CN107808040B - 基于变尺度空间邻域评估的无人机模型验证方法 - Google Patents
基于变尺度空间邻域评估的无人机模型验证方法 Download PDFInfo
- Publication number
- CN107808040B CN107808040B CN201710952807.9A CN201710952807A CN107808040B CN 107808040 B CN107808040 B CN 107808040B CN 201710952807 A CN201710952807 A CN 201710952807A CN 107808040 B CN107808040 B CN 107808040B
- Authority
- CN
- China
- Prior art keywords
- flight
- area
- model
- unmanned aerial
- aerial vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及航空航天领域,为给出针对不同特征指令区域的直观可靠的定量评价,根据无人机的特点,针对不同的特征指令区域进行不同尺度的模型评价验证。满足不同任务需求,给出灵活的多尺度评价方法,为无人机模型的建立提供可靠的模型验证方法,为模型的安全使用提供保障,减少新型无人机模型使用的风险,节约开发成本,具有很好的应用前景与经济价值。本发明采用的技术方案是,基于变尺度空间邻域评估的无人机模型验证方法,针对机动飞行区域、平滑飞行区域、任务飞行区域不同的特征指令区域,进行不同尺度的模型评价验证,满足不同任务需求,给出灵活的多尺度评价方法。本发明主要应用于航空航天场合。
Description
技术领域
本发明涉及航空航天领域,主要涉及无人机复杂数学模型的验证问题。具体讲,涉及基于变尺度空间邻域评估的无人机模型验证方法。
背景技术
近来年,无人飞行技术突飞猛进,涉及军事及民用诸多领域。建立精确有效的无人机飞行器数学模型是研究无人机相关技术的关键,数学模型的描述将会帮助研究人员分析无人机特性,为控制器设计提供依据,也是推动着无人机核心技术发展的关键。为了设计获得性能更好、可靠性更高、更加安全可靠的无人机,设计者们需要更加适合的数学模型。
模型验证方法用于评价无人机数学模型的适用性。无人机数学模型建立的过程,需要全面描述空气流体特性、发动机特性、结构弹性特性、气动/推进/结构耦合特性、执行机构特性等,不可避免的需要进行简化,并引入建模误差,同时外界环境复杂多变,存在很多未知因素,因此建模人员无法给出完全吻合实际无人机飞行输出的数学模型。因此需要研究模型验证理论,来评判所建立模型与真实模型之间差别的大小,并以此评价模型的可靠性。
早期的模型验证工作一般由数学模型建立人员完成,采用建立的数学模型输出与真实飞行数据进行直观对比的方法。为了提高模型验证结论的客观性,模型验证工作逐渐独立于建模工作,如灰色关联法、小波变换方法、蒙特卡洛方法等。
这些模型验证方法均在整体模型输出空间内进行统一评价。无人机数学模型在反应不同的特征指令状态时,其涉及到的物理规律,受到的外界扰动影响、对模型参数的敏感性均不同。复杂且精度高的无人机数学模型可能在很多任务特征区域的表现都会优于经过简化及近似处理的无人机数学模型,其执行误差相较于实际无人机要小很多。但是过于复杂的无人机数学模型,会给控制器设计、地面仿真实验带来困难,甚至基于模型的控制器设计方法会因为数学模型的形式复杂(如强非线性、强耦合特性、非最小相位特性等)而无法使用,使得很多性能良好的控制方法无法直接应用于无人机的实际飞行控制。简单的根据从数学模型和实际飞行数据之间整体空间内的误差,来评价无人机数学模型难以体现无人机不同特征指令区域的不同要求,获得更加适合的复杂程度适中,精度可接受的无人机数学模型。
