本发明属于机械学习、路线规划，具体地说，涉及一种基于深度强化学习的无人机集群会合方法。
背景技术：
1、为了实现无人机集群对某一目标区域实行精确打击或者对完成某个区域的侦查搜索任务，提高完成任务的成功率，往往需要多个无人机从不同方向飞向某一目标区域完成会合任务。传统解决无人机集群会合任务多使用基本一致性算法和基于过去状态差值的一致性算法，这些算法系统收敛速度慢，任务完成时间比较长，有效性和可行性较低。
2、但是现有的无人机在建立集群的时候大多数是为一个特点的运行轨迹，该种运行轨迹保证了无人机在飞行的时候两两之间的间距处于相似的情况下，但是现有的无人机在飞行的时候可能会出现前一刻飞行轨迹和后一刻的轨迹中两两无人机的飞行距离可能会出现变化，而在产生变化较大的时候往往无法进行及时更改，导致在一段时间内处于这种状态，因此容易使得无人机集群摆放的形状等出现和预期的效果差距较大的情况。
3、有鉴于此特提出本发明。
技术实现思路
1、为解决上述技术问题，本发明采用技术方案的基本构思是：
2、一种基于深度强化学习的无人机集群会合方法,包括以下方法：
3、s1、建立神经网络系统，并将无人机和神经网络系统建立联系；
4、s2、通过神经网络系统预算出无人机飞行的轨迹路线，并根据预设的飞行轨迹路线让无人机进行预设飞行，同时使多个无人机处于无人机集群状态，并保留此时的无人机集群状态形状且进行显示；
5、s3、基于无人机在进行飞行的时候可能会遇到高空阻碍物；
6、s4、基于上述无人机遇到高空阻碍物，并通过控制系统控制无人机的飞行速度，同时重新预设规划无人机飞行路线，使得重新预设规划的飞行轨迹依然符合飞机初始化集群形态；
7、s5、根据上述重新预设的飞行轨迹，此时将显示在神经网络系统上，并根据神经网络中前一刻的无人机集群形状和预设的无人机集群飞行轨迹中无人机集群形状进行模拟匹配；
8、s6、基于上述当无人机集群躲避高空障碍物时，此时依然处于原先的无人机集群形状下。
9、作为本发明的一种优选实施方式，基于上述s1中的具体网络神经系统和无人机建立联系的具有方法为：用户通过登录网络神经系统，并使得网络神经系统能够打开，此时用户基于所需要使用的无人机之间通过蓝牙建立无线连接，同时的无人机的信息能够反应在网络神经系统上。
10、作为本发明的一种优选实施方式，基于上述s2中的预算飞行轨迹和让无人机集群进行显示的具体方法步骤为：用户根据无人机所需要达到的要求在网络神经系统上进行编辑，让多个无人机能够建立无人机集群，当无人机建立集群的时候， 此时能够将建立的集群信息图像等进行传输到神经网络系统上进行反应，此时用户根据无人机的起始位置和终点位置，基于这两点之间在神经网络系统上规划无人机处于集群状态下其最佳行驶轨迹。
11、作为本发明的一种优选实施方式，基于上述s4中无人机在行驶的过程中遇到高空阻碍物重新预设规划无人机飞行路线的具体的方法为：无人机集群在飞行的时候，此时在控制占用的面积较大，且两两无人机之间存在一定的间距，而当其中一个无人机前面行驶的时候遇到高空阻碍物的时候，此时该无人机将能够通过本身的摄像功能更将信息传输到神经网络系统上，当神经网络系统接收到这一信号时，此时将能够通过处理器对其进行紧急处理，在处理的过程中将能够对无人机的飞行速度和飞行轨迹做出重新调整，同时使得无人机在处理后还能够保持初始化集群无人机形态。
12、作为本发明的一种优选实施方式，基于上述s5中无人机集群进行模拟匹配的具体方法为：当处理器预设好一条路线的时候，此时将会进行预处理，在进行预处理的时候将形成新的无人机集群轨迹信息，且能够将该信息反应在经网络系统上，并通过处理单元将该信息提取出来和飞机集群初始位置的信息进行匹配，判断其是否存在相似：当相似的时候则无人机能够继续飞行，当不相似的时候则判断为需要重新对无人机飞行轨迹和速度进行修改，不断重复上述步骤，直至飞机得到相似命令才能够继续飞行，并使得无人机集群按照修订后的命令飞行。
13、作为本发明的一种优选实施方式，基于上述s6中无人机躲避高空障碍物后的具体飞行方法为：无人机在躲避高空障碍物后，且此时依然处于集群状态下，同时此时也已经按照重新规划后的路线进行飞行的，因此此时通过经网络系统中的处理单元将无人机的飞行速度恢复到躲避障碍物前的飞行速度。
14、作为本发明的一种优选实施方式，基于上述具体的模拟匹配步骤为：无人机在建立无人机集群时，此时会将无人机集群的信息传输至经网络系统内，而通过经网络系统能够实时反应无人机集群飞行时一定时间端的无人机集群信息和前一刻无人机的飞行时间在经网络系统上进行匹配，判断信息是否出现相似的情况；当信息相似的时候，则使得无人机能够保持正常飞行，当信息出现不相似的情况则通过控制系统控制无人机集群整个无人机进行减速，并通过经网络系统处理单元对飞行速度和飞行轨迹进行重新修订，根据修订后的结果让无人机继续飞行，而无人机在飞行的时候，此时则在一定时间段内继续和前一刻的无人机飞行信息在经网络系统上进行匹配。
15、本发明与现有技术相比具有以下有益效果：
16、本发明，无人机在建立无人机集群时，此时会将无人机集群的信息传输至经网络系统内，而通过经网络系统能够实时反应无人机集群飞行时一定时间端的无人机集群信息和前一刻无人机的飞行时间在经网络系统上进行匹配，判断信息是否出现相似的情况；当信息相似的时候，则使得无人机能够保持正常飞行，当信息出现不相似的情况则通过控制系统控制无人机集群整个无人机进行减速，并通过经网络系统处理单元对飞行速度和飞行轨迹进行重新修订，根据修订后的结果让无人机继续飞行，而无人机在飞行的时候，此时则在一定时间段内继续和前一刻的无人机飞行信息在经网络系统上进行匹配，这样能够保证无人机集群在飞行的时候和预期的差距一定程度上变小。
17、下面结合附图对本发明的具体实施方式作进一步详细的描述。
1.一种基于深度强化学习的无人机集群会合方法，其特征在于，包括以下方法：
2.根据权利要求1所述的一种基于深度强化学习的无人机集群会合方法，其特征在于，基于上述s1中的具体网络神经系统和无人机建立联系的具有方法为：用户通过登录网络神经系统，并使得网络神经系统能够打开，此时用户基于所需要使用的无人机之间通过蓝牙建立无线连接，同时无人机的信息能够反应在网络神经系统上。
3.根据权利要求1所述的一种基于深度强化学习的无人机集群会合方法，其特征在于，基于上述s2中的预算飞行轨迹和让无人机集群进行显示的具体方法步骤为：用户根据无人机所需要达到的要求在网络神经系统上进行编辑，让多个无人机能够建立无人机集群，当无人机建立集群的时候， 此时能够将建立的集群信息图像等进行传输到神经网络系统上进行反应，此时用户根据无人机的起始位置和终点位置，基于这两点之间在神经网络系统上规划无人机处于集群状态下其最佳行驶轨迹。
4.根据权利要求1所述的一种基于深度强化学习的无人机集群会合方法，其特征在于，基于上述s4中无人机在行驶的过程中遇到高空阻碍物重新预设规划无人机飞行路线的具体的方法为：无人机集群在飞行的时候，此时在控制占用的面积较大，且两两无人机之间存在一定的间距，而当其中一个无人机前面行驶的时候遇到高空阻碍物的时候，此时该无人机将能够通过本身的摄像功能更将信息传输到神经网络系统上，当神经网络系统接收到这一信号时，此时将能够通过处理器对其进行紧急处理，在处理的过程中将能够对无人机的飞行速度和飞行轨迹做出重新调整，同时使得无人机在处理后还能够保持初始化集群无人机形态。
5.根据权利要求1所述的一种基于深度强化学习的无人机集群会合方法，其特征在于，基于上述s5中无人机集群进行模拟匹配的具体方法为：当处理器预设好一条路线的时候，此时将会进行预处理，在进行预处理的时候将形成新的无人机集群轨迹信息，且能够将该信息反应在经网络系统上，并通过处理单元将该信息提取出来和飞机集群初始位置的信息进行匹配，判断其是否存在相似：当相似的时候则无人机能够继续飞行，当不相似的时候则判断为需要重新对无人机飞行轨迹和速度进行修改，不断重复上述步骤，直至飞机得到相似命令才能够继续飞行，并使得无人机集群按照修订后的命令飞行。
6.根据权利要求1所述的一种基于深度强化学习的无人机集群会合方法，其特征在于，基于上述s6中无人机躲避高空障碍物后的具体飞行方法为：无人机在躲避高空障碍物后，且此时依然处于集群状态下，同时此时也已经按照重新规划后的路线进行飞行的，因此此时通过经网络系统中的处理单元将无人机的飞行速度恢复到躲避障碍物前的飞行速度。
7.根据权利要求1所述的一种基于深度强化学习的无人机集群会合方法，其特征在于，基于上述具体的模拟匹配步骤为：无人机在建立无人机集群时，此时会将无人机集群的信息传输至经网络系统内，而通过经网络系统能够实时反应无人机集群飞行时一定时间端的无人机集群信息和前一刻无人机的飞行时间在经网络系统上进行匹配，判断信息是否出现相似的情况；当信息相似的时候，则使得无人机能够保持正常飞行，当信息出现不相似的情况则通过控制系统控制无人机集群整个无人机进行减速，并通过经网络系统处理单元对飞行速度和飞行轨迹进行重新修订，根据修订后的结果让无人机继续飞行，而无人机在飞行的时候，此时则在一定时间段内继续和前一刻的无人机飞行信息在经网络系统上进行匹配。
