CN110618698B - 基于自适应遗传算法的飞行模拟器运动控制方法 - Google Patents

Abstract

本发明公开一种基于自适应遗传算法的飞行模拟器运动控制方法，通过接收真实飞行运动参数输入，利用自适应遗传算法优化经典洗出算法模型，并基于此模型进行洗出运算，计算得到平台运动位移，通过信号转换得到各杆件的驱动力信号，驱动运动平台完成预定的飞行姿态运动。本方案通过对模拟器经典洗出算法原理进行研究，充分的考虑各种约束因素的影响，从算法整体结构出发，利用自适应遗传算法选出最佳经典洗出算法参数，优化运动仿真技术，可有效提高飞行模拟的运动逼真度，改善飞行训练效果。

Description

基于自适应遗传算法的飞行模拟器运动控制方法

技术领域

本发明属于飞行模拟器运动控制领域，具体涉及一种基于自适应遗传算法的飞行模拟器运动控制方法。

背景技术

IPT(Integrated Procedures Trainer)综合流程训练器，是航天领域中重要的训练设备。为营造更真实的飞行环境，IPT通过控制运动平台来模拟各种飞行动作，将运动感知传给模拟驾驶舱内的训练人员。影响运动模拟的主要机构是动感运动平台，其中包括平台的结构设计、运动学原理和控制算法。优化运动平台控制算法，可提高飞行模拟的运动逼真度，改善飞行训练效果。

目前国内外使用最多的控制算法是洗出算法，控制系统接收输入的真实运动参数，经过洗出计算后得到平台运动位移，然后通过信号转换得到各杆件的驱动力信号，驱动运动平台完成预定的姿态运动。经典洗出算法形式简单、易于调节、反馈迅速、执行速度快，被广泛应用于实际的运动平台控制系统。

经典洗出算法的滤波参数经确定后在计算过程保持不变，故优化滤波参数对模拟逼真度起着至关重要的作用，针对此类问题，需建立优化参数的数学模型，即非线性最优化问题。目前，解决此类问题的方法主要采用惩罚函数法，惩罚函数法是将约束条件转化为某种惩罚函数加到目标函数中，从而将约束优化问题转化为一系列的无约束优化问题来求解，是经典的求解约束非线性最优化问题的方法，但其求解的收敛速度较慢，收敛准确度较低，会严重影响运动模拟的逼真度。

发明内容

本发明针对现有技术中存在的运动模拟精度差等缺陷，提出一种基于自适应遗传算法的飞行模拟器运动控制方法，可有效提高飞行模拟的运动逼真度，提高飞行训练效果。

本发明是采用以下的技术方案实现的：基于自适应遗传算法的飞行模拟器运动控制方法，包括以下步骤：

步骤1、飞行模拟器控制系统初始化，以确定运动平台位于初始位置；

步骤2、设定飞行动力学模型，并获得其对应的飞行参数；

所述飞行参数通过采集模拟座舱控制信号获得，所述飞行参数包括机体坐标系下的轴向加速度、滚转角速度、滚转角加速度、俯仰角速度、俯仰角加速度、偏航角速度、偏航角加速度和姿态角；

步骤3、构建基于自适应遗传算法的洗出算法模型，将步骤2得到的飞行参数作为洗出算法模型的输入，获得驱动信号；

步骤4、对步骤3中所获得的驱动信号进行积分运算分析，以得到运动平台运动的位移和角位移；

步骤5、基于步骤4所获得的位移和角位移信息，通过运动学反解对运动平台进行速度、加速度以及动力学分析，进而得到各杆件的驱动力信号，从而驱动运动平台运动。

进一步的，所述步骤3中，基于自适应遗传算法的洗出算法模型构建过程如下：

步骤(1)：首先确定优化目标函数：

min(θ_S)

其中，

为运动平台纵向位移，θ_S为俯仰角位移；

步骤(2)：设定目标函数的约束条件，所述约束条件包括人体感觉阈值、响应能力和平台运动空间，即：

①模拟器运动在平台运动空间范围内；

②平台最大位移返回初始状态所用时间r_t小于最大回位时间r_tmax；

③平台回位角速度r_w和回位加速度r_a分别对应的大于平台回位最小角速度r_wmin和回位最小加速度r_amin，且不超出人体感觉角速度阈值和人体感觉比力阈值；

④平台倾斜等效角速度ω_e在人体感觉角速度阈值范围内；

步骤(3)：基于自适应遗传算法优化出最佳经典洗出算法参数。

进一步的，所述步骤(3)中，基于自适应遗传算法优化出最佳经典洗出算法参数具体通过以下方式实现：

步骤(31)设置适应度函数f(x)，对适应度函数进行变换：

f‘(x)＝f(x)+k(β-0.5)

式中，f‘(x)表示变换后的适应度函数，k为正常数，k越小则变换力度越小，β表示适应度差值比值；

步骤(32)确定交叉概率函数：

设交叉概率函数Pc＝β；

步骤(33)确定变异概率函数：

设置变异概率P_m＝0.05(1-β)；

通过适应度函数、交叉概率和变异概率的设置，通过适应度来调整变异概率和交叉概率，以进行优化求解出纵向和俯仰方向的优化参数，同样应用于横向和横滚、垂向和偏航方向的参数问题求解。

进一步的，所述步骤(31)中，β设置如下：

β＝Δf/ΔF

Δf＝f_max-f_min

ΔF＝F_max-F_min

式中，Δf表示某待优化的滤波器参数当前的适应度差值，ΔF表示待优化的各个滤波器参数适应度差值的理论最大值，f_min表示在算法运行过程中各滤波器参数适应度最小值，f_max表示算法运行过程中各滤波器参数适应度最大值，F_max表示各滤波器参数适应度的理论最大值，F_min表示各滤波器参数适应度的理论最小值，得β的取值范围是[0,1]。

进一步的，所述步骤(3)中，在分析某滤波器参数最优解的过程中：

当存在个体适应度差异较大时，个体的适应度均增加k(β-0.5)；

当存在个体适应度差异较小时，个体的适应度均减少k(β-0.5)。

与现有技术相比，本发明的优点和积极效果在于：

本方案通过对模拟器经典洗出算法原理进行研究，充分的考虑各种约束因素的影响，从算法整体结构出发，创造性的基于自适应遗传算法分析出最佳经典洗出算法参数，优化运动仿真技术，有效提高飞行模拟的运动逼真度，改善飞行训练效。

附图说明

图1为本发明实施例所述控制方法原理框图；

图2为本发明实施例中所述经典洗出算法原理框图；

图3为本发明实施例所述反解过程原理示意图。

具体实施方式

为了能够更清楚的理解本发明的上述目的和优点，下面结合附图对本发明的具体实施方式做详细地描述：

一种基于自适应遗传算法的飞行模拟器运动控制方法，主要应用于飞行模拟器中，如图1所示，为其原理示意图，主要包括：

步骤1：飞行模拟器控制系统初始化，以确定运动平台位于初始位置；

步骤2：设定飞行动力学模型，并获得其对应的飞行参数；

所述飞行参数通过采集模拟座舱控制信号获得，所述飞行参数包括机体坐标系下的三个轴向加速度、滚转角速度、滚转角加速度、俯仰角速度、俯仰角加速度、偏航角速度、偏航角加速度和姿态角；

步骤3：基于自适应遗传算法，将步骤2得到的飞行参数作为该控制算法的输入，根据构建的基于自适应遗传算法的洗出算法模型，得到驱动信号；

步骤4：对驱动信号进行积分运算，得到平台运动的位移和角位移；

步骤5：由平台运动的位移和角位移，利用运动学反解对平台进行速度、加速度以及动力学分析，得到各杆件的驱动力信号，从而驱动平台运动。

其中，步骤3中，如图2所示，为经典洗出算法原理示意图，以六自由度模拟器为例，经典洗出算法由平移(纵向、横向、垂向)通道和旋转(横滚、俯仰、偏航)通道组成，具体包括平移高通通道、平移低通通道和旋转高通通道：

3阶高通滤波器如公式(1)所示：

2阶平移低通滤波器如公式(2)所示：

2阶旋转高通滤波器如公式(3)所示：

式中：i,k表示方向(i＝X,Y,Z；

)；s为Laplace变换参数；ω₁，ω_b分别为构成3阶平移高通滤波器中的1阶高通滤波器和2阶高通滤波器的截止频率；ζ₁为其中2阶高通滤波器的阻尼比；ω₂，ζ₂分别为2阶平移低通滤波器的截止频率和阻尼比；ω₃，ζ₃分别为2阶旋转高通滤波器的截止频率和阻尼比。

通过公式(1)(2)和(3)可求解出相应的平台运动，在相应计算过程中，构成3阶平移高通滤波器中的1阶高通滤波器和2阶高通滤波器的截止频率，2阶高通滤波器的阻尼比，2阶平移低通滤波器的截止频率和阻尼比，2阶旋转高通滤波器的截止频率和阻尼比是固定不变的，且这些参数的好与坏将直接影响到人体的运动感觉。因此，本实施例将重点研究各滤波器优化问题以找到最佳的滤波器参数。

具体的，基于自适应遗传算法的洗出算法的滤波器参数优化过程如下：

(1)首先确定优化目标函数，以纵向和俯仰方向为例，输入的比例和角速度矢量分别为：

β_m＝[0,θ_m,0]^T (4)

式中：

θ_m分别为纵向的输入比和俯仰的输入角速度。

由经典洗出算法原理可得平台纵向位移

和俯仰角位移θ_S为：

式中，

为p阶纵向高通滤波器；

为q阶纵向低通滤波器；

为r阶俯仰高通滤波器。

设定各滤波器方程为

联立公式(5)、(6)和(7)，平台运动最终会返回到初始位置，得到：

可得高通滤波器最小阶为p＝3,r＝2，得到3阶纵向高通滤波器极点表达式为：

2阶纵向低通滤波器极点表达式为：

2阶俯仰高通滤波器为：

式中:a₁,a₂,a₃,b₁,b₂,c₁,c₂为各滤波器参数。

将公式(9)-(11)分别代入公式(5)和公式(6)，设置输入信号为阶跃信号，根据Fourier变换关系和Laplace变换，令s＝jf(j为虚轴单位；f为仿真频率)，得到各滤波器参数和常用的滤波器参数关系：

为了使模拟舱在完成一次突进加速后以不被驾驶人员感知的速度回到初始位置，应令

和θ_S尽可能小，即目标函数应为：

min(θ_S)

(2)限定目标函数的约束条件，所述约束条件主要包括人体感觉阈值、响应能力和平台运动空间。

例如：

①模拟器运动尽量在平台运动空间范围内；

②平台由最大(角)位移返回初始状态所用时间r_t应该小于最大回位时间r_tmax；

③平台回位角速度r_w和回位加速度r_a必须大于平台回位最小角速度r_wmin和回位最小加速度r_amin，但因为洗出运动不应被人体察觉，所以该值不应超出人体感觉角速度阈值和人体感觉比力阈值(0.2m°s^-2)；

④平台倾斜等效角速度ω_e应该在人体感觉角速度阈值范围内。

(3)基于上述步骤(1)和(2)建立的目标函数和限定的约束条件，利用自适应遗传算法优化出最佳经典洗出算法参数：

本实施例中，以纵向和俯仰方向的优化参数为例进行说明，而其他参数采用相同原理，在此不做具体说明：

目标函数：

min(θ_S)

约束条件：

①满足平台运动空间的要求；

②r_t≤r_tmax；

③r_a∈[r_amin,0.2](r_amin取0.15m°s^-1)；

④r_w∈[r_wmin,0.0524](rad°s^-1)；

⑤ω_e∈[0,0.0524](rad°s^-1)。

考虑到此优化问题的目标函数具有多目标性的特点，约束条件是非线性的，使用传统方法进行优化较难得到最优解，本实施例基于自适应遗传算法优化上述模型，求解出洗出算法中各滤波器的最佳参数。

自适应遗传算法关键在于适应度函数、交叉概率和变异概率的确定，本实施例中对适应度函数、交叉概率函数与变异概率函数的设置如下：

(31)设置适应度函数f(x)，对适应度函数进行变换：

f‘(x)＝f(x)+k(β-0.5)

式中，f‘(x)表示变换后的适应度，k为正常数，根据具体情况进行设置，越小则变换力度越小，但应保证最后适应度值非负，适应度表示个体接近最优解的程度，个体的适应度越高，遗传的概率越大，被选择的概率用个体的适应度与群体中个体的适应度的和的比值表示，所以在设计适应度函数时，要保证值非负。

本实施例采用适应度差值来衡量适应度差异大小，β设置如下：

β＝Δf/ΔF

Δf＝f_max-f_min

ΔF＝F_max-F_min

式中，Δf表示某待优化的滤波器参数当前的适应度差值，ΔF表示待优化的各个滤波器参数适应度差值的理论最大值，f_min表示在算法运行过程中各滤波器参数适应度最小值，f_max表示算法运行过程中各滤波器参数适应度最大值，F_max表示各滤波器参数适应度的理论最大值，F_min表示各滤波器参数适应度的理论最小值，得β的取值范围是[0,1]。

在对某滤波器参数最优解的分析过程中，存在个体适应度差异较大时，个体的适应度均增加k(β-0.5)，则适应度小的个体增加的比例大，被选择的概率也将增大，利于对更广的解空间进行搜索，避免陷于局部极值；在搜索某滤波器参数最优解的过程中个体适应度存在差异较小时，个体的适应度均减少k(β-0.5)(这一般发生在进化后期，个体的适应度一般较大，减少后通常仍非负，假设个别个体的适应度很小，减少后为负，可补充定义为在这种情况下其为某个较小值或为0，适应度大的个体减少的比例也就小，被选择的概率也将增大，即增强了搜索的导向性，避免随机搜索的发生)。

(32)确定交叉概率函数：

设置交叉概率Pc＝β，即Pc的取值范围为[0，1]，交叉概率会随着搜索滤波器参数最优解的进程不断变化，在参数优化的初始阶段，个体差异较大，交叉产生更好个体的可能性也较大，故增大交叉概率，加快优化进程；在优化的后期，个体差异较小，交叉产生更好的个体的可能性也较小，故减小交叉概率，减少计算量。

(33)确定变异概率函数：

设置变异概率P_m＝0.05(1-β)，当个体存在差异较大时，减小变异概率，可减少计算量，也能保持群体的多样性；个体差异较小时，增大变异概率，以保持群体的多样性。

由上述适应度函数和交叉概率、变异概率的设置，本实施例能够通过适应度来调整变异概率和交叉概率，以对上述模型进行优化求解出纵向和俯仰方向的优化参数，此算法同样也可应用于横向和横滚、垂向和偏航方向的参数问题。

另外，本实施例步骤5中涉及的运动学反解过程，下面以图3为例介绍如下：

已知平台运动位移和姿态变化，求解各支撑杆的运动情况称为运动学反解；一般假设运动开始前运动平台处于中立2位置，平台上各铰点坐标已知，只需求出运动后的各铰点的坐标，即可算出各个液压杆的伸缩量。

图3中，运动平台上平台原点为O’，下平台原点为O，上铰点为Ai，下铰点为Bj，O到O’为

O到Bj为

O到Ai为

O’到Ai为

Bj到Ai为

各向量关系如下：

可得：

其中，

和

可直接测得，只需求得

就可求得杆长

运动坐标系O’x’y’z’中上铰点初始坐标为：

A′_i0＝(A′_i0x,A′_i0y,A′_i0z)^T

运动坐标系O’x’y’z’中上铰点运动后坐标为：

A′_i＝(A′_ix,A′_iy,A′_iz)^T

静止坐标系Oxyz中上铰点的初始坐标为：

A_i0＝L_IS·A′_i0＝(A_i0x,A_i0y,A_i0z)^T

静止坐标系Oxyz中上铰点运动后坐标为：

A_i＝L_IS·A′_i＝(A_ix,A_iy,A_iz)^T

静止坐标系Oxyz中下铰点的坐标为：

B_j＝(B_jx,B_jy,B_jz)^T

各个液压杆件

各杆件运动后的长度减去初始长度即为液压杆件的长度变化量，计算公式为：

ΔL＝L_i-L_i0。

进而，通过运动学反解对运动平台进行速度、加速度以及动力学分析，进而得到各杆件的驱动力信号，从而驱动运动平台运动。

本方案对模拟器经典洗出算法原理进行研究，通过接收真实飞行运动参数输入，利用自适应遗传算法优化经典洗出算法模型，并基于此模型进行洗出运算，计算得到平台运动位移，通过信号转换得到各杆件的驱动力信号，驱动平台完成预定的飞行姿态运动。充分的考虑了各种约束因素的影响，有效提高模拟逼真度。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (2)

1.基于自适应遗传算法的飞行模拟器运动控制方法，其特征在于，包括以下步骤：

步骤1、飞行模拟器控制系统初始化，以确定运动平台位于初始位置；

步骤2、设定飞行动力学模型，并获得其对应的飞行参数；

所述飞行参数通过采集模拟座舱控制信号获得，所述飞行参数包括机体坐标系下的轴向加速度、滚转角速度、滚转角加速度、俯仰角速度、俯仰角加速度、偏航角速度、偏航角加速度和姿态角；

步骤3、构建基于自适应遗传算法的洗出算法模型，将步骤2得到的飞行参数作为洗出算法模型的输入，获得驱动信号；所述基于自适应遗传算法的洗出算法模型的构建过程如下：

步骤(1)：首先确定优化目标函数：

min(θ_S)

其中，

为运动平台纵向位移，θ_S为俯仰角位移；

步骤(2)：设定目标函数的约束条件，所述约束条件包括人体感觉阈值、响应能力和平台运动空间，即：

①模拟器运动在平台运动空间范围内；

②平台最大位移返回初始状态所用时间r_t小于最大回位时间r_tmax；

③平台回位角速度r_w和回位加速度r_a分别对应的大于平台回位最小角速度r_wmin和回位最小加速度r_amin，且不超出人体感觉角速度阈值和人体感觉比力阈值；

④平台倾斜等效角速度ω_e在人体感觉角速度阈值范围内；

步骤(3)：基于自适应遗传算法优化出最佳经典洗出算法参数，其方式实现如下：

步骤(31)设置适应度函数f(x)，对适应度函数进行变换：

f‘(x)＝f(x)+k(β-0.5)

式中，f‘(x)表示变换后的适应度函数，k为正常数，k越小则变换力度越小，β表示适应度差值比值；β设置如下：

β＝Δf/ΔF

Δf＝f_max-f_min

ΔF＝F_max-F_min

式中，Δf表示某待优化的滤波器参数当前的适应度差值，ΔF表示待优化的各个滤波器参数适应度差值的理论最大值，f_min表示在算法运行过程中各滤波器参数适应度最小值，f_max表示算法运行过程中各滤波器参数适应度最大值，F_max表示各滤波器参数适应度的理论最大值，F_min表示各滤波器参数适应度的理论最小值，得β的取值范围是[0,1] ；

步骤(32)确定交叉概率函数：

设交叉概率函数Pc＝β；

步骤(33)确定变异概率函数：

设置变异概率P_m＝0.05(1-β)；

通过适应度函数、交叉概率和变异概率的设置，通过适应度来调整变异概率和交叉概率，以进行优化求解出纵向和俯仰方向的优化参数，同样应用于横向和横滚、垂向和偏航方向的参数问题求解；

步骤4、对步骤3中所获得的驱动信号进行积分运算分析，以得到运动平台运动的位移和角位移；

步骤5、基于步骤4所获得的位移和角位移信息，通过运动学反解对运动平台进行速度、加速度以及动力学分析，进而得到各杆件的驱动力信号，从而驱动运动平台运动。

2.根据权利要求1所述的基于自适应遗传算法的飞行模拟器运动控制方法，其特征在于：所述步骤(3)中，在分析某滤波器参数最优解的过程中：

当存在个体适应度差异较大时，个体的适应度均增加k(β-0.5)；

当存在个体适应度差异较小时，个体的适应度均减少k(β-0.5)。

Images