为了解决这一问题,本发明从实际无人机飞行任务特点出发,提出了一种打破整体输出空间统一评价的方法,采用变尺度的思路,将无人机数学模型整体输出空间区分考虑,重点细化三种特征指令状态:机动飞行区域(参考指令机动性较大的飞行轨迹区域)、平滑飞行区域(参考指令机动性较小的飞行轨迹区域,甚至保持原有飞行状态)、任务飞行区域(执行特定的设计任务指令区域)。针对不同飞行状态(如飞行速度、飞行高速、飞行姿态等)特征,在机动飞行轨迹区域、平稳飞行轨迹区域、任务飞行轨迹区域等具有不同特征要求的空间邻域内,有差别的评价模型质量。
通过对现有技术的检索,并未发现类似专利。特别是针对飞速发展的无人机,缺乏合适的模型验证方法对数学模型进行客观可靠的评价。该项技术可以为模型验证提供新途径,为建模工作提供模型验证角度的反馈建议,为控制提供设计和决策依据,从而能够为无人机最终的安全、稳定、可靠飞行,并高质量的完成任务提供有效保证。
发明内容
为克服现有技术的不足,本发明旨在给出针对不同特征指令区域的直观可靠的定量评价,根据无人机的特点,针对不同的特征指令区域进行不同尺度的模型评价验证。满足不同任务需求,给出灵活的多尺度评价方法,为无人机模型的建立提供可靠的模型验证方法,为模型的安全使用提供保障,减少新型无人机模型使用的风险,节约开发成本,具有很好的应用前景与经济价值。本发明采用的技术方案是,基于变尺度空间邻域评估的无人机模型验证方法,针对机动飞行区域、平滑飞行区域、任务飞行区域不同的特征指令区域,进行不同尺度的模型评价验证,满足不同任务需求,给出灵活的多尺度评价方法,其中:
机动飞行区域,是指无人机的参考指令机动性较大,包含飞行速度、飞行高度、飞行姿态短时间内的较大改变,具体包括:爬升飞行指令、加速飞行指令、转弯避障飞行指令、转向飞行指令,这些机动飞行指令以参考指令的变换率体现,采用指令信号对时间的导数大小进行机动性判断;
平滑飞行区域,是指无人机的参考指令机动性较小,甚至是保持原有飞行速度、飞行高度、飞行姿态等的飞行,包括:巡航飞行指令、悬停飞行指令,该特征飞行指令区域,指令特点为变化率低,采用指令信号对时间的导数大小进行机动性判断;
任务飞行区域,是指无人机执行设计任务的指令区域,该特征飞行指令区域,在指令设计之初被设计人员标定。
进一步地细化步骤包括:
①数据采集,将待验证数学模型和作为标准的实际无人机实物设置在相同的工作环境中,采用相同的无人干预闭环验证结构以保证无人机工作在合理的轨迹范围内,并设置相同的参考指令以及闭环控制器参数,得到随时间改变的待验证数据和标准数据;
②参考指令特征分区,依据无人机飞行特点和任务需求,将验证数据和飞行数在时间域内据按照指令特征进行分区,打破统一评价模型整体输出数据的局限,给出使用者依据不同指令特征进行多尺度评价的新的验证自由度,具体细化机动飞行轨迹区域、平稳飞行轨迹区域和任务飞行轨迹区域;
③特征区域内数据采样,待验证模型输出和实际飞行数据同时在时间域内按照划分的多指令特征分区进行时间截取,在截取的不同特征区域内,进行等时间间隔采样;
④统一尺度偏差求取,将待验证模型数据和实际飞行标准数据,在统一尺度范围内,进行偏差求取,作为变尺度邻域偏差计算的基础;
⑤变尺度邻域偏差计算,定义变尺度下空间邻域验证偏差值,并对偏差值进行变尺度邻域递推计算,获得灵活多尺度的待验证模型多邻域值评价;
⑥给出评价决策图及定量评价指标,清晰展示多尺度下的待验证模型定量验证结论。
在一个实例中,具体步骤如下:
步骤①数据采集,在相同的闭环验证结构中,采集得到的随时间改变的待验证数据和标准数据作为后续计算步骤的原始数据基础;
步骤②参考指令特征分区,按照机动飞行区域、平滑飞行区域、任务飞行区域划分无人机飞行参考指令,使得模型使用者可以对不同飞行区域给出不同的评价指标;
机动飞行区域,截取该区域第i个待验证模型实时反馈输出状态为其中,t为仿真或飞行时长,实际无人机飞行的实时数据为其中,该机动飞行轨迹区域截取的时间段为从时刻tv到/>tv为机动参考指令起始时间,/>为机动参考指令终止时间;
步骤③特征区域内数据采样,在待验证无人机模型输出及实际飞行数据输出分别在截取的三个关键区域进行等时间间隔采样,采样点分别为机动飞行区域Nv个采样点,平滑飞行区域Ns个采样点,任务飞行区域Na个采样点;
步骤④统一尺度偏差求取,分别在机动飞行区域、平滑飞行区域和任务飞行区域进行区域采样点取值差值xe,l(t)的求取,其中l=v,s,a分别表示三个特征区域,具体求取公式如下:
