CN110096064A - 一种基于预测控制的无人机操控时延补偿方法 - Google Patents
一种基于预测控制的无人机操控时延补偿方法 Download PDFInfo
- Publication number
- CN110096064A CN110096064A CN201910077411.3A CN201910077411A CN110096064A CN 110096064 A CN110096064 A CN 110096064A CN 201910077411 A CN201910077411 A CN 201910077411A CN 110096064 A CN110096064 A CN 110096064A
- Authority
- CN
- China
- Prior art keywords
- state
- matrix
- control
- unmanned plane
- output
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 244000025254 Cannabis sativa Species 0.000 claims abstract description 3
- 108010057186 Insulin Glargine Proteins 0.000 claims abstract description 3
- COCFEDIXXNGUNL-RFKWWTKHSA-N Insulin glargine Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@H]1CSSC[C@H]2C(=O)N[C@H](C(=O)N[C@@H](CO)C(=O)N[C@H](C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CSSC[C@H](NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3C=CC(O)=CC=3)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](C)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3NC=NC=3)NC(=O)[C@H](CO)NC(=O)CNC1=O)C(=O)NCC(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)NCC(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C(=O)NCC(O)=O)=O)CSSC[C@@H](C(N2)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@@H](NC(=O)CN)[C@@H](C)CC)[C@@H](C)CC)[C@@H](C)O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@@H](NC(=O)[C@@H](N)CC=1C=CC=CC=1)C(C)C)C1=CN=CN1 COCFEDIXXNGUNL-RFKWWTKHSA-N 0.000 claims abstract description 3
- 229940060975 lantus Drugs 0.000 claims abstract description 3
- 230000002035 prolonged effect Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000001154 acute effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
本发明涉及一种基于预测控制的无人机操控时延补偿方法，其特征在于，由地面站发出操控指令，传到无人机上，地面站根据无人机的飞行状态做出预估，结合预估结果对无人机的下一步控制进行调整，补偿由传播距离、噪声带来得时延，具体求解补偿算法如下：(1)根据预测模型对对象在未来一段时间内的输出进行预测；(2)通过优化算法对所建立的代价函数进行优化，得到一个控制向量；(3)将控制向量的第一个值经修正后作用于对象，得到对象的当前输出值；(4)结合预测输出和当前输出对模型的状态进行校正；进入下一采样时刻后，循环执行上述各步骤。
Description
技术领域
本发明属于无人机实时控制技术领域，涉及一种基于预测控制的无人机操控延时补偿方法。
背景技术
近年来，无人机技术快速发展，目前已成为集侦察、攻击等功能于一体的新型作战无人机，而未来的无人机还将具有全自主完成远程打击甚至空空作战任务的攻击能力。同时，与无人机发展相匹配的地面控制站将成为具有包括任务规划，数字地图，卫星数据链，图像处理能力在内的集控制、处理、通信于一体的综合系统。
地面站与无人机进行交互，主要是地面站操作人员通过观察飞机传感器传回的飞机实时状态信息进行判断，然后做出操控指令，操控指令通过无线电传输给飞机，对飞机进行控制。由于控制系统中各节点共享通信网络，在数据传输的过程中不可避免地会发生数据碰撞、重传等。此外，对信号的采样、量化、编码和解码过程等也会造成数据传输过程的时延。网络时延的存在会造成控制系统的动态性能的降低，比如上升时间增大、系统超调量增加等，甚至会导致系统出现震荡或者不稳定。此外，网络时延的存在还会使得系统发生多采样和空采样。因此，在对无人机控制系统进行分析和设计时应充分考虑操控时延的影响，否则难以达到期望的控制要求。
常用的时延补偿方法有：统计预报方法，卡尔曼滤波法，谱估计方法，时间序列分析法等等，但是这些时延补偿方法并不适合无人机这种复杂的运动对象，补偿效果较差。
发明内容
发明目的：
本发明的目的是提供一种基于预测控制的无人机时操控延补偿方法，以解决地面站操控时延问题，达到预估飞行状态、抵消和补偿链路延迟的目的。本发明，我们对飞机姿态进行预估，采用预测控制，利用预估的结果对地面站的下一步控制进行补偿，以克服地面站与无人机之间的通信延时带来的不安全因素。由地面站发出操控指令，传到无人机上，根据无人机的飞行状态做出预估，结合预估结果对无人机的下一步控制进行调整，补偿由传播距离、噪声、数据处理等因素带来的时延。
技术方案
一种基于预测控制的无人机操控时延补偿方法，由地面站发出操控指令，传到无人机上，地面站根据无人机的飞行状态做出预估，结合预估结果对无人机的下一步控制进行调整，补偿由传播距离、噪声带来得时延，具体求解补偿算法如下：
(1)根据预测模型对对象在未来一段时间内的输出进行预测；
(2)通过优化算法对所建立的代价函数进行优化，得到一个控制向量；
(3)将控制向量的第一个值经修正后作用于对象，得到对象的当前输出值；
(4)结合预测输出和当前输出对模型的状态进行校正；进入下一采样时刻后，循环执行上述各步骤。
所述预测控制算法的基本策略是采用有限时域滚动优化方式来获取控制信号。
在求解补偿算法的四步原理基础上，具体推导及补偿过程如下：
Step1：系统建模；
对于无人机非线性系统来说，可以将方程线性化后简化为如下状态空间方程的形式，以方便分析系统的特性从而对其进行控制；
其中，x指飞机的飞行状态量，可以是角度相关的量，如迎角、侧滑角，可以是位置相关的量，如高度、速度，是指状态量的导数；y为系统输出；矩阵A为状态矩阵，B为输入矩阵，C为输出矩阵，D为前馈矩阵；式(1)所示的状态方程，A、B、C、D为系统状态空间方程的矩阵参数；
Step2：建立预测模型；
基于状态方程进行预测控制的基本理论，可知式(1)的离散状态方程描述的单输入单输出线性系统为：
式(2)中，状态变量x(k)∈R实时可测，u(k)、y(k)分别为系统k时刻的输入输出，A，b，c分别为离散系统的状态矩阵、控制矩阵和输出矩阵；
Step3：基于预测模型进行状态预测；
假设从k时刻其系统输入发生M步变化，而后保持不变，则将式(2)当作预测模型，可以预测出在u(k),u(k+1),…,u(k+M-1)作用未来P(P≥M)个时刻的系统状态为：
将式(3)用向量形式描述为：
X(k)＝Fx x(k)+GxU(k) (4)
其中，
式中，Fx，Gx分别表示离散系统状态矩阵和控制矩阵；
Step4：基于式(2)中的输出方程，可得未来P个时刻的系统输出为：
Y(k)＝Fyx(k)+GyU(k) (5)
其中，
式中Fy，Gy分别表示离散系统输出矩阵和前馈矩阵；
由于系统单位脉冲响应在采样时刻的值gi＝cTAi-1b,i≥1，故Gy也可写为：
Step5：确定优化性能指标；
基于上述状态预测，明确在k时刻的状态优化问题可表述为：确定从该时刻起的M个控制量u(k),…,u(k+M-1)，使被控对象在其作用下未来P个时刻的状态得到整定，即趋近x＝0，同时抑制控制作用的剧烈变化；优化性能指标可表达为向量形式：
其中，Qx、Rx为适当维数的状态和控制加权矩阵，J(k)为指标函数；
Step6：在不考虑约束时，结合状态预测模型式(4)，可以求出最优解的解析表达式为：
Step7：求取及时控制量：基于式(7)可求出及时控制量为：
其中反馈增益
Step8：由于x(k)可测，在每一时刻实测得到的x(k)可直接用来对该时刻的预测和优化做初始定位，这意味着预测和优化都基于系统的实时反馈信息，从而自然实现了反馈校正不必再引入额外的校正措施；
Step9：进入下一采样时刻后，从step1开始重新循环执行上述各步骤；
其中Step1～3为预测输出阶段，Step4～5得到优化性能指标的向量形式， Step6～7求取最优解的及时控制量step8～9利用x(k)直接反馈到模型进行矫正。
所述无人机状态参数量可以与角度相关的迎角、侧滑角参数量，也可以是与位置高度、速度参数两。
发明的技术效果
对于无人机来说，由于地面站与无人机之间的距离等因素引起的通信延时，使得地面站对无人机的实时控制受到影响，必须对该延时进行补偿。对于飞机系统来说，状态变化没有规律可循，不是单一时不变线性系统，采用传统的闭环补偿的方法不能满足实时性，快速性，准确性等要求。在这里我们采用对飞机姿态进行预估的方法，利用预估的结果对地面站的下一步控制进行补偿，以克服地面站与无人机之间的通信延时带来的不安全因素。
补偿结构图如图1所示，由地面站发出操控指令，传到无人机上，根据无人机的飞行状态做出预估，结合预估结果对无人机的下一步控制进行调整，补偿由传播距离、噪声等因素带来的时延。
具体实施过程如下
预测控制算法的基本策略是采用有限时域滚动优化方式来获取控制信号。求解过程包含的算法原理总的来说可以分为以下四步：
(1)根据预测模型对对象在未来一段时间内的输出进行预测；
(2)通过优化算法对所建立的代价函数进行优化，得到一个控制向量；
(3)将控制向量的第一个值经修正后作用于对象，得到对象的当前输出值；
(4)结合预测输出和当前输出对模型的状态进行校正。
进入下一采样时刻后，循环执行上述各步骤。图2给出了预测控制的基本原理过程。
6.发明效果：
1.通过采用状态预测理论，实现对飞机姿态的预估，利用预估的结果对地面站的下一步控制进行补偿，以克服地面站与无人机之间的通信延时带来的不安全因素；
2.汲取优化控制的思想，利用滚动的有限时段优化取代了一成不变的全局优化，不断顾及不确定性的影响并及时加以校正，比只依靠模型的一次优化更能适应实际过程，使得算法具备更强的鲁棒性。
附图说明
图1为时延补偿机构图。
图2为预测控制基本原理图。
图3为闭环系统的响应及输入变化图。
图4为参数空间分割及状态变化。
具体实现方式
在算法的四步原理基础上，具体来说其详细过程及推导过程如下：
Step1：系统建模；
对于无人机非线性系统来说，可以将方程线性化后简化为如下状态空间方程的形式，以方便分析系统的特性从而对其进行控制；
其中，x指飞机的飞行状态量，可以是角度相关的量，如迎角、侧滑角，可以是位置相关的量，如高度、速度，是指状态量的导数；y为系统输出；矩阵A为状态矩阵，B为输入矩阵，C为输出矩阵，D为前馈矩阵。统一采用如式(1)所示的状态方程，A、B、C、D为系统状态空间方程的矩阵参数；
Step2：建立预测模型；
基于状态方程进行预测控制的基本理论，可知式(1)的离散状态方程描述的单输入单输出线性系统为：
x(k+1)＝Ax(k)+bu(k) (2)
y(k)＝cx(k)
式(2)中，状态变量x(k)∈R实时可测，u(k)、y(k)分别为系统k时刻的输入输出，A，b，c分别为离散系统的状态矩阵、控制矩阵和输出矩阵；
Step3：基于预测模型进行状态预测；
假设从k时刻其系统输入发生M步变化，而后保持不变，则将式(2)当作预测模型，可以预测出在u(k),u(k+1),…,u(k+M-1)作用未来P(P≥M)个时刻的系统状态为：
将式(3)用向量形式描述为：
X(k)＝Fx x(k)+GxU(k) (4)
其中，
式中，Fx，Gx分别表示离散系统状态矩阵和控制矩阵。
Step4：基于式(2)中的输出方程，可得未来P个时刻的系统输出为：
Y(k)＝Fyx(k)+GyU(k) (5)
其中，
式中Fy，Gy分别表示离散系统输出矩阵和前馈矩阵。
由于系统单位脉冲响应在采样时刻的值gi＝cTAi-1b,i≥1，故Gy也可写为：
Step5：确定优化性能指标；
基于上述状态预测，明确在k时刻的状态优化问题可表述为：确定从该时刻起的M个控制量u(k),…,u(k+M-1)，使被控对象在其作用下未来P个时刻的状态得到整定，即趋近x＝0，同时抑制控制作用的剧烈变化。优化性能指标可表达为向量形式：
其中，Qx、Rx为适当维数的状态和控制加权矩阵，J(k)为指标函数。
Step6：在不考虑约束时，结合状态预测模型式(4)，可以求出最优解的解析表达式为：
Step7：求取及时控制量：基于式(7)可求出及时控制量为：
其中反馈增益
Step8：由于x(k)可测，在每一时刻实测得到的x(k)可直接用来对该时刻的预测和优化做初始定位，这意味着预测和优化都基于系统的实时反馈信息，从而自然实现了反馈校正不必再引入额外的校正措施。
Step9：进入下一采样时刻后，从step1开始重新循环执行上述各步骤。
其中Step1～3为预测输出阶段，Step4～5得到优化性能指标的向量形式， Step6～7求取最优解的及时控制量step8～9利用x(k)直接反馈到模型进行矫正。
实际举例：
考虑如下式所示的离散系统，其状态空间为：
系统的约束条件可以表示为:
选择二次函数作为上式的优化目标函数，则无限域最优控制问题可以描述为：
令预测区间N＝5，控制区间M＝3，输入加权阵Ru＝0.001，输入速率加权阵选择为Rδu＝0.0001，状态加权阵Q＝I2单位阵。
各终端条件参照第2.2节中的方法进行设计，其中终端代价函数的加权矩阵 P可以通过求解代数黎卡蒂方程得到，其值如下：
而线性局部控制器的状态反馈系数矩阵K的取值如下：
K＝[0.6176 1.6172]
终端约束集选择为椭球集合，取值为：
Ep＝{x:xTPx≤1}
其中Ep为终端约束的指标函数。
将上述模型参数值及约束条件输入到预测控制器计算软件，求得一个预测控制器。下面通过仿真实验来验证该控制器的性能。
设系统的初始状态为x0＝[4 -3]T，控制任务设计是将初始状态驱动到零状态。图3给出了上述控制过程中闭环系统的响应及输入量的变化过程。
以上对本发明进行了描述，需要指出的是，本发明不局限于上述特定实施方式；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，依据本发明的技术实质所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (4)
