CN108170162B - 多尺度风扰分析无人机机群协调控制系统性能评估方法 - Google Patents
多尺度风扰分析无人机机群协调控制系统性能评估方法 Download PDFInfo
- Publication number
- CN108170162B CN108170162B CN201711492677.1A CN201711492677A CN108170162B CN 108170162 B CN108170162 B CN 108170162B CN 201711492677 A CN201711492677 A CN 201711492677A CN 108170162 B CN108170162 B CN 108170162B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cluster
- evaluation
- flight
- 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.)
- Expired - Fee Related
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 127
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000012827 research and development Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及航空航天领域,为实现安全性系统评估分析,为无人机系统模型建立工作提供反馈建议,并为智能水平越来越高的无人机群控算法提供设计依据,为多无人机最终的安全、稳定、可靠飞行提供保证。同时可以降低无人机机群试飞风险,缩短研发周期。本发明,多尺度风扰分析无人机机群协调控制系统性能评估方法,步骤如下:①引导者与执行者无人机任务执行分析,根据机群中各无人机任务定位不同分别定义引导者评估输出以及执行者评估输出;②多尺度风扰分析,通过分解无人机随机非线性方程给出机群中各无人机收到风扰动的输出;③安全性群控系统性能评估,定义多尺度下性能评估函数和机群整体任务评估函数。本发明主要应用于无人机系统评估场合。
Description
技术领域
本发明涉及航空航天领域,主要涉及多无人机组成的机群协调控制系统评估问题,具体讲,涉及多尺度风扰分析无人机机群协调控制系统性能评估方法。
背景技术
为了提高无人机飞行性能,越来越多的研究人员深入研究无人机高智能自动控制算法,提高控制器的鲁棒性、可靠性,致力于提升无人机闭环控制系统的综合性能,并由单机飞行扩展为多无人机机群协同工作完成复杂任务。
为了评估高智能控制系统的综合性能,需要合理并可靠的系统评估方法。系统评估将针对无人机闭环控制系统给出整体评价,并依据多无人机的工作环境和自身特点,详细分析无人机机群相互配合执行任务的性能,并给出使用者关心的评价指标。
随着无人机群控技术的发展、人工智能技术的进步、飞行任务需求的多样化、无人机的设计越来越复杂,多无人机机群的构成越来越多样化。其空气动力系统、飞行控制系统、发动机系统、弹性结构系统之间的耦合作用也越来越明显,群控系统不可避免的呈现高阶非线性特性。为了降低多机协调飞行试验以及群控飞行任务执行的风险,提高智能群控飞行的可靠性,研究定量分析的安全性评价方法至关重要。基于多尺度风扰分析的多无人机智能协调控制系统性能评估方法,将针对无人机群控系统的非线性、阶数高等特点,给出有针对性的定量闭环系统可靠性评价结果,将有助于提升无人机群飞行安全,大大降低实际飞行测试的资金消耗。
评价无人机闭环控制系统性能的思路,通常分为横向姿态控制性能评估、纵向飞行轨迹控制性能评估,该思路根据无人机数学模型的模态特点及飞行任务侧重分别研究性能评估方法。评价无人机闭环控制系统性能的具体方法,通常分为时域一致性分析方法以及频域一致性分析方法,该思路以稳定性和鲁棒性分析为核心方法,通过比较标称系统输出和待评估无人机控制系统输出一致性得到评估结果。
这些适用于无人机的控制系统性能评估算法,从单一无人机数学模型入手,考察单一无人机飞行任务执行能力,评估输入信号与输出信号之间的关系。然而,当多无人机共同协作完成统一任务时,整体群控系统数学模型将与单一无人机数学模型将产生很大不同。组成无人机群的独立无人机系统构成可能结构单一,模型阶数较低、特性简单,也可能负责重要群控任务使得结构复杂,模型阶数升高,且呈现非线性特性。针对这些结构不一致,复杂程度不一致的多个独立无人机数学模型,协调无人机机群的高智能群控算法,强调整体系统的控制能力,以及整体机群任务的完成能力,在群控整体目标要求下,单一无人机的姿态控制以及指令跟踪控制性能评估与机群协调控制性能评估目标也将发生很大不同。可能对于单一无人机的独立控制系统来说很重要的性能指标,在整体任务的执行中重要程度将有所下降,而整体性能参数的评估将变得更为重要。因此,单一无人机控制系统的性能评估方法无法直接应用于多无人机机群协调控制方法的评估中。