步骤⑤变尺度邻域偏差计算,取Sk,l为特征区域l的尺度值,Sk,l=k,k=1,2,...,Nl,该值将根据特征区域l内的采样点个数Nl进行从1至采样点数Nl的循环遍历取邻域值,其中,l=v,s,a分别表示三个特征区域,定义变尺度下空间邻域验证偏差值为:
步骤⑥给出评价决策图及定量评价指标,提供图形形式的决策指导图,该图横坐标为选取的变尺度Sk,l=k,k=1,2,...,Nl,纵坐标为变尺度下空间邻域验证偏差值,在不同特征指令区域,体现评分值随尺度变化的取值情况,决策者可以根据实际模型使用环境侧重,选取合适的变尺度空间,对待验证模型进行客观评价,评价指标取为综合考虑三个特征指令飞行轨迹区域的变尺度下空间邻域验证偏差值其中,αl,l=v,s,a为每个特征指令飞行轨迹时间域内的参考系数,由模型使用者设定。/>
本发明的特点及有益效果是:
本发明针对各特征飞行轨迹区域,进行变尺度空间邻域评估。可以分别得到随尺度变化而改变的定量评价指标,根据模型使用者的需要,可以在每个特征区域选择合适的参考尺度,对两个待验证模型进行分析。综合考虑三个特征区域的评价指标可以得到定量的模型验证结果。当需要重点考虑某个飞行时间域时,可以增加采样点,细化该特征区域的尺度邻域,随时改变尺度重新评估。本发明提出的模型验证方法,可以详细给出变尺度空间邻域下的定量评价结果,突出重点模型评价环节,使得模型验证工作可以便捷的更改侧重点。
社会效益及经济效益:此项发明对无人机的研究具有十分重要的推动意义。本发明可以提供有效的模型验证方法,不仅缓解了目前日趋复杂的数学模型与模型分析和控制器设计之间的存在的矛盾,同时有助于提高无人机系统开发初期的模型可信度,为模型的可靠应用提供依据,加快新模型投入使用的进程,降低使用风险,缩短研究周期,既快速高效又节省开支。无人机作为未来潜在的载人、运输、打击、探测、救援等工具,促进其相关技术的发展加快研究进程,将具有较高的经济价值。
附图说明:
附图1多无人机模型验证结构图。
附图2基于变尺度空间邻域评估的无人机模型验证方法。
附图3特征指令分区示例图。
附图4变尺度空间邻域评估结果。
附图5模型验证软件实现界面图。
具体实施方式
本发明的目的在于提出一种适用于无人机的模型验证方法。
有些无人机以快速高效的执行任务为主要评价标准,可以容忍一定程度的飞行过程损伤,以及到达执行任务地点的途径飞行路径误差,则可以适当放宽平稳飞行区域、机动飞行区域对数学模型的精度要求,而任务执行区域需要重点评价。如军事用途的精确打击作战无人机、执行人员搜救工作的抗灾无人机等。有些无人机以安全飞行为主要评价标准,可以牺牲一些达到目的地时的位置精度,但是飞行过程中需要有效避障、精确路径飞行,安全无损伤。如在城市交通环境中的以运输物资为目的无人机,人口密集城市中建筑物日常测绘用无人机、从目标区域执行返航任务对自身无人机存活要求高的无人机等。
本发明提出的无人机数学模型验证方法,将给出针对不同特征指令区域的直观可靠的定量评价,根据无人机的特点,针对不同的特征指令区域进行不同尺度的模型评价验证。满足不同任务需求,给出灵活的多尺度评价方法,为无人机模型的建立提供可靠的模型验证方法,为模型的安全使用提供保障,减少新型无人机模型使用的风险,节约开发成本,具有很好的应用前景与经济价值。
本发明旨在克服现有技术的不足,以理论方法和虚拟仿真技术相结合为主要研究手段,针对无人机数学模型的验证评价问题,提出适用于区分考虑机动飞行区域、平滑飞行区域、任务飞行区域的特征指令区域实际要求的客观无人机数学模型验证方法。并借助于计算机虚拟仿真,对本发明所提方法进行了仿真验证。
机动飞行区域,是指无人机的参考指令机动性较大,包含飞行速度、飞行高度、飞行姿态短时间内的较大改变,如爬升飞行指令、加速飞行指令、转弯避障飞行指令、转向飞行指令等。这些机动飞行指令以参考指令的变换率体现,可以采用指令信号对时间的导数大小进行机动性判断。
平滑飞行区域,是指无人机的参考指令机动性较小,甚至是保持原有飞行速度、飞行高度、飞行姿态等的飞行,如巡航飞行指令、悬停飞行指令等。该特征飞行指令区域,指令特点为变化率低,可以采用指令信号对时间的导数大小进行机动性判断。
