1.1无人机编队队形变换
1.1.1队形变换问题描述
图4.1给出了队形变化的示意图，图中红色飞机代表长机，其他飞机代表僚机，无人机编队由原三角形队形p “ R变换到目标矩阵队形R' N R。队形变换选择的路线和目标队形的位置是影响队形变换效率的两个主要因素。当目标队形确定时，选择不同的对应路线，其
效率是不一致的。本章队形变换问题主要研究如何选取最优的对应路线。定义队形变化的最优效率为由原队形变换到期望队形的时间最短。
F2 R P'
—韦
|| I
图4.1队形变换示意图
假设编队中有n架飞机，各飞机i变化前的位置为R，期望队形的位置为R'，飞机i从R到R 的变换效率为i，经过的时间为t i，走过的路程为s。则一次变换中的能量效率为：
n
W tran i 件1)
i 0
队形变换的时间和总的路程为：
T tran maX(l, t? , 1, t n ) (4.2)
n
S tran S (4・3)
i 0
则队形变换的最优解问题转换为求取当T tran最小时的各飞机间的对应关系。由第三章编
队保持阶段可以知道，本文的僚机跟踪过程需要根据纵向X轴的距离不断调整自己的速度。
只要保证距离期望点的位置距离最近，根据僚机纵向编队跟踪的串级RID控制系统，僚机
就能以最快的时间到达。则问题可以进一步转化为求取当Sran最小时的各飞机间的对应关
系。假设队形变换在无障碍物情况下进行变换，则R到R'时的直线路径最短，最后可以将
队形变化最优解问题简化为指派问题。编队中有n架飞机，则共有n n中对应关系。若最
优的对应方法为J( R, R )。则其数学表达式为：
J(R,R') mi n(S；an,S2an,|||,S n an n) (4.4) 1.1.2匈牙利算法的应用
匈牙利算法又名为Munkres分配算法，该算法最早由匈牙利数学家D e nes K?nig和Jen?
P i
，长机还是作为目标编队中的
长机。这样只需将 Egerv d r 提出
［59］
。该算法可以用于解决指派问题，最坏情况下运行的时间复杂度为
O n 3
匈牙利算法的问题描述为：有
n 工人和n 任务，每个任务只能分配给一个工人，每个
工人去执行不同任务所需的费用不一样。如何分配使得总费用最小。
匈牙利算法的输入为效益矩阵 A n n ，输入矩阵必须为方阵。 该算法包括以下四个步骤。 前两个步骤执行一次，而步骤 3和步骤4重复执行，直到找到最佳分配：
步骤1遍历矩阵中的所有行，找到每一行的最小值，然后在对应行中将所有元素减去 对应的最小值。
步骤2:遍历矩阵中的所有列，找到每一列的最小值，然后在对应列中将所有元素减 去对应的最小值。
步骤3：使用尽可能少的标记线覆盖效益矩阵中的全部零元素。如果需要 n 行，则零元
素表示最佳分配的对应元素。算法停止。如果需要少于
n 行，请继续执行步骤 4。
步骤4:在步骤3中找到一条线未覆盖的最小元素 （称为k ）。从所有未发现的元素中减 去k ，并将k 添加到所有覆盖两次的兀素中。返回步骤
3。
从上述的分析知道，只要能构造出效益矩阵，便能运行上面四个步骤求解到最优的分配 序列。现将该算法应用到实际的编队队形变换中，
定义最大效益为让编队在执行队形变换前
后，各无人机飞行的路径总和最短。假设在原编队中第 i 架飞机与期望编队队形中第 j 架飞
机的距离为可。则效率矩阵可以表示为：
S ln
:
（4.
