CN109976378B - 风扰下无人机栖落机动的轨迹控制方法 - Google Patents
风扰下无人机栖落机动的轨迹控制方法 Download PDFInfo
- Publication number
- CN109976378B CN109976378B CN201910187618.6A CN201910187618A CN109976378B CN 109976378 B CN109976378 B CN 109976378B CN 201910187618 A CN201910187618 A CN 201910187618A CN 109976378 B CN109976378 B CN 109976378B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- time
- model
- subsystem
- 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
- 208000028804 PERCHING syndrome Diseases 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 46
- 241000269799 Perca fluviatilis Species 0.000 claims description 36
- 230000014509 gene expression Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012887 quadratic function Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 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
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005096 rolling process 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
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种风扰下无人机栖落机动的轨迹控制方法,通过建立无人机离散分段线性模型:增加扰动风速影响,通过张量积转换表示成多胞形,进而得到风扰动下无人机栖落机动切换系统的张量积模型;给出无人机切换系统的第p个不确定子系统张量积模型,构造无人机切换系统第p个子系统在k时刻无穷时域min‑max问题,并转化为一个极小值问题;进而得到含有约束的无穷时域min‑max问题,通过求解含有约束的无穷时域min‑max问题,进而得到当前时刻的控制量,完成对风扰下无人机栖落机动的轨迹控制。
Description
技术领域
本发明属于飞行控制领域,具体是指固定翼无人机在风扰动下进行栖落机动时的轨迹控制方法。
背景技术
自然界的鸟类能够从平飞状态迅速减速,最终栖落在树枝或其它目标位置。如果固定翼无人机能模仿鸟类这种降落方式,即在平飞时将迎角拉大达到过失速状态、实现快速减速、最终精确降落在指定位置,则能实现无跑道降落,从而扩展固定翼无人机的应用场景。固定翼无人机的这种降落方式称为栖落机动。
栖落机动过程中无人机会受到风扰动的影响。然而栖落机动轨迹的落点精度要求很高。设计风扰动下固定翼无人机栖落机动的轨迹控制方法,使无人机在风扰下能够实现较精确的栖落,是本领域技术人员待解决的技术难题。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种固定翼无人机栖落机动的鲁棒预测控制方法,通过该方法无人机能够实现风扰下栖落轨迹控制。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种风扰下无人机栖落机动的轨迹控制方法,包括以下步骤:
步骤1,采集无人机基本信息,根据无人机基本信息建立无人机栖落机动的动力学方程;应用了Jacobian线性化方法,将飞行器栖落轨迹跟踪纵向非线性动力学模型转换成线性变参数模型,根据线性变参数模型得到分段线性模型,根据分段线性模型得到离散分段线性模型:
步骤2,基于步骤1中得到离散化分段线性模型的基础上,增加扰动风速影响,通过张量积转换表示成多胞形,进而得到风扰动下无人机栖落机动切换系统的张量积模型;
步骤3,基于步骤2得到的无人机栖落机动切换系统的张量积模型得到无人机切换系统的第p个不确定子系统张量积模型,根据无人机切换系统的第p个不确定子系统张量积模型构造无人机切换系统第p个子系统在k时刻无穷时域min-max问题,将无穷时域min-max问题转化为一个极小值问题;对于极小值问题采用一个单一状态反馈控制律将系统的状态量控制在不变集内,得到含有约束的无穷时域min-max问题,通过求解含有约束的无穷时域min-max问题,得到X0和Y,表X0表示不变集系数矩阵,Y表示待定系数矩阵,进而得到当前时刻的控制量,完成对风扰下无人机栖落机动的轨迹控制。
所述步骤2中得到风扰动下无人机栖落机动切换系统的张量积模型方法如下:
采集阵风风速Vwg(k)和基本风速Vwb,根据阵风风速Vwg(k)和基本风速Vwb得到扰动风速Vw(k):