任务飞行区域,是指无人机执行设计任务的指令区域。无人机设计人员,对无人机的飞行要求核心的部分为使其可以顺利完成设计任务,如特定区域图像采集、定点运送物资、移动目标跟踪、精确打击目标等。该特征飞行指令区域,可以在指令设计之初被设计人员标定。
基于变尺度空间邻域评估的无人机模型验证方法包括以下六个步骤:①数据采集,将待验证数学模型和作为标准的实际无人机实物设置在相同的工作环境中,采用相同的无人干预闭环验证结构以保证无人机工作在合理的轨迹范围内,并设置相同的参考指令以及闭环控制器参数,得到随时间改变的待验证数据和标准数据。②参考指令特征分区,依据无人机飞行特点和任务需求,将验证数据和飞行数在时间域内据按照指令特征进行分区,打破统一评价模型整体输出数据的局限,给出使用者依据不同指令特征进行多尺度评价的新的验证自由度,具体细化机动飞行轨迹区域、平稳飞行轨迹区域和任务飞行轨迹区域。③特征区域内数据采样,待验证模型输出和实际飞行数据同时在时间域内按照划分的多指令特征分区进行时间截取,在截取的不同特征区域内,进行等时间间隔采样。④统一尺度偏差求取,将待验证模型数据和实际飞行标准数据,在统一尺度范围内,进行偏差求取,作为变尺度邻域偏差计算的基础。⑤变尺度邻域偏差计算,定义变尺度下空间邻域验证偏差值,并对偏差值进行变尺度邻域递推计算,获得灵活多尺度的待验证模型多邻域值评价。⑥给出评价决策图及定量评价指标,清晰展示多尺度下的待验证模型定量验证结论。
以一种典型乘波体高速无人机纵向机理模型为例,应用本发明提出模型验证方法,分别对该模型的不同拟合简化数学模型进行了模型验证。
将采用机理推导方法建立的典型高速无人机精确纵向数学模型作为验证标准。俄亥俄州立大学研究团队针对不同控制器设计方法的使用为目的,针对该类典型乘波体高速无人机模型提出了不同方式的拟合简化模型方法,针对精确机理模型采用该简化方法得到两个无人机简化数学模型,将这两个无人机简化数学模型作为待验证模型。应用本发明提出的基于变尺度空间邻域评估的无人机模型验证方法,针对这两个不同的简化模型进行了模型验证。
参考指令特征区域信息为:
总飞行时长 | 机动飞行时间域 | 平稳飞行时间域 | 任务飞行时间域 |
10秒 | 4-7.5秒 | 0秒-4秒 | 7.5秒-10秒 |
分别针对机动飞行时间域、平稳飞行时间域和任务飞行时间域进行数据采样,机动飞行时间域采样时间为0.1秒,平稳飞行时间域采样时间为0.2秒,任务飞行时间域采样时间为0.01秒。针对各特征飞行轨迹区域,进行变尺度空间邻域评估。可以分别得到随尺度变化而改变的定量评价指标,根据模型使用者的需要,可以在每个特征区域选择合适的参考尺度,对两个待验证模型进行分析。综合考虑三个特征区域的评价指标可以得到定量的模型验证结果。当需要重点考虑某个飞行时间域时,可以增加采样点,细化该特征区域的尺度邻域,随时改变尺度重新评估。本发明提出的模型验证方法,可以详细给出变尺度空间邻域下的定量评价结果,突出重点模型评价环节,使得模型验证工作可以便捷的更改侧重点。
社会效益及经济效益:此项发明对无人机的研究具有十分重要的推动意义。本发明可以提供有效的模型验证方法,不仅缓解了目前日趋复杂的数学模型与模型分析和控制器设计之间的存在的矛盾,同时有助于提高无人机系统开发初期的模型可信度,为模型的可靠应用提供依据,加快新模型投入使用的进程,降低使用风险,缩短研究周期,既快速高效又节省开支。无人机作为未来潜在的载人、运输、打击、探测、救援等工具,促进其相关技术的发展加快研究进程,将具有较高的经济价值。
下面结合附图对本发明作进一步详述。
参见图1,每个待验证无人机数学模型和作为验证标准的实际飞行无人机均采用自动控制模式,组成相对独立的闭环控制系统,无人为干预,排除人为操作造成的验证数据偏差。同时为保证验证数据的可靠性和客观性,带有反馈的闭环验证结构中采用相同的自动控制算法,并且取同一组控制参数。具体无人机飞行参考指令统一给出,采用典型参考指令统一发布给待验证模型系统和实际无人机飞行系统,包括平滑飞行、机动飞行和任务飞行相关指令,为飞行速度轨迹参考指令Vref、飞行高度轨迹参考指令href。取各待验证数学模型的实时反馈输出状态x1(t),x2(t)...xn(t)及实际无人机飞行的实时数据xM(t),其中t为飞行时间或仿真时间,包括无人机飞行速度、飞行高度、飞行姿态角及角速度等。其中,n为待验证数学模型个数。