在无人机机群通过协作,完成整体飞行任务时,往往会受到来自外界的不可避免的风扰动,如自然风以及无人机机翼运动带来的机群自扰风。风的扰动,对于单一无人机飞行以及多无人机机群飞行的影响,尺度不同,如小评估尺度下,受到风扰动的单一无人机暂态调节对于机群任务而言是否安全,大评估尺度下,受到风扰动的整体机群飞行状态改变是否安全。目前还没有统一有效的系统评估方法可以适用于多无人机机群飞行系统,也无法系统的处理风扰下的机群安全性评估。
为了解决这一问题,本发明重点关注多无人机机群的安全飞行,从影响机群飞行安全的风扰动分析入手,研究多尺度条件下的无人机机群协调控制系统性能评估方法。采用多项式分解的思路,对多尺度风扰项影响进行定量讨论,通过对机群协调控制系统整体性能安全评估函数的定义,给出群控系统评估结论。
通过对现有技术的检索,并未发现类似专利。特别是针对多无人机机群协调控制系统,缺乏关注群控系统安全性的系统评估方法。该项技术可以为群控系统评估提供新的途径,为多无人机形成高智能机群提供安全性的性能评估反馈,合理评价协调闭环控制系统,为多无人机系统执行飞行任务中的安全、稳定、可靠飞行提供有效保证。
发明内容
本发明研究多无人机智能协调控制系统的安全性评估问题,重点关注带有复杂非线性特性无人机群运动的安全性问题。分析多尺度风扰影响,从定量计算的角度,结合先进协调智能性控制算法评估,完整的给出整体系统可靠性分析结论。从安全评估角度给出的系统可靠性分析将不受到单一无人机数学模型建立方法以及智能控制方法的约束,客观公正的给出适用于多无人机群体飞行任务的可靠性评价,强调多尺度风扰下的动态定量评估准则的建立。
本发明提出的基于多尺度风扰分析的无人机机群协调控制系统性能评估方法,旨在探索多无人机协调飞行时的安全性问题,所建立的闭环智能控制系统可靠性分析理论体系有重要的理论意义和实际应用前景,安全性系统评估分析结论将为无人机系统模型建立工作提供反馈建议,并为智能水平越来越高的无人机群控算法提供设计依据,为核心控制器设计人员提供决策依据,从而能够为多无人机最终的安全、稳定、可靠飞行提供保证。同时可以降低无人机机群试飞风险,缩短研发周期,既快速高效又节省开支,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,多尺度风扰分析无人机机群协调控制系统性能评估方法,步骤如下:①引导者与执行者无人机任务执行分析,根据机群中各无人机任务定位不同分别定义引导者评估输出以及执行者评估输出;②多尺度风扰分析,通过分解无人机随机非线性方程给出机群中各无人机收到风扰动的输出;③安全性群控系统性能评估,定义多尺度下性能评估函数和机群整体任务评估函数。
具体地:
步骤①,引导者与执行者无人机任务执行分析
引导者无人机系统飞行轨迹输出为yl(t),t为无人机飞行时间,引导者为机群智能核心,其负责内容为高层面的机群任务协调工作,自身飞行要求轨迹通常由地面站给出,或独立生成为rl(t),由于引导者无人机通常不进行具体单机任务,主要进行现场协调及带领机群飞行,因此,对其的性能评估重点在于飞行参考轨迹的跟踪性能评估,设轨迹跟踪误差el(t)=yl(t)-rl(t);
执行者无人机系统的飞行位置输出为yf(t),姿态输出为θf(t),执行者飞行位置指令由引导者提供,为rf(t),姿态指令根据具体飞行任务自动设定,为rθ(t),执行者闭环控制系统评估包括位置误差ef,y(t)=yf(t)-rf(t),以及姿态误差eθ,y(t)=θf(t)-rθ(t);
步骤②,多尺度风扰分析
对于无人机机群协调控制系统,风扰因素视为随机风险扰动η,按照其来源,分为自然风,风向、风速设定后,该随机变量可以近似为平均分布类型,定义为A类风扰ηA,来源于其他个体无人机的自扰动风扰风险因素,受到无人机飞行动力形式、旋翼转速、飞行姿态的影响,单独无人机闭环控制系统形成后,该随机变量可以近似为高斯分布,定义为E类风扰ηE;
在风扰动影响下,待评估机群协调控制系统可以表示为以下非线性微分方程的形式:
其中,x(t)∈Rn代表了待评估系统的状态量,Rn为n维实数空间,ω(·)为适当维数的非线性函数,与x(t)相关的引导者和执行者无人机输出函数y=[yl,yf,θf]T为时间和随机变量风险因素的函数y(t,η),通过将其进行多项式分解进行分析。
