CN111679685A - 基于无人机总能量飞行控制方法和装置 - Google Patents

基于无人机总能量飞行控制方法和装置 Download PDF

Info

Publication number
CN111679685A
CN111679685A CN202010570878.4A CN202010570878A CN111679685A CN 111679685 A CN111679685 A CN 111679685A CN 202010570878 A CN202010570878 A CN 202010570878A CN 111679685 A CN111679685 A CN 111679685A
Authority
CN
China
Prior art keywords
total energy
coefficient
integral
proportional
unmanned aerial
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.)
Granted
Application number
CN202010570878.4A
Other languages
English (en)
Other versions
CN111679685B (zh
Inventor
王玉杰
高显忠
侯中喜
郭正
朱炳杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010570878.4A priority Critical patent/CN111679685B/zh
Publication of CN111679685A publication Critical patent/CN111679685A/zh
Application granted granted Critical
Publication of CN111679685B publication Critical patent/CN111679685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/08—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请涉及一种基于无人机总能量飞行控制方法和装置。所述方法包括：构建无人机的总能量模型，根据总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量，根据总能量模型，计算无人机的总能量分配率，根据期望总能量分配率和总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量，采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化，根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到推力对应的控制量和推力差动的控制量，根据推力对应的控制量和推力差动的控制量进行无人机飞行控制。采用本方法能够快速对控制参数进行整定。

Description

基于无人机总能量飞行控制方法和装置
技术领域
本申请涉及无人机技术领域，特别是涉及一种基于无人机总能量飞行控制方法和装置。
背景技术
飞机总能量控制系统(Total Energy Control System，TECS)是在20世纪80年代由Boeing公司提出。总能量控制系统作为一种全新的综合飞行/推力控制系统，具有结构简单和鲁棒性强的特点，已经在飞行控制领域显示出广阔的应用前景，但是，总能量控制系统需要整定的参数较多，依靠人工试凑难以得到最佳的控制效果。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决参数整定困难的基于无人机总能量飞行控制方法和装置。
一种基于无人机总能量飞行控制方法，所述方法包括：
构建无人机的总能量模型；
根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量；所述第一比例积分的系数包括：第一比例系数和第一积分系数；
根据所述总能量模型，计算所述无人机的总能量分配率；所述总能量分配率为所述无人机势能和动能的比；
根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量；所述第二比例积分的系数包括：第二比例系数和第二积分系数；
采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化；
根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到所述推力对应的控制量和所述推力差动的控制量；
根据所述推力对应的控制量和所述推力差动的控制量进行无人机飞行控制。
在其中一个实施例中，还包括：根据无人机的动能和势能，构建无人机的总能量为：
Figure BDA0002548736970000021
其中，m表示无人机质量，g表示重力加速度，h表示无人机当前高度，V表示无人机的当前速度；
根据所述总能量，计算无人机无量纲化的总能量变化率为：
Figure BDA0002548736970000022
其中，
Figure BDA0002548736970000023
表示总能量变化率，
Figure BDA0002548736970000024
表示高度变化率，
Figure BDA0002548736970000025
表示速度变化率；