参见图2,为本算法的具体实施流程图,具体步骤为:
步骤①数据采集,在相同的闭环验证结构中,采集得到的随时间改变的待验证数据和标准数据作为后续计算步骤的原始数据基础。
步骤②参考指令特征分区,无人机在不同特性的指令下飞行曲线特点不同,模型的使用者对其要求也不同。本发明按照机动飞行区域、平滑飞行区域、任务飞行区域划分无人机飞行参考指令,使得模型使用者可以对不同飞行区域给出不同的评价指标。
机动飞行区域,是指无人机的参考指令机动性较大,包含飞行速度、飞行高度、飞行姿态短时间内的较大改变,如爬升飞行指令、加速飞行指令、转弯避障飞行指令、转向飞行指令等。截取该区域第i个待验证模型实时反馈输出状态为实际无人机飞行的实时数据为/>其中,该机动飞行轨迹区域截取的时间段为从时刻tv到/>tv为机动参考指令起始时间,/>为机动参考指令终止时间。
平滑飞行区域,是指无人机的参考指令机动性较小,甚至是保持原有飞行速度、飞行高度、飞行姿态等的飞行,如巡航飞行指令、悬停飞行指令等。该特征飞行指令区域,指令特点为变化率低。截取该区域第i个待验证模型实时反馈输出状态为实际无人机飞行的实时数据为/>其中,该平滑飞行轨迹区域截取的时间段为从时刻ts到/>ts为平滑参考指令起始时间,/>为平滑参考指令终止时间。/>
任务飞行区域,是指无人机执行设计任务的指令区域。无人机设计人员,对无人机的飞行要求核心的部分为使其可以顺利完成设计任务,如特定区域图像采集、定点运送物资、移动目标跟踪、精确打击目标等。该特征飞行指令区域,可以在指令设计之初被设计人员标定。截取该区域第i个待验证模型实时反馈输出状态为实际无人机飞行的实时数据为/>其中,该任务飞行轨迹区域截取的时间段为从时刻ta到ta为任务参考指令起始时间,/>为任务参考指令终止时间。
具体特征指令区域划分如图3所示:横坐标为时间,纵坐标为参考指令xref,以实线部分显示的参考指令时域形式为例。图3中虚线包围的斜线阴影区域为机动指令飞行轨迹区域,指令变化率较大;空白区域为平稳指令飞行轨迹区域,指令变化率较小;点画线区域为任务指令飞行区域,指令取值依据飞行任务设计而定,可为任意形式。可见在参考指令全轨迹空间内,可能出现多个机动飞行区域、平稳飞行区域或任务飞行区域,对应着多个分散的时间段,采用表示第m个特征指令区域起始时刻,/>表示第m个特征指令区域终止时刻。
步骤③特征区域内数据采样,在待验证无人机模型输出及实际飞行数据输出分别在截取的三个关键区域进行等时间间隔采样,采样点分别为机动飞行区域Nv个采样点,平滑飞行区域Ns个采样点,任务飞行区域Na个采样点。
步骤④统一尺度偏差求取,分别在机动飞行区域、平滑飞行区域和任务飞行区域进行区域采样点取值差值xe,l(t)的求取,其中l=v,s,a分别表示三个特征区域,具体求取公式如下:
步骤⑤变尺度邻域偏差计算,取Sk,l为特征区域l的尺度值,该值将根据特征区域l内的采样点个数Nl进行从1至采样点数Nl的循环遍历取邻域值,其中,l=v,s,a分别表示三个特征区域,即:Sk,l=k,k=1,2,...,Nl。定义变尺度下空间邻域验证偏差值为:
步骤⑥给出评价决策图及定量评价指标,本发明提出的变尺度空间邻域法,为了给模型使用者提供更为直观的决策参考,将提供图形形式的决策指导图,该图横坐标为选取的变尺度Sk,l=k,k=1,2,...,Nl,纵坐标为变尺度下空间邻域验证偏差值。在不同特征指令区域,体现评分值随尺度变化的取值情况,决策者可以根据实际模型使用环境侧重,选取合适的变尺度空间,对待验证模型进行客观评价。评价指标取为综合考虑三个特征指令飞行轨迹区域的变尺度下空间邻域验证偏差值其中,αl,l=v,s,a为每个特征指令飞行轨迹时间域内的参考系数,可由模型使用者设定。
参见图4,以机动任务飞行轨迹为例,变尺度邻域偏差计算值会随着尺度的改变而改变,两个待验证模型表现出了不同的定量验证结果。根据该计算结果,决策者可以选择一个合适的尺度对待验证模型进行评价。图4(a)可见,机动任务飞行轨迹中,评价待验证模型的参考尺度范围可从1-20的变化区间进行改变,当尺度增加到10以上时,评价值基本不再改变,因此可以选择特征明显的尺度范围,由模型使用者依据计算结果选择合适的尺度邻域进行模型验证定量评价。图4(b)可见,该机动飞行轨迹时间区间为2.5秒,在该特征区间内,选择尺度为5的验证邻域对该待验证模型进行定量评价,可以定量的判断待验证模型的性能。当v=0,s=0,a=1时,即仅考虑任务飞行轨迹区间时,变尺度邻域偏差越小的待验证模型将优于变尺度邻域偏差大的待验证模型。当v,s,a≠0时,即可综合考虑三个特征指令轨迹飞行区域的评价结果。
参见图5,模型验证主控软件界面采用MFC设计,通过Matlab引擎技术与主控软件实现连接,整体软件功能嵌入到已有的临近空间飞行器仿真验证平台中。界面中包含六个功能区:闭环验证参数设置区域功能包括人物模式的设置,如机动爬升、避障飞行、目标跟踪等,状态输出的设置以及初始值和仿真时长的设置。实际无人机飞行区域功能包括采样频率的设置,速度、姿态、位置等数据载入验证平台的功能。参考指令设置区域功能包括飞行轨迹设置、飞行速度设置、姿态约束设置和关键任务的设置。待验证无人机数学模型区域包括Matlab/Sinulink功能入口,以及待验证数据的导入。变尺度设置区域功能包括算法关键参数的人机交互设置,以及尺度的人为选取。图形显示区域的功能包括显示参考指令,时间段的显示及设置,变尺度邻域偏差值决策图的显示以及验证结果的展示。
Claims (3)
1.一种基于变尺度空间邻域评估的无人机模型验证方法,其特征是,针对机动飞行区域、平滑飞行区域、任务飞行区域三个特征指令区域,针对包括飞行速度、飞行高速、飞行姿态特征的不同飞行状态,在机动飞行轨迹区域、平稳飞行轨迹区域、任务飞行轨迹区域具有不同特征要求的空间邻域内,进行变尺度空间邻域评估,分别得到随尺度变化而改变的定量评价指标,其中:
机动飞行区域,是指无人机的参考指令机动性较大,包含飞行速度、飞行高度、飞行姿态短时间内的较大改变,具体包括:爬升飞行指令、加速飞行指令、转弯避障飞行指令、转向飞行指令,这些机动飞行指令以参考指令的变换率体现,采用指令信号对时间的导数大小进行机动性判断;
平滑飞行区域,是指无人机的参考指令机动性较小,包括保持原有飞行速度、飞行高度、飞行姿态的飞行,指令包括:巡航飞行指令、悬停飞行指令,该特征飞行指令区域,指令特点为变化率低,采用指令信号对时间的导数大小进行机动性判断;
任务飞行区域,是指无人机执行设计任务的指令区域,该特征飞行指令区域,在指令设计之初被设计人员标定。
2.如权利要求1所述的基于变尺度空间邻域评估的无人机模型验证方法,其特征是,进一步地细化步骤包括:
①数据采集,将待验证数学模型和作为标准的实际无人机实物设置在相同的工作环境中,采用相同的无人干预闭环验证结构以保证无人机工作在合理的轨迹范围内,并设置相同的参考指令以及闭环控制器参数,得到随时间改变的待验证数据和标准数据;
②参考指令特征分区,依据无人机飞行特点和任务需求,将验证数据和飞行数在时间域内据按照指令特征进行分区,具体细化为机动飞行轨迹区域、平稳飞行轨迹区域和任务飞行轨迹区域;
③特征区域内数据采样,待验证模型输出和实际飞行数据同时在时间域内按照划分的多指令特征分区进行时间截取,在截取的不同特征区域内,进行等时间间隔采样;
④统一尺度偏差求取,将待验证模型数据和实际飞行标准数据,在统一尺度范围内,进行偏差求取,作为变尺度邻域偏差计算的基础;
⑤变尺度邻域偏差计算,定义变尺度下空间邻域验证偏差值,并对偏差值进行变尺度邻域递推计算,获得灵活多尺度的待验证模型多邻域值评价;
⑥给出评价决策图及定量评价指标,清晰展示多尺度下的待验证模型定量验证结论。
3.如权利要求1所述的基于变尺度空间邻域评估的无人机模型验证方法,其特征是,具体步骤如下:
步骤①数据采集,在相同的闭环验证结构中,采集得到的随时间改变的待验证数据和标准数据作为后续计算步骤的原始数据基础;