步骤③,安全性群控系统性能评估
对于连续、可微、平方可积的机群协调控制系统输出y(t,η),定义无人机机群输出的条件期望E[y(t,η)|ηi],表示对于单一风扰动项影响时输出量的取值统计量,Vy,i(y,t,η)=Vy{E[y(t,η)|ηi]}为当第i个风扰动项ηi影响时的条件希望方差,定义尺度窗函数,如下式所示:
k为待研究尺度上的风扰动项个数,C∈{C1,C2,C3}为风扰动尺度项,分别表示小尺度项、中尺度项和大尺度项,这是一个以分式形式表示的尺度窗函数,其数值大小表现了评估者设定的尺度定义下,风扰动项对输出的敏感度高,其中,Vy(y)为特定尺度条件下所有风扰动风险项对输出的整体影响:
多尺度上的性能评估函数取值,均是取值越小性能评估效果越好,机群飞行风险越低,安全性越高。
本发明的特点及有益效果是:
以三架无人机组成的典型小型无人机机群控制系统为被评估测试对象,应用本专利给出的性能评估方法。机群由一架引导者无人机和两架执行者无人机组成。引导者无人机数学模型为纵向5阶数学模型,其飞行任务为跟踪机群设定的飞行轨迹,并实时接收两架执行者无人机的飞行状态信息,通过机群构型设定,给出执行者无人机的飞行参考指令。执行者无人机为六自由度12阶数学模型,其飞行任务为完成飞行轨迹指令的同时,完成机群分配的定点图像传送飞行任务。
引导者无人机跟踪飞行轨迹指令飞行,重点评估输出为其5阶纵向数学模型的速度和高度输出。执行者无人机在执行定点图像传送任务时需要保证姿态稳定,同时速度和高度输出跟踪由引导者无人机给出的机群飞行轨迹指令。应用本专利给出的无人机群控评估算法,给出分别在不同尺度上给出机群飞行性能的定量评估。通过尺度窗函数的计算,可以在不同尺度上,综合考虑不同来源的风扰影响,客观的给出风扰动影响下的评价指标。通过评估结果可以看出待评估无人机机群闭环控制系统,风扰动的影响不仅对引导者的飞行轨迹造成影响,也会对执行者的飞行轨迹造成影响,同时还会影响到执行者无人机的飞行姿态。评估算法直观的给出机群飞行过程中整体无人机及个体无人机的飞行性能。通过比较性能评估函数的取值大小,即可区分机群中每个个体的飞行性能好坏,也可以评估整体机群的执行任务能力。
社会效益及经济效益:此项发明对多无人机机群协调控制智能化提高具有十分重要的推动意义。本发明可以提供有效的多无人机机群协调闭环控制系统评估方法,特别是对于机型多样,单机数学模型阶数高、非线性强、耦合严重等具有复杂机群构成的新型多无人机智能协调控制系统开发具有有效的推动作用,所给出的安全性系统评估分析结论将为多无人机系统模型建立工作提供反馈建议,并为智能水平越来越高的无人机群控算法提供设计依据,为核心控制器设计人员提供决策依据,从而能够为多无人机最终的安全、稳定、可靠飞行提供保证。同时可以降低无人机机群试飞风险,缩短研发周期,降低无人机系统开发成本。
附图说明:
附图1多尺度风扰影响下无人机机群协调控制系统结构图。
附图2无人机机群协调控制系统性能评估方法流程图。
附图3性能评估效果图。图中:
(a)飞行轨迹评估,(b)飞行姿态评估。
附图4基于多尺度风扰分析的无人机机群协调控制系统性能评估软件实现界面图。
具体实施方式
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,针对多无人机机群协调控制问题,提出适用于安全性评估的系统评估方法,结合多无人机协调控制任务执行需求,给出定量的综合系统评估结论。并借助于计算机虚拟仿真,对本专利所提方法进行了仿真验证。
基于多尺度风扰分析的无人机机群协调控制系统性能评估方法包括以下三个步骤:①引导者与执行者无人机任务执行分析,根据机群中各无人机任务定位不同分别定义引导者评估输出以及执行者评估输出。②多尺度风扰分析,通过分解无人机随机非线性方程给出机群中各无人机收到风扰动的输出。③安全性群控系统性能评估,定义多尺度下性能评估函数和机群整体任务评估函数。
下面结合附图对本发明作进一步详述。
参见图1,待评估多无人机协调控制系统,采用高智能主控单元—引导者,以及自主功能任务飞行单元—执行者组成。在引导者—执行者机群控制模式中,自动控制器存在于每个无人机中,形成闭环自动控制系统,使得每个单独无人机具有独立稳定飞行功能。处于领导地位的高智能主控无人机,其在群体飞行任务中处于引导并协调众无人机共同飞行的地位,其任务地位较高,处理能力较强,智能性更高,任务执行过程中飞行质量以及存活标准也更高,数量通常为一架。处于执行者地位的自主功能无人机,在机群中主要以执行特定任务为目标,目标清晰明确,减轻了高智能主控负担,可以将有效载荷用于更加明确的任务执行中,对其飞行质量和存活标准也可以偏重设置,或者降低要求,执行者无人机数量通常可以为多架,并允许冗余。