根据所述总能量和所述总能量变化率，得到无人机总能量模型。
在其中一个实施例中，还包括：根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量为：
Figure BDA0002548736970000026
其中，Tc表示推力对应的控制量，KTP表示第一比例系数，KTI表示第一积分系数，
Figure BDA0002548736970000027
表示期望总能量变化率和所述总能量变化率的差值。
在其中一个实施例中，还包括：根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量为：
Figure BDA0002548736970000028
其中，ΔδT表示推力差动的控制量，KEP表示第二比例系数，KEI表示第二积分系数，
Figure BDA0002548736970000029
表示期望总能量分配率和所述总能量分配率的差值，θ和q分别表示俯仰角和俯仰角速度，Kθ和Kq分别表示俯仰角和俯仰角速度的反馈增益。
在其中一个实施例中，还包括：通过预先设置的模拟退火算法对所述粒子群算法中的粒子群进行模拟退火操作；根据退火操作后的粒子群中的粒子对所述第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化。
在其中一个实施例中，还包括：确定粒子群规模M和最大迭代次数Nmax，并在参数区间范围内随机初始化粒子群Swarm(x)、各粒子的运动速度V(x)以及初始温度tk＝T0；
对所述粒子群Swarm(x)中每个粒子进行适应度评价，得到各个粒子对应的适应度J(k)；
在所述粒子群Swarm(x)中每个粒子xi的邻域内随机选择粒子xj，根据模拟退火中的Metropolis规则，以概率Pij＝min{1,exp(-[J(xj)-J(xi)]/tk)}接收粒子xj，得到新粒子xi′以及新粒子的适应度；其中，xj＝Axi，A为随机矩阵向量；xi′＝Pijxj；
根据新粒子对应的粒子群位置和适应度，更新新粒子个体对应的最优点Pi和新粒子对应粒子群的整体全局最优位置Pg；
根据所述最优点Pi和整体全局最优位置Pg给第一比例系数、第一积分系数、第二比例系数和第二积分系数幅值，并计算第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度；
根据第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度以及最大迭代次数Nmax判断是否满足终止条件，若是则输出第一比例系数、第一积分系数、第二比例系数和第二积分系数的优化值。
在其中一个实施例中，还包括：根据时间加权误差绝对值积分指标，计算所述适应度。
一种基于无人机总能量飞行控制装置，所述装置包括：
模型构建模块，用于构建无人机的总能量模型；
推力控制模块，用于根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量；所述第一比例积分的系数包括：第一比例系数和第一积分系数；
推力差动控制模块，用于根据所述总能量模型，计算所述无人机的总能量分配率；所述总能量分配率为所述无人机势能和动能的比；根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量；所述第二比例积分的系数包括：第二比例系数和第二积分系数；
优化模块，用于采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化；根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到所述推力对应的控制量和所述推力差动的控制量；
控制模块，用于根据所述推力对应的控制量和所述推力差动的控制量进行无人机飞行控制。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
构建无人机的总能量模型；
根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量；所述第一比例积分的系数包括：第一比例系数和第一积分系数；
根据所述总能量模型，计算所述无人机的总能量分配率；所述总能量分配率为所述无人机势能和动能的比；
根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量；所述第二比例积分的系数包括：第二比例系数和第二积分系数；
采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化；
根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到所述推力对应的控制量和所述推力差动的控制量；
根据所述推力对应的控制量和所述推力差动的控制量进行无人机飞行控制。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
构建无人机的总能量模型；
根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量；所述第一比例积分的系数包括：第一比例系数和第一积分系数；
根据所述总能量模型，计算所述无人机的总能量分配率；所述总能量分配率为所述无人机势能和动能的比；
根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量；所述第二比例积分的系数包括：第二比例系数和第二积分系数；
采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化；
根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到所述推力对应的控制量和所述推力差动的控制量；
根据所述推力对应的控制量和所述推力差动的控制量进行无人机飞行控制。
上述基于无人机总能量飞行控制方法、装置、计算机设备和存储介质，通过将无人机的总能量控制转化为推力控制量表达式和推力差动的控制量表达式，上述两个表达式均是通过比例积分控制进行控制，由于推力控制量和推力差动的控制量可以直接用于对无人机飞行进行控制，因此需要整定的参数仅转化为第一比例系数、第一积分系数、第二比例系数和第二积分系数，从而大幅度减少需要整定的参数，在参数整定时，采用粒子群算法，通过设置目标函数，迭代优化得到第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的最优值，从而实现无人机的准确控制。
附图说明
图1为一个实施例中基于无人机总能量飞行控制方法的流程示意图；
图2为一个实施例中基于无人机总能量飞行控制的结构示意图；
图3为一个实施例中基于无人机总能量飞行控制装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于无人机总能量飞行控制方法，包括以下步骤：
步骤102，构建无人机的总能量模型。
无人机的总能量包括：运动产生的动能以及无人机位置所具备的势能，势能与动能的总和为无人机的总能量。
步骤104，根据总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量。
第一比例积分的系数包括：第一比例系数和第一积分系数。本步骤中，通过对无人机的总能量表达式进行求导的方式可以得到总能量变化率，由于无人机受到发动机推力的影响，无人机的总能量在增加，又由于空气阻力的影响，另外，飞行时空气阻力不变，通过求导的方式可以省略空气阻力项，从而建立推力对应的控制量与总能量变化率的关系。
另外，在无人机控制时，航迹角和速度之间存在明显的耦合，因此通过比例积分控制律可以进行解耦，从而提高无人机控制的安全性。
步骤106，根据总能量模型，计算无人机的总能量分配率；总能量分配率为所述无人机势能和动能的比。
在无人机的动能和势能相互转换时，能量分配率随之发生改变。
步骤108，根据期望总能量分配率和总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量。
第二比例积分的系数包括：第二比例系数和第二积分系数。推力差动指的是无人机各个固定翼之间推理的差异，通过差动控制量，可以实现无人机进行姿态切换、转速、俯仰角等一系列的变换，从而实现无人机姿态的控制。
步骤110，采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化。
粒子群算法是一种群体协作的随机搜索方法，通过迭代的方式，可以寻求局部最优，从而实现对第一比例系数、第一积分系数、第二比例系数和第二积分系数的优化目的。
步骤112，根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到推力对应的控制量和推力差动的控制量。
步骤114，根据推力对应的控制量和推力差动的控制量进行无人机飞行控制。
上述基于无人机总能量飞行控制方法中，通过将无人机的总能量控制转化为推力控制量表达式和推力差动的控制量表达式，上述两个表达式均是通过比例积分控制进行控制，由于推力控制量和推力差动的控制量可以直接用于对无人机飞行进行控制，因此需要整定的参数仅转化为第一比例系数、第一积分系数、第二比例系数和第二积分系数，从而大幅度减少需要整定的参数，在参数整定时，采用粒子群算法，通过设置目标函数，迭代优化得到第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的最优值，从而实现无人机的准确控制。
在其中一个实施例中，构建总能量模型的步骤包括：根据无人机的动能和势能，构建无人机的总能量为：
Figure BDA0002548736970000071
其中，m表示无人机质量，g表示重力加速度，h表示无人机当前高度，V表示无人机的当前速度；
根据总能量，计算无人机无量纲化的总能量变化率为：
Figure BDA0002548736970000072
其中，
Figure BDA0002548736970000073
表示总能量变化率，
Figure BDA0002548736970000074
表示高度变化率，
Figure BDA0002548736970000075
表示速度变化率，根据所述总能量和总能量变化率，得到无人机总能量模型。
具体的，对于量纲化的总能量，利用
Figure BDA0002548736970000076
与γ为小角度近似关系sinγ＝γ，简化可得：
Figure BDA0002548736970000081
其中，γ表示航迹角。
无人机质心运动的切向力方程可表示为：
Figure BDA0002548736970000082
其中，D表示空气阻力，T表示发动机推力。基于无人机飞行时空气阻力保持不变的原理，改变飞行状态所需的推力增量为：
Figure BDA0002548736970000083
其中，
Figure BDA0002548736970000084
表示期望总能量变化率和总能量变化率的差值。
对于步骤104，在其中一个实施例中，根据总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量为：
Figure BDA0002548736970000085
其中，Tc表示推力对应的控制量，KTP表示第一比例系数，KTI表示第一积分系数，
Figure BDA0002548736970000086
表示期望总能量变化率和总能量变化率的差值。第一比例积分控制律的作用是使得无人机由于飞行状态改变而引起的总能量变化率的偏差
Figure BDA0002548736970000087
趋近于0。
对于步骤108，在其中一个实施例中，根据期望总能量分配率和总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量为：
Figure BDA0002548736970000088
其中，ΔδT表示推力差动的控制量，KEP表示第二比例系数，KEI表示第二积分系数，
Figure BDA0002548736970000089
表示期望总能量分配率和总能量分配率的差值，θ和q分别表示俯仰角和俯仰角速度，Kθ和Kq分别表示俯仰角和俯仰角速度的反馈增益。本实施例中，第二比例积分控制律的作用是使能量分配率的偏差趋于零，同时改善飞机短周期运动的品质。
具体的，技术上述控制量，总能量控制框架如图2所示。
对于步骤110，在其中一个实施例中，通过预先设置的模拟退火算法对粒子群算法中的粒子群进行模拟退火操作，根据退火操作后的粒子群中的粒子对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化。由于粒子群算法的局部搜索能力差，且容易陷入局部极值点，但全局搜索能力强，搜索速度快，模拟退火算法具有较强的局部搜索能力，并能使搜索过程避免陷入局部最优解，但模拟退火算法却对整个搜索空间的状况了解不多，不便于使搜索过程进入最有希望的搜索区域，从而使得模拟退火算法的运算效率不高。将粒子群优化算法与模拟退火算法相结合，互相取长补短，则可以得到性能更为优良的全局搜索算法。
具体的，在进行参数优化时，具体为：
步骤1，确定粒子群规模M和最大迭代次数Nmax，并在参数区间范围内随机初始化粒子群Swarm(x)、各粒子的运动速度V(x)以及初始温度tk＝T0；
步骤2，对所粒子群Swarm(x)中每个粒子进行适应度评价，得到各个粒子对应的适应度J(k)；
步骤3，在粒子群Swarm(x)中每个粒子xi的邻域内随机选择粒子xj，根据模拟退火中的Metropolis规则，以概率Pij＝min{1,exp(-[J(xj)-J(xi)]/tk)}接收粒子xj，得到新粒子xi′以及新粒子的适应度；其中，xj＝Axi，A为随机矩阵向量；xi′＝Pijxj；
步骤4，根据新粒子对应的粒子群位置和适应度，更新新粒子个体对应的最优点Pi和新粒子对应粒子群的整体全局最优位置Pg；
步骤5，根据所最优点Pi和整体全局最优位置Pg给第一比例系数、第一积分系数、第二比例系数和第二积分系数幅值，并计算第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度；
步骤6，根据第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度以及最大迭代次数Nmax判断是否满足终止条件，若是则输出第一比例系数、第一积分系数、第二比例系数和第二积分系数的优化值。
具体的，若不满足终止条件，则需要根据粒子群算法更新粒子群中每个粒子的运动速度和位置，便于下一次迭代计算。
另外，对于退火温度的选择，可以采用温度衰变函数，具体为：tk+1＝T(k+1)。
在另一个实施例中，根据时间加权误差绝对值积分指标，计算适应度。
具体适应度计算公式为：
Figure BDA0002548736970000101
其中，e(t)表示粒子当前位置代入控制器后，计算出来的偏差值，e(t)＝y(t)-y(∞)。这种定义有别于传统的误差定义，原因是对于有静差的系统，y(∞)≠yC(t)，如果按照e(t)＝y(t)-yC(t)来定义偏差值，最终会使所有的积分都成为无穷大而失去意义。
具体的，考虑到飞行稳定性，我们并不希望飞行器瞬时执行过大的动作，同时希望其变化率尽量小一些，动作平缓一些，所以适应度函数改为如下形式：
Figure BDA0002548736970000102
其中，δ为是控制量，δ′为控制量的变化率。例如：δ采用推理的控制量，δ′采用推力差动的控制量。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种基于无人机总能量飞行控制装置，包括：模型构建模块302、推力控制模块304、推力差动控制模块306、优化模块308和控制模块310，其中：
模型构建模块302，用于构建无人机的总能量模型；
推力控制模块304，用于根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量；所述第一比例积分的系数包括：第一比例系数和第一积分系数；
推力差动控制模块306，用于根据所述总能量模型，计算所述无人机的总能量分配率；所述总能量分配率为所述无人机势能和动能的比；根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量；所述第二比例积分的系数包括：第二比例系数和第二积分系数；
优化模块308，用于采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化；根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到所述推力对应的控制量和所述推力差动的控制量；
控制模块310，用于根据所述推力对应的控制量和所述推力差动的控制量进行无人机飞行控制。
在其中一个实施例中，模型构建模块302还用于根据无人机的动能和势能，构建无人机的总能量为：
Figure BDA0002548736970000111
其中，m表示无人机质量，g表示重力加速度，h表示无人机当前高度，V表示无人机的当前速度；
根据所述总能量，计算无人机无量纲化的总能量变化率为：
Figure BDA0002548736970000112
其中，
Figure BDA0002548736970000113
表示总能量变化率，
Figure BDA0002548736970000114
表示高度变化率，
Figure BDA0002548736970000115
表示速度变化率；根据所述总能量和所述总能量变化率，得到无人机总能量模型。
在其中一个实施例中，推力控制模块304还用于根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量为：
Figure BDA0002548736970000116
其中，Tc表示推力对应的控制量，KTP表示第一比例系数，KTI表示第一积分系数，
Figure BDA0002548736970000117
表示期望总能量变化率和所述总能量变化率的差值。
在其中一个实施例中，推力差动控制模块306还用于根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量为：
Figure BDA0002548736970000121
其中，ΔδT表示推力差动的控制量，KEP表示第二比例系数，KEI表示第二积分系数，
Figure BDA0002548736970000122
表示期望总能量分配率和所述总能量分配率的差值，θ和q分别表示俯仰角和俯仰角速度，Kθ和Kq分别表示俯仰角和俯仰角速度的反馈增益。
在其中一个实施例中，优化模块308还用于通过预先设置的模拟退火算法对所述粒子群算法中的粒子群进行模拟退火操作；根据退火操作后的粒子群中的粒子对所述第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化。
在其中一个实施例中，优化模块308还用于确定粒子群规模M和最大迭代次数Nmax，并在参数区间范围内随机初始化粒子群Swarm(x)、各粒子的运动速度V(x)以及初始温度tk＝T0；
对所述粒子群Swarm(x)中每个粒子进行适应度评价，得到各个粒子对应的适应度J(k)；
在所述粒子群Swarm(x)中每个粒子xi的邻域内随机选择粒子xj，根据模拟退火中的Metropolis规则，以概率Pij＝min{1,exp(-[J(xj)-J(xi)]/tk)}接收粒子xj，得到新粒子xi′以及新粒子的适应度；其中，xj＝Axi，A为随机矩阵向量；xi′＝Pijxj；
根据新粒子对应的粒子群位置和适应度，更新新粒子个体对应的最优点Pi和新粒子对应粒子群的整体全局最优位置Pg；
根据所述最优点Pi和整体全局最优位置Pg给第一比例系数、第一积分系数、第二比例系数和第二积分系数幅值，并计算第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度；
根据第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度以及最大迭代次数Nmax判断是否满足终止条件，若是则输出第一比例系数、第一积分系数、第二比例系数和第二积分系数的优化值。
在其中一个实施例中，优化模块308还用于根据时间加权误差绝对值积分指标，计算所述适应度。
关于基于无人机总能量飞行控制装置的具体限定可以参见上文中对于基于无人机总能量飞行控制方法的限定，在此不再赘述。上述基于无人机总能量飞行控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于无人机总能量飞行控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于无人机总能量飞行控制方法，所述方法包括：
构建无人机的总能量模型；
根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量；所述第一比例积分的系数包括：第一比例系数和第一积分系数；
根据所述总能量模型，计算所述无人机的总能量分配率；所述总能量分配率为所述无人机势能和动能的比；
根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量；所述第二比例积分的系数包括：第二比例系数和第二积分系数；
采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化；
根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到所述推力对应的控制量和所述推力差动的控制量；
根据所述推力对应的控制量和所述推力差动的控制量进行无人机飞行控制。
2.根据权利要求1所述的方法，其特征在于，所述构建无人机的总能量模型，包括：
根据无人机的动能和势能，构建无人机的总能量为：
Figure FDA0002548736960000011
其中，m表示无人机质量，g表示重力加速度，h表示无人机当前高度，V表示无人机的当前速度；
根据所述总能量，计算无人机无量纲化的总能量变化率为：
Figure FDA0002548736960000012
其中，
Figure FDA0002548736960000013
表示总能量变化率，
Figure FDA0002548736960000014
表示高度变化率，
Figure FDA0002548736960000015
表示速度变化率；
根据所述总能量和所述总能量变化率，得到无人机总能量模型。
3.根据权利要求2所述的方法，其特征在于，根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应控制量，包括：
根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量为：
Figure FDA0002548736960000021
其中，Tc表示推力对应的控制量，KTP表示第一比例系数，KTI表示第一积分系数，
Figure FDA0002548736960000022
表示期望总能量变化率和所述总能量变化率的差值。
4.根据权利要求1所述的方法，其特征在于，所述根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量，包括：
根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量为：
Figure FDA0002548736960000023
其中，ΔδT表示推力差动的控制量，KEP表示第二比例系数，KEI表示第二积分系数，
Figure FDA0002548736960000024
表示期望总能量分配率和所述总能量分配率的差值，θ和q分别表示俯仰角和俯仰角速度，Kθ和Kq分别表示俯仰角和俯仰角速度的反馈增益。
5.根据权利要求1至4任一项所述的方法，其特征在于，采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化，包括：
通过预先设置的模拟退火算法对所述粒子群算法中的粒子群进行模拟退火操作；
根据退火操作后的粒子群中的粒子对所述第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化。
6.根据权利要求5所述的方法，其特征在于，所述采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化，包括：
确定粒子群规模M和最大迭代次数Nmax，并在参数区间范围内随机初始化粒子群Swarm(x)、各粒子的运动速度V(x)以及初始温度tk＝T0；
对所述粒子群Swarm(x)中每个粒子进行适应度评价，得到各个粒子对应的适应度J(k)；
在所述粒子群Swarm(x)中每个粒子xi的邻域内随机选择粒子xj，根据模拟退火中的Metropolis规则，以概率Pij＝min{1,exp(-[J(xj)-J(xi)]/tk)}接收粒子xj，得到新粒子xi′以及新粒子的适应度；其中，xj＝Axi，A为随机矩阵向量；xi′＝Pijxj；
根据新粒子对应的粒子群位置和适应度，更新新粒子个体对应的最优点Pi和新粒子对应粒子群的整体全局最优位置Pg；
根据所述最优点Pi和整体全局最优位置Pg给第一比例系数、第一积分系数、第二比例系数和第二积分系数幅值，并计算第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度；
根据第一比例系数、第一积分系数、第二比例系数和第二积分系数对应的适应度以及最大迭代次数Nmax判断是否满足终止条件，若是则输出第一比例系数、第一积分系数、第二比例系数和第二积分系数的优化值。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据时间加权误差绝对值积分指标，计算所述适应度。
8.一种基于无人机总能量飞行控制装置，其特征在于，所述装置包括：
模型构建模块，用于构建无人机的总能量模型；
推力控制模块，用于根据所述总能量模型对应的总能量变化率，采用第一比例积分控制律得到推力对应的控制量；所述第一比例积分的系数包括：第一比例系数和第一积分系数；
推力差动控制模块，用于根据所述总能量模型，计算所述无人机的总能量分配率；所述总能量分配率为所述无人机势能和动能的比；根据期望总能量分配率和所述总能量分配率的差值，采用第二比例积分控制率律得到推力差动的控制量；所述第二比例积分的系数包括：第二比例系数和第二积分系数；
优化模块，用于采用粒子群算法，对第一比例系数、第一积分系数、第二比例系数和第二积分系数进行优化；根据优化后的第一比例系数、第一积分系数、第二比例系数和第二积分系数计算得到所述推力对应的控制量和所述推力差动的控制量；
控制模块，用于根据所述推力对应的控制量和所述推力差动的控制量进行无人机飞行控制。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010570878.4A 2020-06-19 2020-06-19 基于无人机总能量飞行控制方法和装置 Active CN111679685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010570878.4A CN111679685B (zh) 2020-06-19 2020-06-19 基于无人机总能量飞行控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010570878.4A CN111679685B (zh) 2020-06-19 2020-06-19 基于无人机总能量飞行控制方法和装置

Publications (2)

Publication Number Publication Date
CN111679685A true CN111679685A (zh) 2020-09-18
CN111679685B CN111679685B (zh) 2023-04-07

Family

ID=72456047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010570878.4A Active CN111679685B (zh) 2020-06-19 2020-06-19 基于无人机总能量飞行控制方法和装置

Country Status (1)

Country Link
CN (1) CN111679685B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110578A (zh) * 2021-04-16 2021-07-13 成都纵横自动化技术股份有限公司 一种无人机的控制方法、系统及装置
CN113485406A (zh) * 2021-08-06 2021-10-08 北京航空航天大学 基于总能量控制的固定翼无人机纵向位速控制系统
CN113836645A (zh) * 2020-10-27 2021-12-24 深圳三零三防务科技有限公司 一种运载火箭的在线飞行程序重构及轨道高度保持控制方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6062513A (en) * 1998-09-14 2000-05-16 The Boeing Company Total energy based flight control system
CN106452208A (zh) * 2016-11-18 2017-02-22 南京信息工程大学 一种基于分数阶pi预测函数的无刷直流电机控制方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN109696827A (zh) * 2018-12-28 2019-04-30 西安邮电大学 惯性权重余弦调整粒子群优化算法的pid参数整定方法
CN109947124A (zh) * 2019-04-25 2019-06-28 南京航空航天大学 改进粒子群算法优化模糊pid无人直升机姿态控制方法
CN110502860A (zh) * 2019-08-28 2019-11-26 河南科技大学 基于粒子群算法的无人直升机控制优化方法
CN110673479A (zh) * 2019-09-30 2020-01-10 中国科学院长春光学精密机械与物理研究所 轨迹跟踪优化控制方法、装置、多旋翼无人机及存储装置
CN110888317A (zh) * 2019-11-27 2020-03-17 广东技术师范大学 一种pid控制器参数智能优化方法
CN111006693A (zh) * 2019-12-12 2020-04-14 中国人民解放军陆军工程大学 智能飞行器航迹规划系统及其方法
CN111157002A (zh) * 2019-12-30 2020-05-15 西安电子科技大学 基于多智能体进化算法的飞行器3d路径规划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6062513A (en) * 1998-09-14 2000-05-16 The Boeing Company Total energy based flight control system
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN106452208A (zh) * 2016-11-18 2017-02-22 南京信息工程大学 一种基于分数阶pi预测函数的无刷直流电机控制方法
CN109696827A (zh) * 2018-12-28 2019-04-30 西安邮电大学 惯性权重余弦调整粒子群优化算法的pid参数整定方法
CN109947124A (zh) * 2019-04-25 2019-06-28 南京航空航天大学 改进粒子群算法优化模糊pid无人直升机姿态控制方法
CN110502860A (zh) * 2019-08-28 2019-11-26 河南科技大学 基于粒子群算法的无人直升机控制优化方法
CN110673479A (zh) * 2019-09-30 2020-01-10 中国科学院长春光学精密机械与物理研究所 轨迹跟踪优化控制方法、装置、多旋翼无人机及存储装置
CN110888317A (zh) * 2019-11-27 2020-03-17 广东技术师范大学 一种pid控制器参数智能优化方法
CN111006693A (zh) * 2019-12-12 2020-04-14 中国人民解放军陆军工程大学 智能飞行器航迹规划系统及其方法
CN111157002A (zh) * 2019-12-30 2020-05-15 西安电子科技大学 基于多智能体进化算法的飞行器3d路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温攀等: "基于Memetic 算法的多无人机任务分配研究" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836645A (zh) * 2020-10-27 2021-12-24 深圳三零三防务科技有限公司 一种运载火箭的在线飞行程序重构及轨道高度保持控制方法
CN113836645B (zh) * 2020-10-27 2024-02-02 深圳三零三防务科技有限公司 一种运载火箭的在线飞行程序重构及轨道高度保持控制方法
CN113110578A (zh) * 2021-04-16 2021-07-13 成都纵横自动化技术股份有限公司 一种无人机的控制方法、系统及装置
CN113110578B (zh) * 2021-04-16 2023-03-10 成都纵横自动化技术股份有限公司 一种无人机的控制方法、系统及装置
CN113485406A (zh) * 2021-08-06 2021-10-08 北京航空航天大学 基于总能量控制的固定翼无人机纵向位速控制系统
CN113485406B (zh) * 2021-08-06 2024-03-15 北京航空航天大学 基于总能量控制的固定翼无人机纵向位速控制系统

Also Published As

Publication number Publication date
CN111679685B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111679685B (zh) 基于无人机总能量飞行控制方法和装置
Miranda-Colorado et al. Robust PID control of quadrotors with power reduction analysis
Tao et al. Multiple model predictive control for large envelope flight of hypersonic vehicle systems
Han et al. State-constrained agile missile control with adaptive-critic-based neural networks
CN103995539A (zh) 一种无人机自主编队评价指标与mpc编队控制方法
Luo et al. On decoupling trajectory tracking control of unmanned powered parafoil using ADRC-based coupling analysis and dynamic feedforward compensation
Grande et al. Experimental validation of Bayesian nonparametric adaptive control using Gaussian processes
CN112800543B (zh) 一种基于改进Goman模型的非线性非定常气动力建模方法
CN112947534A (zh) 一种高超声速飞行器下压段自适应伪谱法轨迹优化方法
CN109375642B (zh) 一种无人机节能控制方法
CN116184813A (zh) 助推滑翔火箭姿态控制方法、装置、设备和存储介质
Champasak et al. Aircraft conceptual design using metaheuristic-based reliability optimisation
Nakamura-Zimmerer et al. Neural network optimal feedback control with guaranteed local stability
CN114611416A (zh) 导弹非线性非定常气动特性ls-svm建模方法
Sridharan et al. Integrated design and control of hypersonic vehicles
Murillo et al. Iterated non-linear model predictive control based on tubes and contractive constraints
CN114491788A (zh) 高超声速飞行器气动力预测方法、系统、电子设备及介质
Zhang et al. UAV path planning based on receding horizon control with adaptive strategy
CN115524964B (zh) 一种基于强化学习的火箭着陆实时鲁棒制导方法及系统
CN115289917B (zh) 基于深度学习的火箭子级着陆实时最优制导方法及系统
de Freitas Virgilio Pereira et al. Time-distributed scenario-based model predictive control approach for flexible aircraft
Yang et al. Reinforcement Learning-Based Robust Tracking Control Application to Morphing Aircraft
Liu et al. Research on UAV Air Combat Maneuver Decision Based on Decision Tree CART Algorithm
US20220253578A1 (en) Converting implicit dynamic models into explicit dynamic models
Hassan et al. Optimized autonomous UAV design for duration enhancement

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