步骤②参考指令特征分区,按照机动飞行区域、平滑飞行区域、任务飞行区域划分无人机飞行参考指令,使得模型使用者可以对不同飞行区域给出不同的评价指标;
机动飞行区域,截取该区域第i个待验证模型实时反馈输出状态为xi,1(t),t~(tv,tv),其中,t为仿真或飞行时长,实际无人机飞行的实时数据为其中,该机动飞行轨迹区域截取的时间段为从时刻tv到/>tv为机动参考指令起始时间,/>为机动参考指令终止时间;
步骤③特征区域内数据采样,在待验证无人机模型输出及实际飞行数据输出分别在截取的三个关键区域进行等时间间隔采样,采样点分别为机动飞行区域Nv个采样点,平滑飞行区域Ns个采样点,任务飞行区域Na个采样点;
步骤④统一尺度偏差求取,分别在机动飞行区域、平滑飞行区域和任务飞行区域进行区域采样点取值差值xe,l(t)的求取,其中l=v,s,a分别表示三个特征区域,具体求取公式如下:
步骤⑤变尺度邻域偏差计算,取Sk,l为特征区域l的尺度值,Sk,l=k,k=1,2,...,Nl,该值将根据特征区域l内的采样点个数Nl进行从1至采样点数Nl的循环遍历取邻域值,其中,l=v,s,a分别表示三个特征区域,定义变尺度下空间邻域验证偏差值为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710952807.9A CN107808040B (zh) | 2017-10-13 | 2017-10-13 | 基于变尺度空间邻域评估的无人机模型验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710952807.9A CN107808040B (zh) | 2017-10-13 | 2017-10-13 | 基于变尺度空间邻域评估的无人机模型验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107808040A CN107808040A (zh) | 2018-03-16 |
CN107808040B true CN107808040B (zh) | 2023-06-02 |
Family
ID=61584925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710952807.9A Active CN107808040B (zh) | 2017-10-13 | 2017-10-13 | 基于变尺度空间邻域评估的无人机模型验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107808040B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021035691A1 (zh) * | 2019-08-30 | 2021-03-04 | 深圳市大疆创新科技有限公司 | 无人机的仿真方法、仿真装置和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150446A (zh) * | 2013-03-21 | 2013-06-12 | 天津大学 | 临近空间飞行器模型验证与仿真实现方法 |
WO2017120618A1 (en) * | 2016-01-06 | 2017-07-13 | Russell David Wayne | System and method for autonomous vehicle air traffic control |
-
2017
- 2017-10-13 CN CN201710952807.9A patent/CN107808040B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150446A (zh) * | 2013-03-21 | 2013-06-12 | 天津大学 | 临近空间飞行器模型验证与仿真实现方法 |