机群整体飞行任务的安全完成,包括引导者及执行者各自的稳定安全飞行,以及执行者的任务完成情况,同时还包括机群整体飞行空间限制以及机群生存情况。风扰动的产生可分为自然风以及自扰风,其影响引导者飞行的通知,也将影响执行者的飞行,群控协调系统将综合评价引导者以及格执行者组成的多无人机系统安全飞行性能。
参见图2,为本算法的具体实施流程图,具体步骤为:
步骤①,引导者与执行者无人机任务执行分析
引导者无人机系统飞行轨迹输出为yl(t),t为无人机飞行时间,引导者为机群智能核心,其负责内容为高层面的机群任务协调工作,自身飞行要求轨迹通常由地面站给出,或独立生成为rl(t)。由于引导者无人机通常不进行具体单机任务,主要进行现场协调及带领机群飞行。因此,对其的性能评估重点在于飞行参考轨迹的跟踪性能评估。设轨迹跟踪误差el(t)=yl(t)-rl(t)。
执行者无人机系统的工作主要为执行具体任务,可能是物品运送、精确目标打击、特定动作完成等。其通讯形式主要为接受引导者无人机的指令,并一定程度上关注其他执行者无人机飞行情况。执行者无人机系统的飞行位置输出为yf(t),姿态输出为θf(t)。执行者飞行位置指令通常由引导者提供,为rf(t)。姿态指令通常根据具体飞行任务自动设定,为rθ(t)。执行者闭环控制系统评估需要更为详细,包括位置误差ef,y(t)=yf(t)-rf(t),以及姿态误差eθ,y(t)=θf(t)-rθ(t)。
步骤②,多尺度风扰分析
执行者无人机作为机群中的独立任务无人机,将会受到自然风的影响,也会受到来自其他执行者以及引导者无人机旋翼运动带来的自扰动产生的气流风影响。评估执行者无人机的闭环控制系统运行性能,属于关注独立无人机小尺度下的风扰分析。
引导者无人机作为机群中的高智能核心无人机,也会受到自然风以及来自其他执行者无人机旋翼运动产生的自扰动气流影响。但是其任务执行精度性要求低,安全性要求更高。评估引导者无人机的闭环控制系统运行性能,属于关注高智能控制系统中尺度下的风扰分析。
引导者--执行者无人机组成的多无人机机群整体,将会统一受到自然风的影响。机群任务层级更高,弱化了独立无人机的飞行性能评估,强调整体飞行性能的优劣及安全性。评估机群整体运行性能,属于关注上层任务执行情况的大尺度风扰分析。
对于无人机机群协调控制系统,风扰因素视为随机风险扰动η。按照其来源,可以分为自然风,风向、风速设定后,该随机变量可以近似为平均分布类型,定义为A类风扰ηA。来源于其他个体无人机的自扰动风扰风险因素,受到无人机飞行动力形式、旋翼转速、飞行姿态的影响,单独无人机闭环控制系统形成后,该随机变量可以近似为高斯分布,定义为E类风扰ηE。
在风扰动影响下,待评估机群协调控制系统可以表示为以下非线性微分方程的形式:
其中,x(t)∈Rn代表了待评估系统的状态量,Rn为n维实数空间。ω(·)为适当维数的非线性函数,随着风扰动风险因素的引入,无人机机群闭环非线性微分方程的解x(t)将会受到随机变量的影响,也将呈现一定的随机特性。因此与x(t)相关的引导者和执行者无人机输出函数y=[yl,yf,θf]T为时间和随机变量风险因素的函数y(t,η)。无人机机群运动具有高阶非线性等特性,为了避免求解耗费时间和资源过大,因此,本发明通过将其进行多项式分解进行分析。
步骤③,安全性群控系统性能评估
对于连续、可微、平方可积的机群协调控制系统输出y(t,η),定义无人机机群输出的条件期望E[y(t,η)|ηi],表示对于单一风扰动项影响时输出量的取值统计量。Vy,i(y,t,η)=Vy{E[y(t,η)|ηi]}为当第i个风扰动项ηi影响时的条件希望方差。定义尺度窗函数,如下式所示:
k为待研究尺度上的风扰动项个数。C∈{C1,C2,C3}为风扰动尺度项,分别表示小尺度项、中尺度项和大尺度项。这是一个以分式形式表示的尺度窗函数,其数值大小表现了评估者设定的尺度定义下,风扰动项对输出的敏感度高低。其中,Vy(y)为特定尺度条件下所有风扰动风险项对输出的整体影响:
多尺度上的性能评估函数取值,均是取值越小性能评估效果越好,机群飞行风险越低,安全性越高。当有多个机群协调控制系统需要评估时,可以采用该算法给出定量的评估结果,以区分不同智能协调系统的安全性。