5）
考虑到编队队形保持阶段， 所有僚机都以长机作为基点且长机处于自动模式。 如果原队 形中的长机分配到目标队形中的僚机，
可能会造成编队队形很长时间才能收敛，
而且涉及到
编队内飞机之间的模式和角色切换， 增加了编队稳定飞行的难度。 因此本文决定，长机之间
的指派方式固定，以图 4.1为例，长机的对应关系为 P
n-1僚机之间构成效益矩阵即可。式
（4.5）变成:
A(n-1) (n-1)
(4.6
)
基于深度增强学习的无人机编队控制技术研 究 1. 无人机编队控制技术概述 无人机编队控制技术是将多架无人机连接起来，形成一个编队来完成各种任务的控制技术。这种技术的实现需要多架无人机之间进行信息交换和协调工作，因此需要高效的通信和控制系统。近些年来，随着深度增强学习技术的发展，无人机编队控制技术也得到了很大的提升，具备了更高的智能化和自主化水平。 2. 深度增强学习技术介绍 深度增强学习技术是指通过神经网络模拟人脑神经元的处理方式进行学习和决策，从而实现智能化的任务处理能力。它不同于传统的机器学习方法，具备更高的适应性和学习能力，能够实现更加复杂任务的处理和推理。 3. 无人机编队控制中的深度增强学习应用 在无人机编队控制中，深度增强学习技术可以用来实现以下功能： （1）路径规划：通过深度学习模型能够学习掌握不同飞行环境下的安全路径规划策略，使编队无人机能够更加灵活地应对不同场景。 （2）协同工作：深度学习模型能够实现多个无人机之间的信息共享和决策协同，从而更加高效地完成任务。 （3）避障检测：深度学习模型能够识别无人机周围的障碍物，并及时做出避让决策，避免发生碰撞和事故。 （4）跟踪识别：深度学习模型能够对目标进行跟踪和识别，并使编队无人机能够更加精准地锁定和跟踪目标。
4. 深度增强学习的优势 与传统的无人机编队控制技术相比，深度增强学习技术具有以下优势： （1）更高的自主性：深度增强学习技术能够通过学习不同任务的策略和规律，具备更高的智能化和自主性，能够在不同的环境中做出适应性更强的决策。 （2）更高的适应性：深度增强学习技术在处理任务时能够动态地进行迭代和 优化，能够自我调整和适应不同场景，具备更高的灵活性。 （3）更加高效：深度增强学习技术能够实现对信息的自动提取和处理，从而 可以实现更高效的决策和执行，提高任务完成速度和质量。 5. 发展趋势 未来，无人机编队控制技术将越来越向着智能化和自主化方向发展。深度增强 学习技术将不断得到完善和优化，成为无人机编队控制的核心技术之一。由于这种技术具有更高的自主性和适应性，因此能够为无人机编队控制技术带来更加出色的表现，也将促进无人机编队控制技术的发展和应用。
1.1无人机编队队形变换 1.1.1队形变换问题描述 图4.1给出了队形变化的示意图，图中红色飞机代表长机，其他飞机代表僚机，无人机编队由原三角形队形p “ R变换到目标矩阵队形R' N R。队形变换选择的路线和目标队形的位置是影响队形变换效率的两个主要因素。当目标队形确定时，选择不同的对应路线，其 效率是不一致的。本章队形变换问题主要研究如何选取最优的对应路线。定义队形变化的最优效率为由原队形变换到期望队形的时间最短。 F2 R P' —韦 || I 图4.1队形变换示意图 假设编队中有n架飞机，各飞机i变化前的位置为R，期望队形的位置为R'，飞机i从R到R 的变换效率为i，经过的时间为t i，走过的路程为s。则一次变换中的能量效率为： n W tran i 件1) i 0 队形变换的时间和总的路程为： T tran maX(l, t? , 1, t n ) (4.2) n S tran S (4・3) i 0 则队形变换的最优解问题转换为求取当T tran最小时的各飞机间的对应关系。由第三章编 队保持阶段可以知道，本文的僚机跟踪过程需要根据纵向X轴的距离不断调整自己的速度。 只要保证距离期望点的位置距离最近，根据僚机纵向编队跟踪的串级RID控制系统，僚机 就能以最快的时间到达。则问题可以进一步转化为求取当Sran最小时的各飞机间的对应关 系。假设队形变换在无障碍物情况下进行变换，则R到R'时的直线路径最短，最后可以将 队形变化最优解问题简化为指派问题。编队中有n架飞机，则共有n n中对应关系。若最 优的对应方法为J( R, R )。则其数学表达式为：
J(R,R') mi n(S；an,S2an,|||,S n an n) (4.4) 1.1.2匈牙利算法的应用 匈牙利算法又名为Munkres分配算法，该算法最早由匈牙利数学家D e nes K?nig和Jen?
1.1 无人机编队队形变换 1.1.1 队形变换问题描述 图4.1给出了队形变化的示意图，图中红色飞机代表长机，其他飞机代表僚机，无人机编队由原三角形队形16P P 变换到目标矩阵队形''16P P 。队形变换选择的路线和目标队形的位置是影响队形变换效率的两个主要因素。当目标队形确定时，选择不同的对应路线，其效率是不一致的。本章队形变换问题主要研究如何选取最优的对应路线。定义队形变化的最优效率为由原队形变换到期望队形的时间最短。 1P 4P 5P 2 P 3P 6P '1P '2P ' 4P '3P '6P ' 5P 图4.1 队形变换示意图 假设编队中有n 架飞机，各飞机i 变化前的位置为i P ，期望队形的位置为' i P ，飞机i 从i P 到'i P 的变换效率为i ξ，经过的时间为i t ，走过的路程为i s 。则一次变换中的能量效率为： 0n tran i i W ξ==∑ (4.1) 队形变换的时间和总的路程为： 12max(,, ,)tran n T t t t = (4.2) n tran i i S s ==∑ (4.3) 则队形变换的最优解问题转换为求取当tran T 最小时的各飞机间的对应关系。由第三章编队保持阶段可以知道，本文的僚机跟踪过程需要根据纵向x 轴的距离不断调整自己的速度。只要保证距离期望点的位置距离最近，根据僚机纵向编队跟踪的串级PID 控制系统，僚机就能以最快的时间到达。则问题可以进一步转化为求取当tran S 最小时的各飞机间的对应关系。假设队形变换在无障碍物情况下进行变换，则i P 到'i P 时的直线路径最短，最后可以将队形变化最优解问题简化为指派问题。编队中有n 架飞机，则共有n n ?中对应关系。若最优的对应方法为' (,)i i J P P 。则其数学表达式为： '12(,)min(,,,)n n i i tran tran tran J P P S S S ?= (4.4) 1.1.2 匈牙利算法的应用 匈牙利算法又名为Munkres 分配算法，该算法最早由匈牙利数学家Dénes K?nig 和Jen?
