间。

　　在视景仿真方面也开始出现相应成熟的视景仿真引擎，例如Google Earth、OSGEarth、Vega Prime等[14-18]。近年来在商业环境中视景仿真技术的应用也逐渐广泛起来，尤其是游戏、VR交互等方面。

　　本文在自主航路规划的基础上，利用Terrain vista和Vega Prime构建了大范围真实三维场景，包含三维地形、地面运动目标、预设航线、雷达威胁等飞行环境信息，设计了无人机三维视景仿真系统，完成系统平台的搭建和仿真，通过无人机的三维飞行仿真验证了本文规划算法的有效性和三维视景的直观性。

1 系统组成及信息流程

　　无人机航路规划及视景仿真系统由航路规划软件和视景仿真软件两部分组成，与无人机遥控遥测软件和数字无人机软件共同组成无人机模拟仿真系统，如图1所示。数字无人机软件主要模拟无人机的动力学性能、飞控、导航功能，地面遥控遥测软件主要完成对无人机的遥控指令发送和遥测参数显示。

　　航路规划软件包括三维航迹规划模块和地图导航模块。三维航迹规划模块根据环境信息（如无人机飞行特性、地形、禁飞区和威胁链路等）、载荷信息等构建一条从起始点到任务目标点的最优航线，规划后的航线文件发送给数字无人机软件，完成无人机任务三维航线的模拟；数字无人机软件按照装载的航线文件，完成无人机的飞行模拟，并把仿真的飞行参数（如经纬度、高度、速度和姿态角等信息）发送给视景仿真软件和地图导航模块，供三维视景和数字地图上进行导航显示。其中视景仿真软件分为飞行视景显示模块、机载光电载荷动态视频模拟模块和运动目标仿真模块。飞行视景显示模块在三维视景内对禁飞区、障碍物、复杂气象等渲染，完成三维场景及无人机位姿的实时显示、飞行视角切换等；机载光电载荷动态视频模拟模块主要模拟相机姿态调整、焦距改变和跟踪移动目标等过程；运动目标仿真模块主要驱动三维场景内可移动目标的运动。无人机航路规划及视景仿真系统组成和信息流程如图2所示。

2 系统关键技术实现

　　无人机航路规划及视景仿真系统涉及到复杂环境模型的建立、三维真实场景的生成、载荷特性模拟等方面，主要难点有以下三个方面：

　　(1)各种飞行、环境约束条件（如航空管制区、雷达识别区和最大航程等）进行抽象，转化为简单直观的数学模型，无人机航路规划问题就转化为数学上的极值问题。如何构建合适的数学模型是系统地解决这一问题的关键。

　　(2)本文选用的概率地图法在二维机器人路径规划有成熟的应用，但拓展到三维航路规划有很大难度。对算法改进以适应无人机航路规划要求规划效率和实用性需求，是航路规划的关键点。

　　(3)Vega Prime虽然是国外较为成熟的三维视景构建引擎，但是本系统需要构建超大真实场景，既要实现飞行仿真，又要进行载荷视角的动态仿真及运动目标仿真，多驱动同步仿真是实现系统的关键点之一。

　　2.1 系统约束建模及模型的评价标准

　　无人机任务规划的约束条件多种多样，例如需要考虑无人机的燃油对无人机航程的约束，无人机最小转弯半径的飞行性能约束，还有天气环境对无人机安全性的威胁约束等情况。本文将约束条件分为两类：刚性约束条件和柔性约束条件。刚性约束条件是指绝对不可超越，否则直接威胁无人机系统安全的约束条件；柔性约束条件是指可局部超越，但会导致系统性能降低的约束条件。

　　2.1.1 刚性约束模型

　　为保证无人机的飞行安全，无人机需要躲避地形，满足最低飞行高度的限制；无人机需满足航空管制要求，不得跨越禁飞区等情况都是刚性约束的范畴。根据约束特性设计数学模型cr为下式：