参见图3,以三架无人机组成的典型小型机群为例,分析在风扰动影响下的飞行性能。其中(a)为飞行轨迹评估结果,包含小尺度下的执行者飞行轨迹风扰动影响下的性能函数取值,以及中尺度下的引导者无人机飞行轨迹风扰动影响下的性能函数取值。(b)为飞行姿态评估结果,为小尺度下的执行者无人机姿态状态评估函数取值。可见,评估结果贯穿所有机群飞行时间,可以对每个无人机进行定量飞行质量评估。
参见图4,基于多尺度风扰分析的无人机机群协调控制系统性能评估主控软件界面采用MFC设计,通过Matlab引擎技术与主控软件实现连接。界面中包含四个功能区:机群结构选择区、跟踪轨迹显示区、时域误差图显示区,以及性能函数显示区。机群结构选择区为性能评估实施之间的机群构成设置,包括嵌入待评估无人机群群控闭环系统,需要嵌入每个单机的数学模型和控制算法,同时设置引导者无人机和执行者无人机,并设置好跟踪指令。多无人机系统跟踪轨迹曲线将直观的展示在跟踪轨迹显示区,跟踪轨迹显示个数与待评估机群规模相同。风扰动影响下的时域误差曲线将直观的展示在时域误差图显示区。性能函数区可以设置评估尺度,在评估尺度设定后,将给出在对应尺度下的定量评估结果。
Claims (4)
1.一种多尺度风扰分析无人机机群协调控制系统性能评估方法,其特征是,步骤如下:①引导者与执行者无人机任务执行分析,根据机群中各无人机任务定位不同分别定义引导者评估输出以及执行者评估输出;②多尺度风扰分析,通过分解无人机随机非线性方程给出机群中各无人机收到风扰动的输出;③安全性群控系统性能评估,定义多尺度下性能评估函数和机群整体任务评估函数,其中,步骤③,安全性群控系统性能评估:对于连续、可微、平方可积的机群协调控制系统输出y(t,η),定义无人机机群输出的条件期望E[y(t,η)|ηi],表示对于单一风扰动项影响时输出量的取值统计量,Vy,i(y,t,η)=Vy{E[y(t,η)|ηi]}为当第i个风扰动项ηi影响时的条件希望方差,定义尺度窗函数,如下式所示:
k为待研究尺度上的风扰动项个数,C∈{C1,C2,C3}为风扰动尺度项,分别表示小尺度项、中尺度项和大尺度项,这是一个以分式形式表示的尺度窗函数,其数值大小表现了评估者设定的尺度定义下,风扰动项对输出的敏感度高,其中,Vy(y)为特定尺度条件下所有风扰动风险项对输出的整体影响:
2.如权利要求1所述的多尺度风扰分析无人机机群协调控制系统性能评估方法,其特征是,具体地:
步骤①,引导者与执行者无人机任务执行分析
引导者为机群智能核心,其负责内容为高层面的机群任务协调工作,由于引导者无人机通常不进行具体单机任务,主要进行现场协调及带领机群飞行,因此,对其的性能评估重点在于飞行参考轨迹的跟踪性能评估;
执行者无人机系统的飞行位置输出为yf(t),姿态输出为θf(t),执行者飞行位置指令由引导者提供,为rf(t),姿态指令根据具体飞行任务自动设定,为rθ(t),执行者闭环控制系统评估包括位置误差ef,y(t)=yf(t)-rf(t),以及姿态误差eθ,y(t)=θf(t)-rθ(t);
3.如权利要求1所述的多尺度风扰分析无人机机群协调控制系统性能评估方法,其特征是,步骤②,多尺度风扰分析具体步骤如下:
对于无人机机群协调控制系统,风扰因素视为随机风险扰动η,按照其来源,分为自然风,风向、风速设定后,该随机变量可以近似为平均分布类型,定义为A类风扰ηA,来源于其他个体无人机的自扰动风扰风险因素,受到无人机飞行动力形式、旋翼转速、飞行姿态的影响,单独无人机闭环控制系统形成后,该随机变量可以近似为高斯分布,定义为E类风扰ηE;
在风扰动影响下,待评估机群协调控制系统可以表示为以下非线性微分方程的形式:
其中,x(t)∈Rn代表了待评估系统的状态量,Rn为n维实数空间,ω(·)为适当维数的非线性函数,与x(t)相关的引导者和执行者无人机输出函数y=[yl,yf,θf]T为时间和随机变量风险因素的函数y(t,η),通过将其进行多项式分解进行分析。
4.如权利要求1所述的多尺度风扰分析无人机机群协调控制系统性能评估方法,其特征是,多尺度上的性能评估函数取值,均是取值越小性能评估效果越好,机群飞行风险越低,安全性越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711492677.1A CN108170162B (zh) | 2017-12-30 | 2017-12-30 | 多尺度风扰分析无人机机群协调控制系统性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711492677.1A CN108170162B (zh) | 2017-12-30 | 2017-12-30 | 多尺度风扰分析无人机机群协调控制系统性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108170162A CN108170162A (zh) | 2018-06-15 |