无人机编队原理 无人机编队是指多架无人机按照一定的规则和策略进行组织和协同行动的一种方式。无人机编队技术的发展与应用，使得无人机在军事、民用等领域具备了更多的应用潜力和战略价值。 无人机编队的原理主要包括通信协同、集群控制和路径规划三个方面。 通信协同是实现无人机编队的基础。无人机之间通过无线通信技术进行信息的交换和传递，以达到协同行动的目的。比如，一架无人机可以作为领航者，负责与其他无人机进行通信，并向其他无人机传递指令和控制信息。通过合理的通信协议和通信机制，无人机编队可以实现信息共享、任务分配和指挥控制，从而提高编队的整体性能和协同效率。 集群控制是实现无人机编队的关键。无人机编队需要实现各个无人机之间的位置和速度的协调和同步。集群控制算法可以根据编队任务的要求和无人机的动力学特性，计算出每个无人机的最优控制指令，使得编队中的无人机能够保持一定的间隔和队形，协同完成任务。常用的集群控制算法包括基于传感器数据的自适应控制、基于模型预测的优化控制等。 路径规划是实现无人机编队的基本要求。无人机编队需要根据任务要求和环境条件，规划合理的航迹和路径。路径规划算法可以根据
无人机的位置、目标位置和环境约束，计算出最优的路径，使得编队中的无人机能够按照预定的轨迹进行飞行。常用的路径规划算法包括A*算法、Dijkstra算法等。 无人机编队技术的应用非常广泛。在军事领域，无人机编队可以用于侦察、监视、打击等任务，提高作战效能和战场优势。在民用领域，无人机编队可以用于航拍、物流配送、灾害救援等任务，提高工作效率和资源利用率。此外，无人机编队还可以应用于科学研究、环境监测、交通管理等领域，为社会发展和进步做出贡献。 无人机编队技术是一种重要的无人机应用技术，具有广泛的应用前景和发展空间。通过通信协同、集群控制和路径规划等原理，无人机编队可以实现多架无人机的协同行动，提高编队的整体性能和协同效率。无人机编队技术的发展将为军事、民用等领域带来更多的应用创新和发展机遇。
无人机编队飞行控制方法 无人机编队飞行控制方法 引言 在无人机技术的快速发展中，无人机编队飞行控制成为一项重要 的研究领域。通过编队飞行，多架无人机可以实现协同作战、搜索救援、航拍等各种任务，具有广阔的应用前景。本文将详细介绍几种常 见的无人机编队飞行控制方法，包括以下几个方面： •中心控制方法 •分布式控制方法 •基于视觉的控制方法 •基于遗传算法的控制方法 1. 中心控制方法 中心控制方法是指通过一个中心节点对整个无人机编队进行控制 和协调。具体实现方式可以是将所有无人机连接到同一个中心控制器，或者通过无线通信的方式实现中心控制。这种方法适用于任务比较简 单且编队规模较小的情况。 •优点： –控制简单，易于实现；
–可以实现高度协同的编队飞行。 •缺点： –单点故障问题，如果中心节点失效，整个编队将无法正常飞行； –编队规模受限，不适用于大规模编队运行。 2. 分布式控制方法 分布式控制方法是指每个无人机都具有一定的自主决策能力，通过协同合作实现编队飞行。每个无人机通过相互通信交换信息，并根据规则进行调整和协调。这种方法适用于任务复杂、编队规模较大的情况。 •优点： –没有单点故障问题，每个无人机可独立运行； –适用于大规模编队，具有良好的可扩展性。 •缺点： –控制复杂，需要对各个无人机之间的通信和决策进行合理设计； –需要较高的计算能力和通信能力。
3. 基于视觉的控制方法 基于视觉的控制方法是指通过无人机的摄像头或其他传感器获取环境信息，并根据这些信息进行编队飞行控制。通过对各个无人机位置和姿态的识别和跟踪，实现编队的控制和协调。 •优点： –不依赖于外部设备，无需额外的传感器或通信设备； –可以实现对多种环境的自适应控制。 •缺点： –受限于传感器的性能和环境条件，可能存在识别误差； –对计算能力和算法要求较高。 4. 基于遗传算法的控制方法 基于遗传算法的控制方法是指通过模拟生物进化过程，对编队飞行控制策略进行优化。通过遗传算法的搜索和优化能力，找到最优的控制策略，实现编队的高效飞行。 •优点： –可以找到全局最优解，具有较强的优化能力； –自适应性强，适用于各种复杂环境。 •缺点： –计算复杂度高，需要较长的时间来搜索和优化解；
无人机协同编队控制方法心得体会 心得体会如下： 无人机协同编队能够有效弥补单一种类无人器的不足，扩大感知范围、提高感知精度，具有广阔的应用前景。而队形保持、轨迹跟踪是无人机无人车协同编队能够稳定工作的关键技术。在分析无人车和无人机运动模型的基础上，结合虚拟结构编队思想，研究了无人机无人车协同编队控制方法。主要完成以下工作： 1、在分析无人器常用坐标系的基础上，结合无人器运动特点，研究了四旋翼无人机和双轮差速驱动无人车的非线性运动模型。 2、根据无人机无人车编队的特点，采用虚拟结构策略解决队形保持问题。引入虚拟领航者，各编队成员分别通过与虚拟领航者保持编队坐标系中位置关系不变完成编队运动控制。(1)依据虚拟结构理论，分别研究无人机和无人车的轨迹跟踪控制。针对无人机实际飞控中姿态角约束问题，研究模型预测与反步法相结合的控制方法，将无人机外环位置控制的水平运动与高度控制分开。水平运动采用模型预测控制，将内环姿态角的输入约束带入外环运动输入；高度控制以及内环姿态角控制采用反步法控制器，并利用Lyapunov稳定性判据证明了其稳定性。与LQR控制器的对比仿真实验验证了所设计控制器的优越性。(2)研究了无人车模型预测控制方
法，增加速度信息得到可提供位置速度追踪的增广状态空间模型，增强运动追踪能力，提高无人车编队控制的响应。直线轨迹和曲线轨迹的编队仿真实验结果表明该控制方法在误差允许范围内。 3、针对无人机无人车在野外未知环境易丢失GPS信号以及GPS精度不够的问题，研究基于UWB的车载基站定位方式。在理论分析车载UWB 基站方法的基础上，基于四核Coretex-A9处理器Exynos 4412嵌入式平台研发了定位实验平台。模拟定位实验表明，在未进行数据处理的情况下动态定位误差在30cm以内，比GPS定位具有更高的精度，为编队队形保持提供了有效的相对位置数据。 以上就是我的心得体会。
无人机编队控制算法设计与优化 无人机编队控制是指通过控制多架无人机之间的协作，实现多 架无人机在空中组成编队并完成任务的过程。编队控制算法设计 与优化是研究如何有效地、安全地、稳定地控制无人机编队的关 键问题。本文将从编队控制算法设计及优化的角度出发，探讨无 人机编队控制的重要性、设计原则以及优化策略。 无人机编队控制的重要性不言而喻。编队控制可以提高无人机 任务的效率和灵活性，实现无人机之间的协同作战和任务协调。 在搜索救援、监测侦察、灾害救援等领域，无人机编队控制可以 对目标进行全方位的监测与观测，提供更全面的信息支持。同时，无人机编队控制也可以减轻单架无人机的负担，提高任务执行的 鲁棒性和可靠性。 在无人机编队控制算法的设计中，需要考虑多个方面的问题。 首先，需要确定编队中的无人机数量和布局形式。无人机数量的 选择要根据任务需求和资源限制进行权衡，合理确定编队的规模。布局形式的选择包括单纵列、矩形、队形等，不同的布局形式对 编队的性能和稳定性有着不同的影响。其次，需要确定编队中各 个无人机之间的通信方式和协作策略。通信方式可以选择直接通 信或者通过地面站进行中转通信，协作策略可以通过分布式控制 或者集中式控制来实现。不同的通信方式和协作策略会对编队的
时延、抗干扰能力和控制效果产生重要影响。最后，需要确定编 队控制算法的优化目标和性能指标。优化目标可以是编队的稳定性、收敛性、鲁棒性和能耗等。性能指标包括编队的协调性、稳 定性、队形保持性和路径规划的效果等。在算法设计过程中，需 要综合考虑这些因素，通过设计合适的控制策略和优化算法来提 高编队控制的性能和效果。 对于无人机编队控制算法的优化，有多种策略和方法可以选择。一种常用的优化方法是基于优化算法的无人机编队控制。例如， 遗传算法、粒子群算法、模拟退火算法等可以用于搜索最优的编 队参数和控制参数。这些算法通过迭代更新参数，逐渐寻找最优解，并具有较好的全局搜索能力。另一种常用的优化方法是基于 学习算法的无人机编队控制。例如，强化学习算法可以通过试错 学习的方式来优化对无人机编队的控制策略。通过与环境的交互，强化学习算法可以自动调整编队控制策略，逐渐提高编队控制的 性能和效果。同时，还可以考虑仿真平台和实验平台相结合的方式，通过大量的仿真和实验验证来优化无人机编队控制算法的性 能和鲁棒性。 此外，还需注意无人机编队控制算法的实时性和稳定性。编队 控制涉及到多架无人机之间的协同工作，需要在有限的时间内做 出合理的决策和调整，保持较高的实时性。同时，编队控制还需
无人机编队飞行的优化算法研究第一章绪论 随着科技的不断发展，无人机技术逐渐成为热门研究领域之一。在实际应用中，无人机编队飞行已经成为一种重要的飞行方式， 它可以在减小误差和增加安全性方面具有很大的优势。然而，编 队飞行存在着许多技术问题，其中之一是优化算法的设计。本文 就无人机编队飞行的优化算法进行研究和探讨。 第二章相关技术 2.1 无人机编队飞行 无人机编队飞行是指多架无人机通过特定的算法以协调和稳定 的方式飞行在一起，以实现特定的任务。编队的飞行可以是一直线、一个平面或者是三维空间内的飞行。编队可以根据任务要求 进行配置，每一架飞机都可以用来执行不同的任务，然而最重要 的是，每一架飞机飞行都需要遵循特定的规则，以保证编队的协 调性和无人机之间的安全间隔。 2.2 无人机优化算法 在无人机的自主飞行中，优化算法是实现编队飞行的核心部分。它需要考虑如何使无人机以最优的方式达到目标，同时保证编队 之间的同步性，控制器的参数优化和探测器配合等任务。目前流
行的优化算法包括遗传算法、离散差分进化算法、蚁群算法、粒子群优化算法等。这些算法被广泛应用于无人机的编队飞行中。 第三章无人机编队飞行优化算法研究 3.1 遗传算法 遗传算法是模拟自然遗传和进化中的一些机理，在控制器参数优化以及轨迹规划等方面，被广泛应用。遗传算法的原理是通过模拟自然中的生物进化过程，通过交叉、变异和选择等方式，实现对算法的优化。在无人机编队飞行中，遗传算法可以用来优化无人机之间的间隔和飞行速度，以实现编队飞行。 3.2 离散差分进化算法 离散差分进化算法（DE），是基于差分进化算法的一个变体，广泛应用于参数优化等方面。它通过引入进化因子，使优化过程的搜索效率变得更加高效和稳定。在无人机编队飞行中，DE可以被用来优化无人机的控制器以及避障路线规划等。 3.3 蚁群算法 在蚂蚁的走路路径规划中，蚁群算法可以通过模拟蚂蚁沿途释放的信息素，达到有效的路径规划目的。在无人机编队飞行中，蚁群算法可以被应用于无人机间的通信协议优化和路径规划等方面。
基于DSP的无人机编队视频跟踪技术 摘要：无人机编队飞行可协同完成任务，比单机执行任务效率更高。队形控制是实现编队飞行的关键技术之一。视觉跟踪技术能从视频序列中获得感兴趣目标的状态参数，故在编队中可以利用视觉信息进行目标检测与跟踪来确定邻机方位及距离信息，从而实现队形控制。首先利用视觉传感器获取无人机的运动图像，然后基于dsp 采用klt算法，计算出无人机在图像上的相对位移，实现无人机的跟踪。实验证明，跟踪结果准确性较高，满足实际应用的精度要求，可用于无人机编队稳定跟踪，为进一步解决无人机相对定位问题提供位移信息。 关键词：编队飞行；无人机；视觉目标跟踪； 引言 无人机在军事和民用等多个领域都有非常重要的应用，如军事方面的编队飞行、空中攻击，民用方面的空中交通管制等。无人机编队飞行是指多架无人机为适应任务要求而进行的某种队形排列和任 务分配的组织模式，它包括队形产生、保持和变化等。无人机协同编队飞行能够协同完成任务，有单机飞行无法比拟的优点，是无人机发展的一个重要趋势。但无人机实现编队飞行涉及到许多技术问题，其中队形控制是编队飞行的关键技术之一。无人机实现队形控制时，需获取自身及邻机的位置。传统上通过机间通信或地面通信站实现相对定位［1］。由于通信方式易受到干扰，而视觉传感方式价格低廉，获取的图片信息比较直观，能够动态记录目标连续运动
图像，不受地面杂波干扰等的影响，还可以从视频序列中获得感兴趣目标的状态参数，如位置、尺寸、速度等，因此在编队中利用视觉信息进行目标检测与跟踪，获得无人机在图像上的距离和角度信息，从而确定邻机方位及距离信息，得到了学者的广泛关注与研究。目前已有基于视觉的编队定位研究，如基于纹理图像的机器人编队定位［2］，但是要通过不同的纹理来标识不同的机器人；基于视觉传感器及激光扫描仪实现机器人编队定位［3］；基于红外标志灯的视觉编队方法［4］，但是如何正确的安放led灯需要根据不同飞机的不同情况来定。本文通过基于视觉的目标跟踪技术解决无人机编队相对定位的问题，跟踪过程中避免了对无人机进行某种特征的标记，并且基于dsp实现跟踪系统，对跟踪的可靠性有所提高。近些年来提出了许多方法用于跟踪视频序列中的运动目标，主要有基于运动模型的［5］、基于光流的［6］、基于特征的［7］跟踪等几类方法。光流法的优点在于光流携带了运动物体的运动信息以及有关景物三维结构的丰富信息。在光流法跟踪中，跟踪性能最优的就是klt算法［8］。 本文基于klt算法，以 tms320dm642 为图像处理平台，设计了一种基于 dsp 的运动目标跟踪系统，获取目标在图像上的位移量，及在每帧图像中的位置和大小，应用这些参数可以更新跟踪窗口，也可以对云台进行控制。 1跟踪算法 跟踪算法的基本思想是首先把彩色图像转化为灰度图像，然后图像
无人机编队机动飞行时的队形保持反馈控制 邵壮;祝小平;周洲;王彦雄 【摘要】为提高编队大机动时的队形保持能力，采用虚拟结构编队方法，基于李雅普诺夫直接法设计独立的非线性队形保持控制器，并在此基础上采用非线性模型预测控制方法设计含队形反馈的编队轨迹跟踪器。通过在代价函数中引入队形误差代价来实现队形反馈控制策略，并采用动态参数实现编队队形保持和沿参考轨迹飞行之间的自适应切换，各无人机通过滚动求解有限时域优化问题得到虚拟结构的控制指令。仿真结果表明，相较于无队形反馈的情况，所设计的含队形反馈轨迹跟踪器能够显著地降低编队大机动时的队形保持误差。%When executing a sharp maneuver, if the formation maneuver path is not well designed, a formation of UAVs constrained by their performance capabilities, may not be able to keep in satisfactory formation as desired. We,applying Lyapunov stability theory and using virtual structure approach , propose designing individually a non-linear controller for satisfactory formation keeping .Then,by applying nonlinear model predictive control approach , a trajectory tracker with formation feedback is designed to improve the capacity of formation keeping during a sharp maneuver.Formation feedback is achieved by adding a formation-error cost to the total cost function,and a dynamic parameter is proposed to obtain a trade-off between formation keeping and flying along prescribed trajectory adap -tively.Each UAV gets the reference commands of the virtual structure by solving a Finite Horizon Optimal Control Problem at each time step.Simulation results and their analysis suggest that, compared with