1.一种多无人机协同穿越方法，其特征在于，包括：获取多无人机协同穿越的场景信息，进行信息采集，并生成数据集；根据多无人机协同穿越的场景信息，对穿越框进行建模，得到穿越框的模型；根据多无人机协同穿越的场景信息，对每个无人机进行建模，得到每个无人机的动力学模型；根据每个无人机的动力学模型，结合二次规划优化方法，构建每个无人机的模型预测控制框架；获取每个无人机的历史轨迹序列，构建神经网络，并以数据集作为神经网络的输入，对神经网络进行训练，得到训练好的神经网络；将训练好的神经网络，内嵌到模型预测控制框架中，形成多无人机的分布式模型预测控制框架；根据当前无人机的分布式模型预测控制框架、穿越框的模型和当前无人机的动力学模型，对当前无人机以及其他无人机进行路径预测规划，输出当前无人机的动作，并遍历所有无人机，得到每个无人机的实时位置；根据每个无人机的实时位置，进行多无人机协同穿越；根据多无人机协同穿越的场景信息，对每个无人机进行建模，得到每个无人机的动力学模型，包括：根据多无人机协同穿越的场景信息，得到每个无人机的状态向量；根据每个无人机的状态向量，在目标函数的约束下，得到每个无人机的控制向量；根据每个无人机的控制向量，得到每个无人机的线速度变换率以及姿态变化率；根据每个无人机的线速度变换率以及姿态变化率，对每个无人机进行动力学建模，得到每个无人机的动力学模型；目标函数包括： ；其中， ； ； ； ；式中， 为目标函数， 为目标接近项， 为轨迹跟踪项， 为控制平滑项， 为协同避碰项， 为第 时刻的状态， 为期望末端状态， 为正定矩阵， 为第 时刻， 为预测总步数， 为时间加权因子， 为第 架无人机第 步的预测状态， 为第 步的参考状态， 为状态误差权重矩阵， 为第 架无人机在第 步的控制输入， 为悬停状态下的控制输入， 为控制权重矩阵， 为预测的其他无人机的步数， 为第 架无人机， 为第 架无人机， 为避碰增益参数， 为无人机当前位置， 为第 架无人机在第 步的位置， 为正数。
2.根据权利要求1所述的一种多无人机协同穿越方法，其特征在于，获取多无人机协同穿越的场景信息，进行信息采集，并生成数据集，包括：获取多无人机协同穿越的场景信息，得到初始环境状态；根据初始环境状态得到初始观测信息和初始状态信息；根据初始观测信息和初始状态信息，为每个无人机构造对应的高斯策略；在每个无人机的高斯策略中进行随机采样，得到每个无人机的初始动作，并形成一组候选动作；将候选动作与环境进行交互，得到奖励指标和通过指标；根据奖励指标和通过指标，计算样本权重，并更新每个无人机的高斯策略；根据更新后的策略，形成新的候选动作，并将新的候选动作、初始环境状态、初始观测信息以及初始状态信息作为当前采样时刻的数据；更新环境状态，将新的候选动作发送至环境，以驱动系统更新，得到下一环境状态、下一观测信息和下一状态信息；根据下一观测信息和下一状态信息，得到下一候选动作，并将下一候选动作、下一环境状态、下一观测信息以及下一状态信息作为下一采样时刻的数据；循环更新环境状态，直至采样周期结束时，根据所有采样时刻的数据，生成数据集。
3.根据权利要求1或2所述的一种多无人机协同穿越方法，其特征在于，根据多无人机协同穿越的场景信息，对穿越框进行建模，得到穿越框的模型，包括：根据多无人机协同穿越的场景信息，定义穿越框的状态向量；对穿越框进行受力分析，并根据穿越框的状态向量，得到穿越框的摆动角度的变化量；根据穿越框的摆动角度的变化量，得到穿越框的中心位置的表达式；根据穿越框的中心位置的表达式，得到穿越框的角点位置的表达式；根据穿越框的角点位置的表达式，得到穿越框的中心位置，并作为穿越框的模型。
4.根据权利要求1或2所述的一种多无人机协同穿越方法，其特征在于，根据每个无人机的动力学模型，结合二次规划优化方法，构建每个无人机的模型预测控制框架，包括： ；式中， 为无人机的动力学模型， 为无人机的状态向量， 为无人机在惯性坐标系下的位置坐标， 为无人机对应的姿态四元数， 为无人机在惯性坐标系下的线速度分量， 为无人机的控制向量， 为机体坐标系下的总推力， 为机体坐标系下的角速度分量；进行Euler离散化： ；式中， 为无人机在 时刻的状态， 为无人机在 时刻的状态， 为控制时间步长， 为控制输入。
5.根据权利要求1或2所述的一种多无人机协同穿越方法，其特征在于，获取每个无人机的历史轨迹序列，构建神经网络，包括：获取历史轨迹序列，并通过线形嵌入层将其映射至高维特征空间，得到轨迹数据；设计编码器，并采用多头自注意力机制与前馈网络进行堆叠，以对轨迹数据中的时空依赖关系进行建模，得到编码器的输出；将编码器的输出作为残差增强型长短期记忆网络的输入，进行时序建模；设计多尺度因果卷积模块，对时序建模的结果进行处理，以调整无人机在短时窗内的微调动，得到初始神经网络；构建初始神经网络的多目标损失函数，得到神经网络。
6.根据权利要求1或2所述的一种多无人机协同穿越方法，其特征在于，以数据集作为神经网络的输入，对神经网络进行训练，得到训练好的神经网络，包括： ；式中， 为预测未来 步的输出， 为特征融合函数， 为Transformer的特征提取函数， 为长短期记忆网络的特征提取函数， 为CNN的特征提取函数， 为从时刻1到 的输入序列。
7.根据权利要求1或2所述的一种多无人机协同穿越方法，其特征在于，将训练好的神经网络，内嵌到模型预测控制框架中，形成多无人机的分布式模型预测控制框架，包括：将训练好的神经网络，内嵌到模型预测控制框架中，以在当前无人机的模型预测控制框架中加入其它无人机的状态和数量，得到当前无人机的分布式模型预测控制框架；根据所有无人机的分布式模型预测控制框架，形成多无人机的分布式模型预测控制框架。
8.一种多无人机协同穿越装置，其特征在于，采用权利要求1至7任一项所述的一种多无人机协同穿越方法，包括：第一模块，用于获取多无人机协同穿越的场景信息，进行信息采集，并生成数据集；第二模块，用于根据多无人机协同穿越的场景信息，对穿越框进行建模，得到穿越框的模型；第三模块，用于根据多无人机协同穿越的场景信息，对每个无人机进行建模，得到每个无人机的动力学模型；第四模块，用于根据每个无人机的动力学模型，结合二次规划优化方法，构建每个无人机的模型预测控制框架；第五模块，用于获取每个无人机的历史轨迹序列，构建神经网络，并以数据集作为神经网络的输入，对神经网络进行训练，得到训练好的神经网络；将训练好的神经网络，内嵌到模型预测控制框架中，形成多无人机的分布式模型预测控制框架；根据当前无人机的分布式模型预测控制框架、穿越框的模型和当前无人机的动力学模型，对当前无人机以及其他无人机进行路径预测规划，输出当前无人机的动作，并遍历所有无人机，得到每个无人机的实时位置；第六模块，用于根据每个无人机的实时位置，进行多无人机协同穿越。