WO2017120618A1 (en) * | 2016-01-06 | 2017-07-13 | Russell David Wayne | System and method for autonomous vehicle air traffic control |
Non-Patent Citations (1)
Title |
---|
《基于SIFT算法的无人机视觉导航研究》;刘学等;《无线电工程》;20170531;第19-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107808040A (zh) | 2018-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145161B (zh) | 无人机访问多目标点的航迹规划方法及装置 | |
CN113155880B (zh) | 一种采用无人机和xrf技术对土壤重金属污染的检测方法 | |
CN109866752A (zh) | 基于预测控制的双模式并行车辆轨迹跟踪行驶系统及方法 | |
Subramani et al. | Risk-optimal path planning in stochastic dynamic environments | |
CN110703762A (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
WO2019076044A1 (zh) | 移动机器人局部运动规划方法、装置及计算机存储介质 | |
CN108958238B (zh) | 一种基于协变代价函数的机器人点到区路径规划方法 | |
CN108334677B (zh) | 一种基于gru网络的uuv实时避碰规划方法 | |
CN112435275A (zh) | 一种融合卡尔曼滤波和ddqn算法的无人机机动目标追踪方法 | |
CN110908395A (zh) | 改进的无人机航迹实时规划方法 | |
CN110110419A (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN108279563A (zh) | 一种速度自适应的无人车轨迹跟踪pid控制方法 | |
CN107480335A (zh) | 一种高超声速飞行器模型迭代设计方法 | |
CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
Sun et al. | Safe and smooth motion planning for mecanum-wheeled robot using improved RRT and cubic spline | |
CN114020009B (zh) | 一种小型固定翼无人机地形突防规划方法 | |
CN110309909A (zh) | 一种高速大范围机动目标轨迹的智能实时预测方法 | |
CN108759841B (zh) | 一种复杂环境下的快速航路规划方法 | |
Niu et al. | UAV track planning based on evolution algorithm in embedded system | |
CN104573285A (zh) | 一种基于飞行员动作特征的驾驶舱布局设计方法 | |
CN112819303A (zh) | 基于pce代理模型的飞行器追踪效能评估方法及系统 | |
CN107808040B (zh) | 基于变尺度空间邻域评估的无人机模型验证方法 | |
CN114370793A (zh) | 一种火箭子级返回与垂直着陆制导方法 | |
CN115826601A (zh) | 基于逆向强化学习的无人机路径规划方法 | |
Tian et al. | Enhancing feedback steering controllers for autonomous vehicles with deep monte carlo tree search |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |