1.一种多任务端到端的无人机巡航与编队维持方法，其特征在于，包括以下步骤：步骤1，获取无人机及环境信息，输入动态编队控制模块，用以控制无人机群在飞行过程中保持预定的编队行进以规避障碍物；步骤2，根据动态环境的变化，由自适应策略模块计算并实时输出无人机的飞行策略和路径规划；步骤3，每一架无人机独立处理局部环境信息，确保无人机集群的全局协调；步骤4，无人机按照最终生成的决策信号进行无人机的巡航和编队维持；所述的动态编队控制模块根据合成势场进行无人机运动更新，所述的合成势场的总合力计算公式为：F total (q)＝F att (q)+∑F rep (q)+∑F drone (q)，其中，F total (q)为总合力，用以指导无人机的运动方向和速度，∑表示对所有相关对象进行求和，F att (q)表示引力矢量，指向目标位置，其计算公式为：F att (q)＝-k att (q-q goal )，q表示当前无人机的位置向量，q goal 表示目标位置向量，k att 为引力系数，表示引力的强度，F rep (q)表示斥力矢量，指向远离障碍物的方向，其计算公式为：其中，ρ(q)表示无人机到障碍物的距离，ρ 0 为斥力影响范围，斥力作用的最大距离，k rep 为斥力系数，表示斥力的强度， 表示距离函数的梯度，方向为从障碍物指向无人机，F drone (q)表示无人机间的斥力矢量，计算公式为：其中，d(q)表示当前无人机与其他无人机的距离，d 0 表示无人机间的安全距离，k drone 为无人机间斥力系数， 表示距离函数的梯度，方向为从其他无人机指向当前无人机。
2.根据权利要求1所述的一种多任务端到端的无人机巡航与编队维持方法，其特征在于，所述的自适应策略模块包括以下步骤：结合多任务学习的特征，获取当前状态S t 并处理输入：S t ＝MTL(X t ,E t ,P t )其中，X t 为无人机自身状态，E t 为环境信息，P t 为任务优先级；基于当前状态S t 和优先级信息，调整策略选择的权重： 其中，λ为调整系数，P t 为任务优先级，W为权重矩阵，A t 表示当前时刻的最优动作，A表示可选动作集，Q表示动作价值函数；使用Q学习算法，结合未来的折扣奖励，更新动作价值函数Q：Q(S t , 其中，α为学习率，γ为折扣因子，用于衡量未来奖励的重要性，A ′ 表示下一时刻可能的动作，Q(S t ,A t )为动作价值函数，表示在状态S t 下执行动作A t 所能获得的预期总奖励，R t 表示即时奖励；利用多任务学习优化后的策略网络，通过梯度下降法更新策略网络参数，以最小化策略选择的损失函数： 其中，θ为策略网络参数，η为学习率， 表示梯度， 为损失函数，损失函数的计算公式为：其中， 表示期望。
3.根据权利要求2所述的一种多任务端到端的无人机巡航与编队维持方法，其特征在于，步骤3中所述的无人机独立处理局部环境信息包括以下步骤：无人机i通过传感器感知自身及邻近环境信息，并与邻近无人机交换信息，形成局部环境信息集合L i 和邻近无人机信息集合N i ；无人机i基于局部环境信息集合L i 和邻近无人机的信息集合N i ，独立计算最优决策D i ，计算公式为： 其中，A i 为无人机i可执行的动作集合，Q(L i ,A i ,N i )为动作价值函数，表示在局部信息L i 和邻近无人机信息N i 下执行动作A i 所能获得的预期总奖励；通过与邻近无人机的通信和信息交换，确保无人机i的决策D i 与其邻近无人机的决策在全局目标上保持一致性，避免决策冲突，D′ i ＝Cooperate(D i ,D neighbors )，其中，D neighbors 为邻近无人机的决策集合，Cooperate为协同函数，用于调整决策以避免冲突，D′ i 为协同之后的局部决策。
4.根据权利要求2所述的一种多任务端到端的无人机巡航与编队维持方法，其特征在于，步骤3中所述的无人机独立处理局部环境信息包括以下步骤：将感知到的局部环境信息集合L i 和邻近无人机的信息集合N i 进行融合，生成局部状态表示，并提取关键特征V i ，V i ＝f fusion (L i ,N i )其中，f fusion 表示特征融合函数，提取的关键特征V i 作为后续决策的输入；根据实时环境和任务的重要性，动态调整任务的优先级，生成任务权重W i ，以确保关键任务得到优先处理；利用强化学习算法计算每个动作在当前局部状态下的价值Q(V i ,A i ,W i )，Q(V i ,A i ,W i )＝RL(V i ,A i ,W i )，其中，RL表示强化学习模型，通过训练生成的Q值函数对每个可能的动作进行价值评估；根据计算的Q值，选择价值最高的动作作为当前的最优决策D i ， 这一步骤确保无人机能够在当前状态下做出收益最大的决策，A i 为无人机i可执行的动作集合，Q(V i ,A i ,W i )为动作价值函数，表示在特征向量V i 和任务权重W i 下执行动作A i 所能获得的预期总奖励；通过与邻近无人机的信息交换，协调和调整决策，避免决策冲突，确保无人机群体行为的一致性：D‘ i ＝Cooperate(D i ,D neighbors )，其中，D neighbors 为邻近无人机的决策集合，Cooperate为协同函数，D′ i 为协同之后的局部决策，通过协同机制对决策进行微调，使无人机群体中的个体行为相互兼容。
5.根据权利要求3或4所述的一种多任务端到端的无人机巡航与编队维持方法，其特征在于，所述的协同函数用以实现决策一致性调整，包括以下步骤：无人机i从邻近无人机处收集更新后的决策信息，形成完整的决策信息矩阵；对决策信息矩阵进行分析，计算每对无人机之间的决策一致性误差E i ，即在相同时间步下各无人机的路径点之间的偏差，其计算公式为：E i (j,k)＝‖P j ′ (t)-P ′ k (t)‖，其中，P j ′ (t)和P ′ k (t)表示无人机j和k在时间步t的调整后路径点，如果误差大于某个预设的容忍阈值e tol ，则认为存在一致性问题；对于每个存在一致性误差的无人机对j和k，计算一致性调整向量ΔP ij ，以最小化路径的偏差，一致性调整向量的计算公式为：其中，α为调整系数，控制调整的幅度；将一致性调整向量应用于相应的无人机，更新它们的路径，以减少全局上的一致性误差，更新公式为：其中， 表示与无人机i相邻的无人机集合，最终的决策输出为调整后的路径P i ″ 。