Vw(k)=Vwb+Vwg(k) (15)
Vw(k)∈Ωw
则飞行器纵向动力矩的表达式变为:
分段线性模型(13)被改写为:
Ap(Vw(k))和Bp(Vw(k))是第p个子系统的的系统矩阵,由于风扰动Vw(k)是有界的Vw(k)∈Ωw,因此系统矩阵满足下式:
则其等效的切换系统第p个子系统,即时间间隔[tp-1,tp)内无人机机动模型由原来的线性时不变模型变为以Vw(k)为参数的线性变参数模型:
采集无人机连续系统离散化的采样时间为Δt,时间区间[t0,tf]上均匀的选取m个时刻点{t0,t1,...,tp,...,tm-1},则在时间间隔[tp-1,tp)内,参数k的变化范围为:
将变参数空间Θ进行离散化,再进行张量积模型转换,进而得到风扰动下切换子系统的无人机张量积模型:
其中Ap,j和Bp,j表示顶点常数矩阵,Ij表示参数变量权重函数的数量,ωp,j(k)表示权重函数且满足以下约束要求:
则式(19)被改写为:
对整个栖落机动时间间隔[t0,tf]内的m个LPV模型都进行转换,得到无人机栖落机动切换系统的张量积模型:
式中χp(k)相当于随时间变化的切换函数,可描述为:
在加入外界风扰动之后无人机切换系统的第p个子系统的系统矩阵Ap(k)和Bp(k)是随时间变化的,但是其变化范围始终在由顶点[Ap,j,Bp,j]所组成的凸包内,而每个子系统系统矩阵的顶点是时不变的常量。
优选的:步骤3中得到得到当前时刻的控制量的方法:
3.1,首先,针对无人机处在外部风扰动的情况下,借助线性鲁棒控制理论,将鲁棒预测控制器设计转化为无穷时域min-max问题。
根据步骤2得到的无人机栖落机动切换系统的张量积模型得到无人机切换系统的第p个不确定子系统张量积建模的表达式为:
该子系统k时刻的无穷时域鲁棒二次性能指标为:
考虑到栖落机动系统输入和状态量的约束:
无人机切换系统第p个子系统在k时刻无穷时域min-max问题的表达式:
它表示在k时刻无人机栖落模型的系统矩阵在Λp上变化时对应的最坏情况的无穷时域上性能指标最优;
步骤3.2,将系统的输入和输出约束暂时忽略,将min-max问题转化为单纯极小值问题:
首先需要构造式子(29)的一个上界,定义一个二次函数:
同时假设V(x)满足以下不等式:
上式表明,如果有二次函数满足(30)和(31)则V(x(k|k))看作无人机切换子系统下k时刻的无穷时域鲁棒二次性能指标的上界,即:
这样,无人机系统在第p个子系统上的无穷时域min-max问题就被转化为一个单纯的极小值问题:
步骤3.3,在求解优化问题时,采用一个单一状态反馈控制律将系统的状态量控制在不变集内:
将(20)和(35)代入上式,整理可得:
其中*表示对角线对称位置上块矩阵的转置。
下面将(40)化为LMI的形式:
由(20)可知不确定系统矩阵Ap(Vw(k))和Bp(Vw(k))满足多胞条件,因此式(41)等价为:
则不含约束的无穷时域min-max问题总结为:
考虑无人机栖落机动模型的控制输入约束和状态量约束,结合无人机切换系统的第p个多面体不确定子系统的多胞性质得到输入约束为:
同理考虑状态量约束条件:
得到上式的LMI表达形式:
则含有约束的无穷时域min-max问题总结为:
对于整个栖落机动切换系统,已知栖落机动切换系统的切换时间点分别为t1,...,tm-2,末端时刻点为tm-1,所对应的k值分别为ki=ti/Δt,i=1,2,...,m-1,要想使得整个切换系统渐近稳定的一个充分条件就是要保证在每一次切换时Lyapunov函数的值都比前一个切换时刻的Lyapunov函数值要小,即:
Vi-1(ki)≥Vi(ki+1),i=1,...,m-2 (52)
由式(51)可知:
Vi(ki+1)=xT(ki+1)Px(ki+1),i=1,...,m-2
xT(ki+1)γX0x(ki+1)≤Vi-1(ki),i=1,...,m-2
将其转化为LMI形式:
因此整个无人机栖落切换系统的鲁棒预测控制器归结为求解以下优化问题:
优选的:对于无人机切换子系统,无人机在该子系统的初始状态在不变集内。
本发明相比现有技术,具有以下有益效果:
风扰下无人机栖落机动的轨迹控制方法,包括以下步骤:
本发明通过建立无人机离散分段线性模型:增加扰动风速影响,通过张量积转换表示成多胞形,进而得到风扰动下无人机栖落机动切换系统的张量积模型;给出无人机切换系统的第p个不确定子系统张量积模型,构造无人机切换系统第p个子系统在k时刻无穷时域min-max问题,并转化为一个极小值问题;进而得到含有约束的无穷时域min-max问题,通过求解含有约束的无穷时域min-max问题,进而得到当前时刻的控制量,完成对风扰下无人机栖落机动的轨迹控制。
附图说明
图1 Vw1扰动下位置跟踪结果对比图。
图2 Vw2扰动下位置跟踪结果对比图。
图3 Vw3扰动下位置跟踪结果对比图。
图4三种风扰动水平跟踪曲线仿真结果图,其中图4(a)为风扰一下水平跟踪曲线仿真图,图4(b)为风扰二下水平跟踪曲线仿真图,图4(c)为风扰三下水平跟踪曲线仿真图。
图5三种风扰动高度跟踪曲线仿真结果图,其中图5(a)为风扰一下高度跟踪曲线仿真图,图5(b)为风扰二下高度跟踪曲线仿真图,图5(c)为风扰三下高度跟踪曲线仿真图。
图6三种风扰动速度跟踪曲线仿真结果图,其中图6(a)为风扰一下速度跟踪曲线仿真图,图6(b)为风扰二下速度跟踪曲线仿真图,图6(c)为风扰三下速度跟踪曲线仿真图。
图7三种风扰动航迹角跟踪曲线仿真结果图,其中图7(a)为风扰一下航迹角跟踪曲线仿真图,图7(b)为风扰二下航迹角跟踪曲线仿真图,图7(c)为风扰三下航迹角跟踪曲线仿真图。
图8三种风扰动迎角跟踪曲线仿真结果图,其中图8(a)为风扰一下迎角跟踪曲线仿真图,图8(b)为风扰二下迎角跟踪曲线仿真图,图8(c)为风扰三下迎角跟踪曲线仿真图。
图9三种风扰动推力输入曲线仿真结果图,其中图9(a)为风扰一下推力输入曲线仿真图,图9(b)为风扰二下推力输入曲线仿真图,图9(c)为风扰三下推力输入曲线仿真图。
图10三种风扰动升降舵输入曲线仿真结果图,其中图10(a)为风扰一下升降舵输入曲线仿真图,图10(b)为风扰二下升降舵输入曲线仿真图,图10(c)为风扰三下升降舵输入曲线仿真图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种风扰下无人机栖落机动的轨迹控制方法,包括以下步骤:
步骤1,采集无人机基本信息,根据无人机基本信息建立无人机栖落机动的动力学方程;应用了Jacobian线性化方法,将飞行器栖落轨迹跟踪纵向非线性动力学模型转换成线性变参数模型,根据线性变参数模型得到分段线性模型,根据分段线性模型得到离散分段线性模型。
1.1,建立无人机的纵向动力学方程,同时假设飞行器横向运动以及力和力矩对飞行器的纵向运动方程没有影响,方程为:
其中,V,μ,α,q分别代表飞行器的飞行状态,包括飞行器的飞行速度、航迹角、迎角以及俯仰角速度;x和h分别代表飞行器的水平位置和垂直高度;m是飞行器的质量,T代表飞行器发动机产生的推力,M为空气动力矩,Iy是飞行器俯仰转动惯量,L和D分别代表飞行器所受升力和阻力。
飞行器的纵向空气动力和动力矩的表达方程为:
其中,CL、CD和CM分别表示飞行器升力、阻力和力矩系数。ρ是空气密度,S是飞行器的机翼面积(空气动力面积)。
升力系数和阻力系数关于迎角α的表达式如下:
飞行器的升降舵在过失速飞行中需要较大的控制力矩,因此假设飞行器装有全动平尾,给出俯仰力矩系数表达式:
其中,Se表示升降舵的表面积,le表示升降舵空气动力重心到飞行器质心的距离,δe表示升降舵偏转角。
1.2,首先设置状态变量为x=[x,h,V,μ,α,q]T,控制输入为u=[T,δe]T。把空气动力参数(2)-(4)代入纵向非线性模型(1)中,则可将模型(1)改写如下:
其中f(·)表示非线性函数矢量,其具体表达式为:
1.3,轨迹跟踪实际上是一种运动控制问题,要求被控系统能够跟踪上一条空间中时变的参考轨迹。在这里栖落机动飞行的参考轨迹用[xr,ur]表示,xr和ur满足飞行器纵向非线性方程(5),即
xr=f(xr,ur) (7)
其中,xr=[vr,μr,αr,qr,xr,hr]T表示状态量的参考轨迹,ur=[Tr,δer]T表示对应参考输入。
对纵向非线性状态方程(5)沿着参考轨迹进行线性化,同时忽略高阶项:
令Δx=x-xr,Δu=u-ur,则可得到飞行器栖落机动的LPV模型:
2.2,定义飞行器栖落机动整个过程的时间范围为[t0,tf],在整个事件范围上均匀的选取m个时刻点{t0,t1,...,tp,...,tm-1},且有tm-1=tf。在每个时刻对LPV模型(9)在参考轨迹附近进行线性化,则任意时刻点tp的线性化模型为:
式中χp(t)相当于随时间变化的切换函数,可描述为:
其中
步骤2,基于步骤1中得到离散化分段线性模型的基础上,增加扰动风速影响,通过张量积转换表示成多胞形,进而得到风扰动下无人机栖落机动切换系统的张量积模型;
在有外部扰动干扰的情况下无人机机动飞行的张量积建模。首先介绍风扰动,风扰动是无人机飞行时最为常见的外部扰动形式。本文将综合考虑风的间歇性和随机性的特点,设定扰动风速Vw(k)是有界的,由阵风风速Vwg(k)和基本风速Vwb组成,即:
Vw(k)=Vwb+Vwg(k) (15)
Vw(k)∈Ωw
则飞行器纵向动力矩的表达式变为:
分段线性模型(13)被改写为:
Ap(Vw(k))和Bp(Vw(k))是第p个子系统的的系统矩阵,这里的系统矩阵是时变的,由于风扰动Vw(k)是有界的Vw(k)∈Ωw,因此系统矩阵满足下式:
则其等效的切换系统第p个子系统,即时间间隔[tp-1,tp)内无人机机动模型由原来的线性时不变模型变为以Vw(k)为参数的LPV模型:
已知无人机连续系统离散化的采样时间为Δt,时间区间[t0,tf]上均匀的选取m个时刻点{t0,t1,...,tp,...,tm-1},则在时间间隔[tp-1,tp)内,参数k的变化范围为:
将变参数空间Θ进行离散化,再利用MATLAB中的张量积工具箱进行张量积模型转换,进而可以得到风扰动下切换子系统的无人机张量积模型:
其中Ap,j和Bp,j表示顶点常数矩阵,Ij表示参数变量权重函数的数量,ωp,j(k)表示权重函数且满足以下约束要求:
则式(19)可以被改写为:
对整个栖落机动时间间隔[t0,tf]内的m个LPV模型都进行转换,可以得到无人机栖落机动切换系统的张量积模型:
式中χp(k)相当于随时间变化的切换函数,可描述为:
该模型表明,虽然在加入外界风扰动之后无人机切换系统的第p个子系统的系统矩阵Ap(k)和Bp(k)是随时间变化的,但是其变化范围始终在由顶点[Ap,j,Bp,j]所组成的凸包内,而每个子系统系统矩阵的顶点是时不变的常量,这样可以大大降低后面切换控制器设计的复杂性。式(23)又叫做用多面体不确定系统。
步骤3,基于步骤2得到的无人机栖落机动切换系统的张量积模型得到无人机切换系统的第p个不确定子系统张量积模型,根据无人机切换系统的第p个不确定子系统张量积模型构造无人机切换系统第p个子系统在k时刻无穷时域min-max问题,将无穷时域min-max问题转化为一个极小值问题;对于极小值问题采用一个单一状态反馈控制律将系统的状态量控制在不变集内,得到含有约束的无穷时域min-max问题,通过求解含有约束的无穷时域min-max问题,得到X0和Y,X0表示不变集系数矩阵,Y表示待定系数矩阵,进而得到当前时刻的控制量,完成对风扰下无人机栖落机动的轨迹控制
3.1,首先,针对无人机处在外部风扰动的情况下,借助线性鲁棒控制理论,将鲁棒预测控制器设计转化为无穷时域min-max问题。
已知无人机切换系统的第p个不确定子系统张量积建模的表达式为:
设定该子系统k时刻的无穷时域鲁棒二次性能指标为:
其中Q=QT>0,R=RT>0分别表示无人机状态量和控制输入的加权矩阵,是k时刻对k+i时刻栖落机动控制输入的预测,同时也是目标函数中的优化变量。是k时刻无人机栖落机动的状态量,是一个六维的已知量,表示k时刻预测的状态量,且由于存在外部风的扰动,模型具有不确定性,因此状态预测量也是不确定的。
同时根据实际情况,需要考虑到栖落机动系统输入和状态量的约束:
类似(25)这种无人机栖落机动不确定子系统,由于整个子系统具有多胞性,可以利用系统矩阵的时不变顶点来表示,因此该子系统的鲁棒模型预测控制器设计一般借助线性鲁棒控制理论,首先给出无人机切换系统第p个子系统在k时刻无穷时域min-max问题的表达式:
它表示在k时刻无人机栖落模型的系统矩阵在Λp上变化时对应的最坏情况的无穷时域上性能指标最优。
3.2,由于(29)问题是一个min-max优化问题,且涉及到未来无穷多个控制输入的预测因此直接求解是无法实现的,因此首先为了简化问题,将系统的输入和输出约束暂时忽略,将min-max问题转化为单纯极小值问题。
首先需要构造(29)的一个上界,定义一个二次函数:
同时假设V(x)满足以下不等式:
上式表明,如果有二次函数满足(30)和(31)则V(x(k|k))可以看作无人机切换子系统下k时刻的无穷时域鲁棒二次性能指标的上界,即:
这样,无人机系统在第p个子系统上的无穷时域min-max问题就被转化为一个单纯的极小值问题:
3.3,在求解优化问题时,采用一个单一状态反馈控制律将系统的状态量控制在不变集内:
将(20)和(35)代入上式,整理可得:
其中*表示对角线对称位置上块矩阵的转置。
下面将(40)化为LMI的形式:
由(20)可知不确定系统矩阵Ap(Vw(k))和Bp(Vw(k))满足多胞条件,因此(41)可以等价为:
则不含约束的无穷时域min-max问题可以总结为:
考虑无人机栖落机动模型的控制输入约束和状态量约束。结合前文所采用的无人机切换系统的第p个多面体不确定子系统的多胞性质可以得到输入约束为:
同理考虑状态量约束条件:
可以得到上式的LMI表达形式:
则含有约束的无穷时域min-max问题可以总结为:
通过求解上述优化问题可以得到X0和Y,从而求出则当前时刻的控制量为对于无人机切换子系统,只要无人机在该子系统的初始状态在不变集内即则根据(41)李雅普诺夫函数递减,闭环控制系统渐进稳定。由此无人机栖落机动轨迹跟踪第p个子系统的鲁棒预测控制器设计完成,对于切换系统的其他子系统设计方法相同。
步骤4,对栖落机动切换系统鲁棒预测控制进行稳定性分析,并总结控制律设计算法。
对栖落机动切换系统鲁棒预测控制进行稳定性分析,并总结控制律设计算法。
前面对于每一个子系统采用张量积模型进行了控制器设计。对于子系统稳定性,假设在k时刻系统处在第p个子系统,即kΔt∈[tp,tp+1),此时子系统的最优解为则对应的李雅普诺夫函数为且满足初始状态量位于不变集Ω内:
进行计算可得:
将式(46)代入式(48)展开并整理可得
由于优化问题中,仅有式(38)与当前无人机状态量有关,根据式(48)可得在k+1时刻同样满足约束条件,因此可以将看作是优化问题(46)在k+1时刻的一组可行解。再假设k+1时刻系统仍然处于第p个子系统中,且最优解为由于最优性能目标不大于可行性性能目标可知:
由式(49)和式(50)可得:
即:
对于整个栖落机动切换系统,已知栖落机动切换系统的切换时间点分别为t1,...,tm-2,末端时刻点为tm-1,所对应的k值分别为ki=ti/Δt,i=1,2,...,m-1。由第三章可知要想使得整个切换系统渐近稳定的一个充分条件就是要保证在每一次切换时Lyapunov函数的值都比前一个切换时刻的Lyapunov函数值要小,即:
Vi-1(ki)≥Vi(ki+1),i=1,...,m-2 (52)
由式(51)可知:
Vi(ki+1)=xT(ki+1)Px(ki+1),i=1,...,m-2
当t=ki+1Δt时,Vi-1(ki)是过去时刻所发生的,因此为一个已知的常量;当前时刻的状态量是一个测量值,也是已知量。由于P=γX0,所以式(52)可以转化为对t=ki+1Δt时刻所求解的矩阵X0和γ的约束条件:
xT(ki+1)γX0x(ki+1)≤Vi-1(ki),i=1,...,m-2
为了方便仿真计算将其转化为LMI形式:
因此整个无人机栖落切换系统的鲁棒预测控制器设计可以归结为求解以下优化问题:
总结整体栖落机动切换系统鲁棒预测控制器设计的具体步骤为:
算法1
Step1:确定栖落机动整个过程的采样时间Δt、切换规则χp(t)、风扰动的范围Ωw,对切换系统的每一个子系统进行张量积建模,求出每个子系统矩阵的顶点常数矩阵;
Step2:确定kΔt时刻对应的栖落机动切换子系统;
Step6:令k=k+1,返回Step2。
仿真所采用的飞行器几何参数如表1所示。设定初始时间t0=0s;栖落轨迹跟踪结束时间为tf=1.5s;无人机连续系统离散化的采样时间Δt=0.01s;切换系统所选取的切换时刻点数量m=16。
设定风扰动的范围为Ωw={Vw||Vw|≤1.5},初始情况下飞行速度偏差量为0.5m/s,水平和竖直方向分辨偏离参考状态0.5m,航迹角和迎角偏差0.1rad。则仿真所设计的初始状态量为x(t0)=[0.5 -0.5 13.5 0.1 0.077 0]T。
表1飞行器的几何参数
为了验证鲁棒预测控制的控制效果,本文将选择三种外部风扰动对控制方法进行仿真分析。
三种风扰动如下:
三种风扰动及其对应的输出结果如图4-10所示。表格中分别给出了外部风扰动的具体表达式、水平跟踪曲线、高度跟踪曲线、速度跟踪曲线、航迹角跟踪曲线、迎角跟踪曲线以及两个输入曲线。图中实线部分表示实际曲线,虚线表示参考轨迹。所选择的三种扰动风速Vw1,Vw2,Vw3,都由阵风风速Vwg(k)和基本风速Vwb组成,且范围均在设定的扰动风速范围Ωw内。由表格中每一种风扰动的对应的仿真结果曲线可以看出,无人机在鲁棒预测控制下能够实现风扰动下的栖落机动轨迹跟踪。
在三种外部风速扰动下采用鲁棒预测控制和第三章中介绍的预测控制分别进行控制。将两种控制方法的跟踪轨迹进行对比,绘制成x-h方向上的曲线如图1~3所示。图中实线表示参考曲线,虚线表示鲁棒预测控制下的轨迹曲线,点划线表示预测控制下的轨迹曲线。由图中可以看出,尽管在外部风扰动下,采用单纯的预测控制仍然能够保证控制下的轨迹曲线稳定,这是由于预测控制在线反复进行优化计算,滚动实施,使模型失配、扰动等引起的不确定性及时得到弥补,从而得到较好的动态控制性能。但是将两种控制方法的结果进行对比可以明显看出,在同样的外部风扰动下,采用鲁棒预测控制的轨迹曲线能够更快的跟踪上参考轨迹曲线,且终点误差相比于单纯的预测控制要小很多。如果要求无人机能够在指定地点进行降落那么采用单纯的预测控制并不能达到相应的精度要求。因此在外部风扰动的情况下采用鲁棒预测控制会有更好的控制效果
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种风扰下无人机栖落机动的轨迹控制方法,其特征在于,包括以下步骤:
步骤1,采集无人机基本信息,根据无人机基本信息建立无人机栖落机动的动力学方程;应用了Jacobian线性化方法,将飞行器栖落轨迹跟踪纵向非线性动力学模型转换成线性变参数模型,根据线性变参数模型得到分段线性模型,根据分段线性模型得到离散分段线性模型:
步骤2,基于步骤1中得到离散化分段线性模型的基础上,增加扰动风速影响,通过张量积转换表示成多胞形,进而得到风扰动下无人机栖落机动切换系统的张量积模型;
步骤3,基于步骤2得到的无人机栖落机动切换系统的张量积模型得到无人机切换系统的第p个不确定子系统张量积模型,根据无人机切换系统的第p个不确定子系统张量积模型构造无人机切换系统第p个子系统在k时刻无穷时域min-max问题,将无穷时域min-max问题转化为一个极小值问题;对于极小值问题采用一个单一状态反馈控制律将系统的状态量控制在不变集内,得到含有约束的无穷时域min-max问题,通过求解含有约束的无穷时域min-max问题,得到X0和Y,X0表示不变集系数矩阵,Y表示待定系数矩阵,进而得到当前时刻的控制量,完成对风扰下无人机栖落机动的轨迹控制;
所述步骤1中得到离散分段线性模型的方法:
步骤1.1,采集无人机基本信息,根据无人机基本信息建立无人机的纵向动力学方程,同时假设飞行器横向运动以及力和力矩对飞行器的纵向运动方程没有影响,方程为:
其中,V,μ,α,q分别代表飞行速度、航迹角、迎角以及俯仰角速度;x和h分别代表飞行器的水平位置和垂直高度;m是飞行器的质量,T代表飞行器发动机产生的推力,M为空气动力矩,Iy是飞行器俯仰转动惯量,L和D分别代表飞行器所受升力和阻力;
飞行器的纵向空气动力和动力矩的表达方程为:
其中,CL、CD和CM分别表示飞行器升力、阻力和力矩系数,ρ是空气密度,S是飞行器的机翼面积;
升力系数和阻力系数关于迎角α的表达式如下:
俯仰力矩系数表达式:
其中,Se表示升降舵的表面积,le表示升降舵空气动力重心到飞行器质心的距离,δe表示升降舵偏转角;
步骤1.2,首先设置状态变量为x=[x,h,V,μ,α,q]T,控制输入为u=[T,δe]T,把空气动力参数(2)-(4)代入纵向非线性模型(1)中,则可将模型(1)改写如下:
其中f(·)表示非线性函数矢量,其具体表达式为:
步骤1.3,栖落机动飞行的参考轨迹用[xr,ur]表示,xr和ur满足飞行器纵向非线性方程(5),即
xr=f(xr,ur) (7)
其中,xr=[vr,μr,αr,qr,xr,hr]T表示状态量的参考轨迹,ur=[Tr,δer]T表示对应参考输入;
对式子(5)沿着参考轨迹进行线性化,同时忽略高阶项:
令Δx=x-xr,Δu=u-ur,则得到飞行器栖落机动的线性变参数模型:
步骤1.4,获取飞行器栖落机动整个过程的时间范围为[t0,tf],在整个事件范围上均匀的选取m个时刻点{t0,t1,...,tp,...,tm-1},且有tm-1=tf,在每个时刻对式子(9)在参考轨迹附近进行线性化,则任意时刻点tp的线性化模型为:
式中χp(t)相当于随时间变化的切换函数,可描述为:
其中
所述步骤2中得到风扰动下无人机栖落机动切换系统的张量积模型方法如下:
采集阵风风速Vwg(k)和基本风速Vwb,根据阵风风速Vwg(k)和基本风速Vwb得到扰动风速Vw(k):
则飞行器纵向动力矩的表达式变为:
分段线性模型(13)被改写为:
Ap(Vw(k))和Bp(Vw(k))是第p个子系统的的系统矩阵,由于风扰动Vw(k)是有界的Vw(k)∈Ωw,因此系统矩阵满足下式:
则其等效的切换系统第p个子系统,即时间间隔[tp-1,tp)内无人机机动模型由原来的线性时不变模型变为以Vw(k)为参数的线性变参数模型:
采集无人机连续系统离散化的采样时间为Δt,时间区间[t0,tf]上均匀的选取m个时刻点{t0,t1,...,tp,...,tm-1},则在时间间隔[tp-1,tp)内,参数k的变化范围为:
将变参数空间Θ进行离散化,再进行张量积模型转换,进而得到风扰动下切换子系统的无人机张量积模型:
其中Ap,j和Bp,j表示顶点常数矩阵,Ij表示参数变量权重函数的数量,ωp,j(k)表示权重函数且满足以下约束要求:
则式(19)被改写为:
对整个栖落机动时间间隔[t0,tf]内的m个LPV模型都进行转换,得到无人机栖落机动切换系统的张量积模型:
式中χp(k)相当于随时间变化的切换函数,可描述为:
在加入外界风扰动之后无人机切换系统的第p个子系统的系统矩阵Ap(k)和Bp(k)是随时间变化的,但是其变化范围始终在由顶点[Ap,j,Bp,j]所组成的凸包内,而每个子系统系统矩阵的顶点是时不变的常量。
2.根据权利要求1所述风扰下无人机栖落机动的轨迹控制方法,其特征在于:
步骤3中得到得到当前时刻的控制量的方法:
3.1,首先,针对无人机处在外部风扰动的情况下,借助线性鲁棒控制理论,将鲁棒预测控制器设计转化为无穷时域min-max问题;
根据步骤2得到的无人机栖落机动切换系统的张量积模型得到无人机切换系统的第p个不确定子系统张量积建模的表达式为:
该子系统k时刻的无穷时域鲁棒二次性能指标为:
考虑到栖落机动系统输入和状态量的约束:
无人机切换系统第p个子系统在k时刻无穷时域min-max问题的表达式:
它表示在k时刻无人机栖落模型的系统矩阵在Λp上变化时对应的最坏情况的无穷时域上性能指标最优;
3.2,将系统的输入和输出约束暂时忽略,将min-max问题转化为单纯极小值问题:
首先需要构造式子(29)的一个上界,定义一个二次函数:
同时假设V(x)满足以下不等式:
上式表明,如果有二次函数满足(30)和(31)则V(x(k|k))看作无人机切换子系统下k时刻的无穷时域鲁棒二次性能指标的上界,即:
这样,无人机系统在第p个子系统上的无穷时域min-max问题就被转化为一个单纯的极小值问题:
步骤3.3,在求解优化问题时,采用一个单一状态反馈控制律将系统的状态量控制在不变集内:
将(20)和(35)代入上式,整理可得:
其中*表示对角线对称位置上块矩阵的转置;
下面将(40)化为LMI的形式:
由(20)可知不确定系统矩阵Ap(Vw(k))和Bp(Vw(k))满足多胞条件,因此式(41)等价为:
则不含约束的无穷时域min-max问题总结为:
考虑无人机栖落机动模型的控制输入约束和状态量约束,结合无人机切换系统的第p个多面体不确定子系统的多胞性质得到输入约束为:
同理考虑状态量约束条件:
得到上式的LMI表达形式:
则含有约束的无穷时域min-max问题总结为:
3.根据权利要求2所述风扰下无人机栖落机动的轨迹控制方法,其特征在于:
对于整个栖落机动切换系统,已知栖落机动切换系统的切换时间点分别为t1,...,tm-2,末端时刻点为tm-1,所对应的k值分别为ki=ti/Δt,i=1,2,...,m-1,要想使得整个切换系统渐近稳定的一个充分条件就是要保证在每一次切换时Lyapunov函数的值都比前一个切换时刻的Lyapunov函数值要小,即:
Vi-1(ki)≥Vi(ki+1),i=1,...,m-2 (52)
由式(51)可知:
Vi(ki+1)=xT(ki+1)Px(ki+1),i=1,...,m-2
xT(ki+1)γX0x(ki+1)≤Vi-1(ki),i=1,...,m-2
将其转化为LMI形式:
4.根据权利要求3所述风扰下无人机栖落机动的轨迹控制方法,其特征在于:
对于无人机切换子系统,无人机在该子系统的初始状态在不变集内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187618.6A CN109976378B (zh) | 2019-03-13 | 2019-03-13 | 风扰下无人机栖落机动的轨迹控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187618.6A CN109976378B (zh) | 2019-03-13 | 2019-03-13 | 风扰下无人机栖落机动的轨迹控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109976378A CN109976378A (zh) | 2019-07-05 |
CN109976378B true CN109976378B (zh) | 2021-08-06 |
Family
ID=67078718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910187618.6A Active CN109976378B (zh) | 2019-03-13 | 2019-03-13 | 风扰下无人机栖落机动的轨迹控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109976378B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244768B (zh) * | 2019-07-19 | 2021-11-30 | 哈尔滨工业大学 | 基于切换系统的高超声速飞行器建模及抗饱和控制方法 |
CN110487280B (zh) * | 2019-09-04 | 2022-07-01 | 哈尔滨工业大学 | 风扰环境下无人机着陆引导方法 |
CN110794857B (zh) * | 2019-10-30 | 2021-03-30 | 南京航空航天大学 | 考虑外部风干扰的固定翼无人机鲁棒离散分数阶控制方法 |
CN112068595A (zh) * | 2020-09-18 | 2020-12-11 | 南京航空航天大学 | 无人机栖落机动切换控制的吸引域优化方法 |
CN112130457A (zh) * | 2020-09-21 | 2020-12-25 | 南京航空航天大学 | 一种变体无人机栖落机动的模糊飞行控制方法 |
CN114355976B (zh) * | 2021-12-31 | 2023-12-05 | 中山大学 | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 |
CN114564046B (zh) * | 2022-04-28 | 2022-07-26 | 北京航空航天大学 | 一种低空风切变环境无人机降落轨迹调整方法 |
CN114879713A (zh) * | 2022-05-26 | 2022-08-09 | 南京航空航天大学 | 基于干扰观测器的小型无人直升机离散时间轨迹跟踪控制方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763116B (zh) * | 2008-12-24 | 2012-12-12 | 中国科学院自动化研究所 | 一种基于侧向导引的抗侧风着陆航迹跟踪控制方法 |
US8500067B2 (en) * | 2009-09-09 | 2013-08-06 | Aurora Flight Sciences Corporation | Modular miniature unmanned aircraft with vectored-thrust control |
US8694184B1 (en) * | 2010-09-21 | 2014-04-08 | The Boeing Company | Methods, systems, and apparatus for layered and multi-indexed flight management interface |
CN102929297B (zh) * | 2012-11-15 | 2015-01-07 | 天津市亚安科技股份有限公司 | 一种飞机起飞降落跟踪系统及其方法 |
CN103092213A (zh) * | 2013-01-21 | 2013-05-08 | 南京航空航天大学 | 六旋翼飞行器的轨迹跟踪控制方法 |
CN106017218B (zh) * | 2016-05-18 | 2017-03-01 | 北京航天自动控制研究所 | 一种抗风干扰的飞行器攻角指令补偿方法及装置 |
CN106843261B (zh) * | 2016-10-25 | 2019-03-01 | 南京航空航天大学 | 一种变体飞行器过渡段的张量积插值建模与控制方法 |
CN106647584A (zh) * | 2017-01-17 | 2017-05-10 | 南京航空航天大学 | 一种基于最优滑模的四旋翼飞行器的容错控制方法 |
CN108983807B (zh) * | 2017-06-05 | 2021-08-10 | 北京臻迪科技股份有限公司 | 一种无人机定点降落方法及系统 |
US10759534B2 (en) * | 2017-07-03 | 2020-09-01 | George A. Miller | Method and system from controlling an unmanned aerial vehicle |
CN108229719B (zh) * | 2017-11-29 | 2021-12-14 | 合肥工业大学 | 无人机编队任务分配与航迹规划的多目标优化方法及装置 |
CN109144084B (zh) * | 2018-07-11 | 2019-08-06 | 哈尔滨工业大学 | 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法 |
CN109213159A (zh) * | 2018-08-30 | 2019-01-15 | 上海海事大学 | 一种运用无人机进行海上态势感知监测船舶路径的方法 |
-
2019
- 2019-03-13 CN CN201910187618.6A patent/CN109976378B/zh active Active
Non-Patent Citations (2)
Title |
---|
微型飞行器过失速降落轨迹跟踪控制设计;阚莹莹;《飞行力学》;20170630;第35卷(第3期);第55-59页 * |
飞行器栖落机动切换控制设计及其吸引域计算;王月;《系统工程与电子技术》;20181130;第40卷(第11期);第2519-2527页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109976378A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109976378B (zh) | 风扰下无人机栖落机动的轨迹控制方法 | |
CN109976156B (zh) | 固定翼无人机栖落机动轨迹的建模与预测控制方法 | |
Zhen et al. | Automatic carrier landing control for unmanned aerial vehicles based on preview control and particle filtering | |
CN107807663B (zh) | 基于自适应控制的无人机编队保持控制方法 | |
Zhen et al. | Adaptive super-twisting control for automatic carrier landing of aircraft | |
CN111538255B (zh) | 一种反蜂群无人机的飞行器控制方法及系统 | |
CN112148024A (zh) | 基于自适应伪谱法的无人机实时在线航迹规划方法 | |
Hoburg et al. | System identification of post stall aerodynamics for UAV perching | |
CN111290278A (zh) | 一种基于预测滑模的高超声速飞行器鲁棒姿态控制方法 | |
Gai et al. | Adaptive neural network dynamic inversion with prescribed performance for aircraft flight control | |
CN111007724A (zh) | 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法 | |
CN107957686B (zh) | 基于预见控制的无人直升机自动着舰控制系统 | |
CN115060263A (zh) | 一种考虑低空风和无人机能耗的航迹规划方法 | |
Song et al. | A singularity‐free online neural network‐based sliding mode control of the fixed‐wing unmanned aerial vehicle optimal perching maneuver | |
CN114237268A (zh) | 一种基于深度强化学习的无人机强鲁棒姿态控制方法 | |
Almeida | Tight formation flight with feasible model predictive control | |
Aschauer et al. | Co-simulation of matlab and flightgear for identification and control of aircraft | |
CN112068595A (zh) | 无人机栖落机动切换控制的吸引域优化方法 | |
CN115685764B (zh) | 变翼展飞行器任务自适应的抗干扰跟踪控制方法及系统 | |
Godbole et al. | Active multi-model control for dynamic maneuver optimization of unmanned air vehicles | |
CN110908398A (zh) | 能量耦合四旋翼无人机吊挂空运系统自适应控制方法 | |
CN113778117B (zh) | 一种针对飞机纵向最优路径规划的初值智能选取多阶段伪谱法 | |
CN110554707A (zh) | 一种飞行器姿态控制回路的q学习自动调参方法 | |
Kimathi | Application of reinforcement learning in heading control of a fixed wing uav using x-plane platform | |
CN114047778A (zh) | 一种小型飞机短距离自动着陆横侧向控制方法 |
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 |