　　上式中航迹段E上航点集合为p={p|p∈E}，?追为刚性约束的集合，若航迹段在刚性约束范围内，此航迹段威胁代价将无限大。

　　2.1.2 柔性约束模型

　　柔性约束条件又分为排斥约束和吸引约束两种。无人机在敌方空域执行任务时不可避免地会进入敌方雷达侦测、高炮威胁范围，需要尽量远离等情况都属于排斥约束模型的范畴；无人机需要随时保持和地面站的联系，确保处在数据链路覆盖范围内则属于吸引约束模型的范畴。相对于刚性约束而言，临近约束边缘的威胁代价不会发生突变。根据约束特性计算柔性约束威胁代价如下式：

　　上式中航迹段E上航点p距威胁源或链路覆盖中心距离为r(p)，I(r(p))为约束模型的计算公式，航迹段威胁代价为单约束代价航迹段积分。

　　2.1.3 飞行约束的评价标准

　　无人机航路评价目前没有统一的标准形式。本文将评价函数设为各个约束模型的威胁代价沿航路积分与总航迹距离的加权。航路评价函数形式如下式：

　　上式中i为航路中第i航迹段，ar、al、as为对应的约束模型的权重因子，f(s)为总航程。依据航路评价函数迭代求解评价最小的航路即为无人机航路的最优解。评价函数不仅形式简单直观，并且对不同约束条件可以设置不同的权重因子，侧重不同的约束类型，可以生成不同侧重点的最优航迹。

　　2.2 基于LPRM航路规划

　　概率地图法(Probabilistic Roadmap Method，PRM)因具有模型构建简单，几何计算需求小，扩展性好等特性而被广泛应用于解决二维路径规划问题[6]。然而无人机规划空间从二维平面拓展到立体空间，需要扩展的航迹点集将呈指数型爆炸增长，限制了PRM在大场景无人机航路规划中的应用。针对此问题，本文提出LPRM的方法，应用网格数据结构的限制条件及无人机飞行参数特性，实现了三维大场景条件下航路的快速搜索规划。

　　LPRM法将规划区域以特定高度间隔dinterval进行分层，高度间隔根据无人机最大爬升/下降角设定；再对单层空间进行特定边长Lgridsize的网格划分，最后再完成分层网格化的构造区域，以等密度进行随机采样航路点。三维规划空间的分层网格化如图3所示。

　　根据分层网格化产生的随机航路点集和合适的搜索算法，即可得到满足航路评价函数的最优航路。传统基于PRM方法的A*搜索算法在航迹点扩展时需要考虑所有满足最小飞行距离和最大飞行距离的航迹点，而LPRM方法利于网格的邻接关系、最小俯仰角度及最大转弯角度等飞行性能参数约束，快速剔除大部分无效网格区域，最大限度地缩小搜索范围，提高搜索效率。

　　对于地形为100 km×100 km×20 km的区域进行航线规划，LPRM算法中网格大小为5 km，垂直层间隔为500 m，采样密度为1/km2。

　　对算法进行统计比较，结果如表1所示。学习阶段边的个数LPRM算法比传统PRM算法减少2个数量级；在查询阶段， LPRM对节点扩展进行剪枝，节点扩展数量减小1个数量级，因此算法耗时大约差3个数量级，因此LPRM算法效率显著提高。

　　2.3 超大场景真实视景仿真

　　超大场景真实视景仿真主要包括：超大地形构建、三维模型的建立和程序调度三部分。超大地形构建时利用Terrain vista软件对卫星影像和高程信息进行匹配，并对地形信息(如机场、建筑和海域等)进行编辑；三维模型的建立主要利用Creator建模软件构建无人机、运动目标模型，并标识模型的运动属性；程序调度主要利用Vega prime软件对场景和模型集成为ACF配置文件，利用Vega Prime提供的灵活可控的C语言程序设计接口，将ACF文件嵌入到VS2008编译环境下建立的程序框架当中。通过响应鼠标键盘等设备输入，完成交互控制，同时接收来自无人机地面控制软件发送来的位置姿态相关数据，实现无人机飞行任务仿真。超大场景视景仿真构建图如图4、图5。

　　本次构建的场景为海南岛临海地区，需要在地形构造时考虑海洋特效，主要包括海浪、船首尾浪花、航迹流和漂浮物等。这些海面效果利用Vega下的VpMarine模块进行开发。船首尾浪花和航迹流与舰船关联，受舰船的运动状态影响。

　　视景仿真软件不仅呈现无人机的飞行姿态信息，而且要呈现光学载荷视角的场景以及场景内移动目标的信息。光学载荷视角仿真是通过载荷姿态信息和无人机当前位姿信息，进行相应的场景坐标与载荷坐标系的转换，在载荷视角窗口呈现对应场景。移动目标的仿真采用接收外部位姿数据更新和录制回放更新两种方式，外部位姿数据更新方式和无人机的仿真相同，录制回放更新方式则依靠RecordingPlay类录制手动操控移动目标在场景内的运动（包括移动目标位姿、特效），在实时仿真阶段通过录制文件的回放控制视景中的移动目标。

　　视景仿真中的移动目标追踪功能采用碰撞检测技术和外部算法两种场景移动目标追踪方式。在光学载荷模拟视频界面上选取运动目标，通过Isector类进行运动碰撞检测，通过场景坐标与屏幕坐标转换得到目标模型的位置信息，调整载荷视角姿态，实现运动目标的跟踪效果；外部追踪的方式则是采用ABS(Absolute Balance Search)算法，用模板图像和待匹配图像上的搜索窗口间的像素灰度值的差别来判定二者的相关性实现运动目标跟踪效果。

3 系统软件平台设计

　　3.1 航路规划软件

　　无人机航路规划软件依托于MapInfo环境地图化技术，以控件的方式提供对象联接与嵌入式的开发，支持Windows下绝大多数标准可视化开发环境，将MapInfo地图应用功能及基于LPRM规划方法嵌入到MFC框架中。主要实现三方面功能：地图管理、主航路规划及任务区域规划和航迹导航。

　　(1)地图管理

　　实现电子地图的加载、漫游、缩放、移动、测距、标记和比例尺等功能。并能直观地显示标记点或者点选位置的经纬度等信息。

　　(2)主航路规划和任务区域规划

　　程序中添加航路规划算法和任务区规划策略，根据需求的飞行任务直接选取起始航点、配置障碍威胁环境等，生成规划航路信息。任务区规划是在航路规划基础上，根据任务要求和环境信息进行任务区航路重规划。任务区规划流程包括：①任务区范围比较，确定航路需要重规划区域及关键航点/航向；②删除原任务区航路段，根据载荷、环境、天气等因素确定栅格规划宽度、覆盖范围参数，重规划出栅格式航路；③基于监测覆盖率和最优路径规则给出任务区规划评价。如图6、图7所示。

　　规划结果分析：基于LPRM的航迹规划算法复杂度较传统PRM法有数量级的下降。通过模拟不同的场景下的LPRM法航迹规划，规划耗时在4 min左右，规划速度满足离线规划要求。

　　(3)航迹导航

　　显示目标飞行区域的电子地图，准确标示飞机当前位姿及飞行航迹，为无人机提供导航平台。

　　3.2 视景仿真软件

　　视景仿真模拟软件依托于Vega Prime 3d仿真引擎，实现三维场景中实现模型、场景、环境操作等功能，运用OpenAL库模拟无人机、飞机等物体的声音。主要实现三方面功能：虚拟环境编辑、视景仿真及机载载荷模拟和移动目标模拟及追踪。

　　(1)虚拟环境编辑

　　实现在线环境编辑功能，可以对威胁源进行添加、删除、修改；也可从文件载入威胁源信息、保存环境配置信息；可以接收规划的航路信息，进行航路的显示。如图8所示。

　　(2)视景仿真及机载载荷模拟

　　视景仿真实现飞行场景显示及飞行姿态仿真，机载载荷模拟包括载荷视角的场景仿真及载荷姿态仿真；具备遥测参数显示功能，仿真显示的参数包括无人机位置信息、飞行姿态信息、状态信息等，如图9所示。

　　(3)移动目标模拟及追踪

　　实现外部数据控制运动模型及手动控制模式下移动目标模拟；实现载荷视角下的ABS算法移动目标追踪仿真。如图10所示。

　　本文测试计算机配置如下：

　　CPU: AMD Athlon(tm) X4 760K  RAM:2.43GB

　　Graphics: NVIDIA GeForce GT740

　　可以同时显示无人机三维飞行特性和载荷跟踪特性，图像帧连续，三维场景震撼真实，通过键盘快捷键可以调整无人机观测姿态、三维场景的天气变化等。

4 结论

　　无人机航路规划及视景仿真系统是无人机模拟仿真系统的重要组成部分，具有重要的现实意义和工程实用价值。本文以某无人机项目为依托，在实验室环境下构建了无人机航路规划及视景仿真系统软件系统，为实际的无人机项目的研究中的关键技术进行攻关，部分成果经过适应性改进就可以应用到实际无人机项目中。本文设计的通用化软件框架及开发中关键技术的解决方案，对该领域相关问题有较好的参考价值。

　　参考文献

　　[1] 孙丽卿，张国峰，王行仁.无人机仿真训练系统[J].计算机仿真，2006，23(2)：44-46.

　　[2] 闵昌万，袁建平.军用飞行器航迹规划综述[J].飞行力学，1998(4)：14-19.

　　[3] 毛红保，田松，晁爱龙.无人机任务规划[M].北京：国防工业出版社，2015.

　　[4] YING W U，FEN R U，LIU R H.3D visual simulation of UAV flight scene[J].Microprocessors，2011.

　　[5] YANG L，QI J，XIAO J，et al.A literature review of UAV 3D path planning[C].11th World Congress on Intelligent  Control and Automation(WCICA 2014).2015：2376-2381.

　　[6] POPPINGA J，BIRK A，PATHAK K，et al.Fast 6-DOF path planning for autonomous underwater vehicles(AUV) based on 3D plane mapping[C].International Symposium onSafety，Security，and Rescue Robotics.Kyoto，Japan：IEEE，2011：345-350.

　　[7] LI Q R，WEI C，WU J，et al.Improved PRM method of low altitude penetration trajectory planning for UAVs[C].Proceedings of 2014 IEEE Chinese Guidance，Navigation andControl Conference，Yantai，China：IEEE，2014：2651-2654.

　　[8] OVERMARS M H，MARK H.A random approach to motionplanning[J].RUU-CS，1992.

　　[9] KAVRAKI L E，SVESTKA P，LATOMBE J-C，et al. Probabilistic roadmaps for path planning in high-dimensionalconfiguration spaces[J].Robotics and Automation，IEEE Transactions，1996，12(4)：566-580.

　　[10] AMATO N M，BAYAZIT O B，DALE L K，et al.Choosinggood distance metrics and local planners for probabilistic roadmap methods[C].International Conference on Robotics and Automation.Leuven，Belgium：IEEE，1998，1：630-637.

　　[11] 王振华，章卫国.基于改进概率地图的无人机实时避障研究[J].计算机工程与应用，2010，46(25)：220-222.

　　[12] 杨文平，李俨.无人机三维实时航迹规划仿真平台[J].计算机仿真，2011，28(8)：41-46.

　　[13] LI Q，WEI C，WU J，et al.Improved PRM method of low altitude penetration trajectory planning for UAVS[C].Guidance，Navigation and Control Conference(CGNCC)，2014 IEEE Chinese，IEEE，2015：2651-2656.

　　[14] 邹明皓.视景仿真技术在无人机任务规划中的应用与研究[D].成都：电子科技大学，2011.

　　[15] 张雄，叶榛，朱纪洪，等.基于虚拟现实的无人驾驶飞机仿真训练系统[J].系统仿真学报，2002，14(8)：1022-1025.

　　[16] 王乘，李利军，周均清，等.Vega实时三维视景仿真技术[M].武汉：华中科技大学出版社，2005.

　　[17] 王乘，李利军，周均清.Creator可视化仿真建模技术[M].武汉：华中科技大学出版社，2005.

　　[18] 王孝平，董秀成，等.Vega Prime实时三维虚拟现实开发技术[M].成都：西南交通大学出版社，2012.