1.一种基于预测控制的无人机操控时延补偿方法，其特征在于，由地面站发出操控指令，传到无人机上，地面站根据无人机的飞行状态做出预估，结合预估结果对无人机的下一步控制进行调整，补偿由传播距离、噪声带来得时延，具体求解补偿算法如下：
(1)根据预测模型对对象在未来一段时间内的输出进行预测；
(2)通过优化算法对所建立的代价函数进行优化，得到一个控制向量；
(3)将控制向量的第一个值经修正后作用于对象，得到对象的当前输出值；
(4)结合预测输出和当前输出对模型的状态进行校正；进入下一采样时刻后，循环执行上述各步骤。
2.如权利要求1所述的操控时延补偿方法，其特征在于，所述预测控制算法的基本策略是采用有限时域滚动优化方式来获取控制信号。
3.如权利要求1所述的操控时延补偿方法，其特征在于，在求解补偿算法的四步原理基础上，具体推导及补偿过程如下：
Step1：系统建模；
对于无人机非线性系统来说，可以将方程线性化后简化为如下状态空间方程的形式，以方便分析系统的特性从而对其进行控制；
其中，x指飞机的飞行状态量，可以是角度相关的量，如迎角、侧滑角，可以是位置相关的量，如高度、速度，是指状态量的导数；y为系统输出；矩阵A为状态矩阵，B为输入矩阵，C为输出矩阵，D为前馈矩阵；式(1)所示的状态方程，A、B、C、D为系统状态空间方程的矩阵参数；
Step2：建立预测模型；
基于状态方程进行预测控制的基本理论，可知式(1)的离散状态方程描述的单输入单输出线性系统为：
式(2)中，状态变量x(k)∈R实时可测，u(k)、y(k)分别为系统k时刻的输入输出，A，b，c分别为离散系统的状态矩阵、控制矩阵和输出矩阵；
Step3：基于预测模型进行状态预测；
假设从k时刻其系统输入发生M步变化，而后保持不变，则将式(2)当作预测模型，可以预测出在u(k),u(k+1),…,u(k+M-1)作用未来P(P≥M)个时刻的系统状态为：
将式(3)用向量形式描述为：
X(k)＝Fxx(k)+GxU(k) (4)
其中，
式中，Fx，Gx分别表示离散系统状态矩阵和控制矩阵；
Step4：基于式(2)中的输出方程，可得未来P个时刻的系统输出为：
Y(k)＝Fyx(k)+GyU(k) (5)
其中，
式中Fy，Gy分别表示离散系统输出矩阵和前馈矩阵；
由于系统单位脉冲响应在采样时刻的值gi＝cTAi-1b,i≥1，故Gy也可写为：
Step5：确定优化性能指标；
基于上述状态预测，明确在k时刻的状态优化问题可表述为：确定从该时刻起的M个控制量u(k),…,u(k+M-1)，使被控对象在其作用下未来P个时刻的状态得到整定，即趋近x＝0，同时抑制控制作用的剧烈变化；优化性能指标可表达为向量形式：
其中，Qx、Rx为适当维数的状态和控制加权矩阵，J(k)为指标函数；
Step6：在不考虑约束时，结合状态预测模型式(4)，可以求出最优解的解析表达式为：
Step7：求取及时控制量：基于式(7)可求出及时控制量为：
其中反馈增益
Step8：由于x(k)可测，在每一时刻实测得到的x(k)可直接用来对该时刻的预测和优化做初始定位，这意味着预测和优化都基于系统的实时反馈信息，从而自然实现了反馈校正不必再引入额外的校正措施；
Step9：进入下一采样时刻后，从step1开始重新循环执行上述各步骤；
其中Step1～3为预测输出阶段，Step4～5得到优化性能指标的向量形式，Step6～7求取最优解的及时控制量step8～9利用x(k)直接反馈到模型进行矫正。
4.如权利要求3所述操控时延补偿方法，其特征在于，所述无人机状态参数量可以与角度相关的迎角、侧滑角参数量，也可以是与位置高度、速度参数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910077411.3A CN110096064A (zh) | 2019-01-25 | 2019-01-25 | 一种基于预测控制的无人机操控时延补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910077411.3A CN110096064A (zh) | 2019-01-25 | 2019-01-25 | 一种基于预测控制的无人机操控时延补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110096064A true CN110096064A (zh) | 2019-08-06 |
Family
ID=67443785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910077411.3A Pending CN110096064A (zh) | 2019-01-25 | 2019-01-25 | 一种基于预测控制的无人机操控时延补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110096064A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837254A (zh) * | 2019-11-04 | 2020-02-25 | 哈尔滨工程大学 | 一种水翼艇纵向运动控制方法 |
| CN111208838A (zh) * | 2020-04-20 | 2020-05-29 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
| CN112995597A (zh) * | 2021-02-24 | 2021-06-18 | 四川腾盾科技有限公司 | 一种用于高速无人机实时锁定目标的系统及方法 |
| CN113777930A (zh) * | 2021-10-09 | 2021-12-10 | 西安热工研究院有限公司 | 基于模型预测控制算法的供热机组协调控制系统及其方法 |
| CN115544673A (zh) * | 2022-11-28 | 2022-12-30 | 四川腾盾科技有限公司 | 一种大型无人机起降辅助操控的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2037339A2 (en) * | 2007-09-14 | 2009-03-18 | The Boeing Company | Method and system to control operation of a device using an integrated simulation with a time shift option |
| CN104015190A (zh) * | 2014-05-13 | 2014-09-03 | 中国科学院力学研究所 | 一种不确定双向时延条件下的机器人远程控制方法和系统 |
| CN105978751A (zh) * | 2016-05-10 | 2016-09-28 | 中国航空无线电电子研究所 | 一种无人机地面控制站时延特性测试评估系统 |
| US20180181144A1 (en) * | 2015-12-23 | 2018-06-28 | Swiss Reinsurance Ltd. | Flight trajectory prediction system and flight trajectory-borne automated delay risk transfer system and corresponding method thereof |
-
2019
- 2019-01-25 CN CN201910077411.3A patent/CN110096064A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2037339A2 (en) * | 2007-09-14 | 2009-03-18 | The Boeing Company | Method and system to control operation of a device using an integrated simulation with a time shift option |
| CN104015190A (zh) * | 2014-05-13 | 2014-09-03 | 中国科学院力学研究所 | 一种不确定双向时延条件下的机器人远程控制方法和系统 |
| US20180181144A1 (en) * | 2015-12-23 | 2018-06-28 | Swiss Reinsurance Ltd. | Flight trajectory prediction system and flight trajectory-borne automated delay risk transfer system and corresponding method thereof |
| CN105978751A (zh) * | 2016-05-10 | 2016-09-28 | 中国航空无线电电子研究所 | 一种无人机地面控制站时延特性测试评估系统 |
Non-Patent Citations (1)
| Title |
|---|
| 蓝军: "基于4G移动网络的无人机空中管制关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837254A (zh) * | 2019-11-04 | 2020-02-25 | 哈尔滨工程大学 | 一种水翼艇纵向运动控制方法 |
| CN110837254B (zh) * | 2019-11-04 | 2022-10-28 | 哈尔滨工程大学 | 一种水翼艇纵向运动控制方法 |
| CN111208838A (zh) * | 2020-04-20 | 2020-05-29 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
| CN112995597A (zh) * | 2021-02-24 | 2021-06-18 | 四川腾盾科技有限公司 | 一种用于高速无人机实时锁定目标的系统及方法 |
| CN113777930A (zh) * | 2021-10-09 | 2021-12-10 | 西安热工研究院有限公司 | 基于模型预测控制算法的供热机组协调控制系统及其方法 |
| CN115544673A (zh) * | 2022-11-28 | 2022-12-30 | 四川腾盾科技有限公司 | 一种大型无人机起降辅助操控的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096064A (zh) | 一种基于预测控制的无人机操控时延补偿方法 | |
| CN110502033B (zh) | 一种基于强化学习的固定翼无人机群集控制方法 | |
| Chen et al. | Path planning for multi-UAV formation | |
| CN109520504B (zh) | 一种基于网格离散化的无人机巡查路径优化方法 | |
| CN109917806B (zh) | 一种基于非劣解鸽群优化的无人机集群编队控制方法 | |
| He et al. | Impact angle constrained integrated guidance and control for maneuvering target interception | |
| Greeff et al. | Flatness-based model predictive control for quadrotor trajectory tracking | |
| Oh et al. | Decentralised standoff tracking of moving targets using adaptive sliding mode control for UAVs | |
| Quintero et al. | Vision-based target tracking with a small UAV: Optimization-based control strategies | |
| Mueller et al. | Iterative learning of feed-forward corrections for high-performance tracking | |
| Mousavi et al. | LTV-MPC based path planning of an autonomous vehicle via convex optimization | |
| CN106647257B (zh) | 一种基于正交最小二乘的前馈控制方法 | |
| CN111427379B (zh) | 观测驱动的多无人机协同standoff目标跟踪方法 | |
| CN103217981A (zh) | 一种基于积分变结构控制的四旋翼飞行器速度控制方法 | |
| Yan et al. | Robust control strategy for multi-UAVs system using MPC combined with Kalman-consensus filter and disturbance observer | |
| CN112824998A (zh) | 马尔可夫决策过程的多无人机协同航路规划方法和装置 | |
| Wang et al. | Least global position information based control of fixed-wing UAVs formation flight: Flight tests and experimental validation | |
| Chen et al. | Robust horizontal-plane formation control for small fixed-wing UAVs | |
| Kobayashi et al. | Model based predictive control for networked control system with time delay | |
| Saha et al. | Linear optimal control of a parrot AR drone 2.0 | |
| CN115407661A (zh) | 基于方位测量信息多无人机系统非线性鲁棒跟踪控制方法 | |
| Xu et al. | Distributed MPC for Trajectory Tracking and Formation Control of Multi-UAVs With Leader-Follower Structure | |
| Lee et al. | A mini-drone development, genetic vector field-based multi-agent path planning, and flight tests | |
| Chen et al. | Vision-based formation control of multiple UAVs with event-triggered integral sliding mode control | |
| CN115237150A (zh) | 一种固定翼编队避障方法 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221104 |
|
| AD01 | Patent right deemed abandoned |