CN108170162B true CN108170162B (zh) | 2022-03-25 |
Family
ID=62517105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711492677.1A Expired - Fee Related CN108170162B (zh) | 2017-12-30 | 2017-12-30 | 多尺度风扰分析无人机机群协调控制系统性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108170162B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109533377A (zh) * | 2018-10-20 | 2019-03-29 | 东北大学 | 一种多旋翼无人机的抗风扰动指标 |
CN109582040B (zh) * | 2019-01-25 | 2021-08-06 | 中国人民解放军国防科技大学 | 一种无人机集群队形及性能脆弱性评估方法及系统 |
CN109960148B (zh) * | 2019-03-20 | 2020-06-09 | 中国科学院软件研究所 | 一种智能无人系统的自主性评估方法及系统 |
CN110865627A (zh) * | 2019-08-29 | 2020-03-06 | 北京神舟航天软件技术有限公司 | 一种智能无人集群系统测试床架构 |
CN111487991B (zh) * | 2020-04-03 | 2021-02-05 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向无人机集群的安全等级预测方法及系统 |
CN112650217B (zh) * | 2020-12-03 | 2022-06-28 | 南京理工大学 | 一种基于评估函数的机器人轨迹跟踪策略动态优化方法 |
CN113076962B (zh) * | 2021-05-14 | 2022-10-21 | 电子科技大学 | 一种基于可微神经网络搜索技术的多尺度目标检测方法 |
CN114594793B (zh) * | 2022-03-07 | 2023-04-25 | 四川大学 | 一种基站无人机的路径规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105691613B (zh) * | 2016-05-04 | 2019-04-02 | 北方民族大学 | 一种平稳升降的无人机装置及控制方法 |
CN106021875B (zh) * | 2016-05-11 | 2023-09-22 | 兰州大学 | 一种地震扰动区多尺度泥石流风险评估的方法 |
-
2017
- 2017-12-30 CN CN201711492677.1A patent/CN108170162B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108170162A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108170162B (zh) | 多尺度风扰分析无人机机群协调控制系统性能评估方法 | |
CN112131786B (zh) | 基于多智能体强化学习的目标探测与分配方法及装置 | |
Wu et al. | Multi UAV cluster control method based on virtual core in improved artificial potential field | |
CN108171315B (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
Ferdaus et al. | Fuzzy clustering based nonlinear system identification and controller development of pixhawk based quadcopter | |
Zhang et al. | Receding horizon control for multi-UAVs close formation control based on differential evolution | |
CN105676672B (zh) | 扑翼飞行器复合飞行策略仿真建模方法 | |
Loquercio et al. | Autotune: Controller tuning for high-speed flight | |
CN113435033B (zh) | 基于多分辨率的复杂体系运行流程仿真方法和系统 | |
Judt et al. | Development of an automated aircraft subsystem architecture generation and analysis tool | |
CN109144099A (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
Peters et al. | A mode based reduced order model for rotorcraft store separation | |
CN102142053A (zh) | 特征结构配置飞行控制律计算机辅助设计系统 | |
Wu et al. | Aircraft flight regime recognition with deep temporal segmentation neural network | |
Shen et al. | An automatic visible explainer of geometric knowledge for aeroshape design optimization based on SHAP | |
Garcia Perez et al. | High-fidelity simulations of a tiltwing vehicle for urban air mobility | |
Shukla et al. | Imitation learning for neural network autopilot in fixed-wing unmanned aerial systems | |
Di et al. | Low-level control with actuator dynamics for multirotor UAVs | |
CN116610106A (zh) | 一种多无人机容错跟踪控制方法 | |
Perdolt et al. | Efficient Mid-Fidelity Aerodynamic Modeling of a Tilt-Wing eVTOL for Control Applications | |
Castillo et al. | 2DOF Helicopter models: A simulation evaluation for MPC applications | |
Bhandari et al. | Nonlinear control of a fixed-wing uav using support vector machine | |
Campbell et al. | Data Augmentation for Intelligent Contingency Management Using Generative Adversarial Networks | |
CN110717260A (zh) | 一种无人机机动能力模型建立方法 | |
CN111353256A (zh) | 航空电子设备中的机器学习 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220824 Address after: Room 401, Block G, Haitai Green Industry Base, No. 6, Haitai Development 6th Road, Huayuan Industrial Zone, Binhai New Area, Tianjin 300392-23-71 Patentee after: Tianjin Micro-Test Technology Co.,Ltd. Address before: 300222 1310 Dagu South Road, Hexi District, Tianjin Patentee before: TIANJIN University OF TECHNOLOGY AND EDUCATION |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |