CN111880555A - 翼伞系统避障航迹规划方法和系统 - Google Patents
翼伞系统避障航迹规划方法和系统 Download PDFInfo
- Publication number
- CN111880555A CN111880555A CN202010585210.7A CN202010585210A CN111880555A CN 111880555 A CN111880555 A CN 111880555A CN 202010585210 A CN202010585210 A CN 202010585210A CN 111880555 A CN111880555 A CN 111880555A
- Authority
- CN
- China
- Prior art keywords
- parafoil
- control quantity
- obstacle
- objective function
- mountain
- 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
Links
- IBSREHMXUMOFBB-JFUDTMANSA-N 5u8924t11h Chemical compound O1[C@@H](C)[C@H](O)[C@@H](OC)C[C@@H]1O[C@@H]1[C@@H](OC)C[C@H](O[C@@H]2C(=C/C[C@@H]3C[C@@H](C[C@@]4(O3)C=C[C@H](C)[C@@H](C(C)C)O4)OC(=O)[C@@H]3C=C(C)[C@@H](O)[C@H]4OC\C([C@@]34O)=C/C=C/[C@@H]2C)/C)O[C@H]1C.C1=C[C@H](C)[C@@H]([C@@H](C)CC)O[C@]11O[C@H](C\C=C(C)\[C@@H](O[C@@H]2O[C@@H](C)[C@H](O[C@@H]3O[C@@H](C)[C@H](O)[C@@H](OC)C3)[C@@H](OC)C2)[C@@H](C)\C=C\C=C/2[C@]3([C@H](C(=O)O4)C=C(C)[C@@H](O)[C@H]3OC\2)O)C[C@H]4C1 IBSREHMXUMOFBB-JFUDTMANSA-N 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005265 energy consumption Methods 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 67
- 238000013461 design Methods 0.000 claims description 15
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 47
- 238000005457 optimization Methods 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 241000287127 Passeridae Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241001454908 Pteromalus Species 0.000 description 1
- 241000219782 Sesbania Species 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004753 textile Substances 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
- G05D1/105—Simultaneous control of position or course in three dimensions specially adapted for aircraft specially adapted for unpowered flight, e.g. glider, parachuting, forced landing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了翼伞系统避障航迹规划方法，包括：1、建立风固定坐标系下的翼伞降阶质点模型，并对山峰障碍进行建模；2、确定翼伞系统在空投初始时刻的位置和航向角、在着陆时刻的期望位置和期望航向角、翼伞操纵绳的最大下拉量；3、结合着陆点水平位置误差、着陆点航向误差、控制能耗和安全避障指标，建立翼伞系统航迹规划的目标函数：4、将翼伞飞行时段划分为n个相邻区间，每个子区间内控制量取常数值以控制翼伞系统；5、求解翼伞飞行时段每个区间的最优控制量，使目标函数值取最小值；6、根据最优控制量序列和翼伞的初始状态和速度，得到规划航迹。该方法得到的规划航迹满足着陆点位置精确、逆风着陆、航迹能量消耗较低，且能够对山峰等障碍物绕行。
Description
技术领域
本发明属于翼伞航迹规划技术领域，具体涉及一种翼伞系统飞行区域存在障碍物时，进行避障航迹规划方法及系统。
背景技术
冲压式翼伞是一种由纺织材料构成的柔性飞行器，开伞后空气由翼伞前缘切口进入气室，在气室内形成滞止压力，使翼伞能保持较为稳定的翼形并产生升力和阻力，因此翼伞具有较高升阻比、优良的滑翔性能和可控性。拉拽伞衣后缘可以调整翼伞飞行方向和速度，实现精确着陆，克服了传统圆形降落伞飞行轨迹随风飘、落点散布大的缺点，同时翼伞在着陆时可以以雀降方式无损着陆，在战场物资精确空投、自然灾害救灾物资精确空投、航天器回收等领域有广泛应用前景，得到了国内外许多研究者的关注。为翼伞系统规划出合适归航航迹是能否实现精确空投的前提之一，很大程度上决定了翼伞的着陆精度和归航控制方式，只有在合适的规划航迹的基础上才能设计合适的航迹跟踪控制器，因此航迹规划对实现翼伞精确空投具有重要意义。
翼伞系统航迹规划是指在翼伞动力学约束基础上，为翼伞系统规划出从初始空投点到目标点的、满足特定性能指标的归航航迹。早期归航主要为径向归航和锥型归航，由于其归航精度较低，现已较少采用，目前主要的翼伞系统航迹规划方法为最优控制归航法和分段归航法。
最优控制归航法以准确、安全、控制能量小等为优化目标，求解算法主要包括间接法和直接法，文献：翼伞系统动力学与归航方案研究[D].国防科学技术大学,2005，采用间接法求解了翼伞系统的最优航迹规划问题，利用极小值原理将最优控制问题转化为两点边值问题再求解，但该方法需要先对状态方程进行正向积分，再对协态方程进行反向积分，过程较为繁琐复杂。文献：基于伪谱法的翼伞系统归航轨迹容错设计[J].控制理论与应用,2013(06):702-708、基于高斯伪谱法的翼伞系统复杂多约束轨迹规划[J].航空学报,2017(03):220-230等运用直接法求解了翼伞最优控制归航航迹规划问题，主要利用伪谱法将最优控制航迹规划问题转化为非线性规划问题，再利用序列二次规划算法求解该问题。文献：Multi-objective trajectory optimization method of parafoil based on particleswarm algorithm[C]//2019Chinese Control Conference(CCC),27-30July 2019利用伪谱法求解了翼伞航迹规划问题，并利用PSO法确定Pareto优化点，进一步改进了航迹规划效果。文献Trajectory Optimization via Particle Swarms for Robust ParafoilGuidance[C]//2018AIAA Guidance,Navigation,and Control Conference,8–12January2018.直接利用PSO算法实现了翼伞鲁棒制导，规划的航迹可有效降低翼伞着陆误差和着地冲击速度。文献：基于遗传算法带约束的翼伞系统归航轨迹设计[J].中南大学学报(自然科学版),2017(02):404-410中将最优控制航迹规划问题转化为B样条基函数控制顶点的参数优化问题，然后采用遗传算法或量子遗传算法等智能算法进行目标函数寻优。文献：翼伞系统最优归航轨迹设计的敏感度分析方法[J].控制理论与应用,2015(08):1003-1011基于敏感度分析方法，利用控制变量参数化与时间尺度相结合的优化算法，将航迹规划问题转化为一系列参数优化问题再进行数值求解。需要指出的是，这类最优控制航迹规划方法获得的最优控制量往往都是连续的，工程上不易实施。
分段归航法由于操纵过程简单、鲁棒性强，因此在X-38等系统中得到了实际应用。文献：翼伞系统分段归航轨迹的优化设计[J].航天返回与遥感, 2004(03):11-16中基于遗传算法，研究了翼伞系统的分段归航航迹设计问题，规划的航迹被分段为目标接近段、能量控制段和逆风着陆段，目标接近段和逆风主路段主要实施滑翔运动、能量管理段主要为螺旋线下降的转弯运动。文献：基于能量约束的翼伞系统分段归航设计与仿真[J].航天控制,2011,29(5):43-47基于改进粒子群算法设计了翼伞系统分段归航航迹，仿真表明设计的归航轨迹简单实用，满足落点精度要求。郑成基于IAGA改进遗传算法有效求解了分段归航轨迹问题，提出的算法可有效防止早熟，收敛速度更快，规划的航迹满足定点和逆风着陆的要求。翼伞系统在较大风场中的归航控制[J].控制理论与应用, 2016(12):1630-1638基于粒子群算法优化了分段归航轨迹，并采用LADRC控制器对航迹进行了修正，仿真结果表明该归航控制可提高抗风性能和归航精度。文献：基于IAFSA的四自由度翼伞分段归航设计[J].火力与指挥控制, 2017(02):64-68.基于人工鱼群算法对分段航迹目标函数进行了参数寻优，提出的算法可加快算法收敛速度，规划航迹满足精确落点和逆风着陆的要求。上述分段归航算法采用的目标函数大同小异，都是将航迹规划问题转化为进入点(Entry Point)参数的优化问题，尽管采取的算法在收敛速度方面有差异，但得到的结果是大致相同的，都能满足精确着陆和逆风着陆要求。需要注意的是，分段归航算法的优化函数中一般不包含能耗指标，因此分段归航法在能量消耗方面不占优势，此外，获得的航迹中包含多个半径最小的过渡转弯段，此时需要突然将控制绳下拉到最大量，然后短时间内又将其恢复到较小控制量，这对翼伞的实际操控提出了更高的要求。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供了一种翼伞系统航迹规划方法，该方法得到的规划航迹满足着陆点位置精确、逆风着陆、航迹能量消耗较低，且能够对山峰等障碍物绕行，同时翼伞归航时的操控简单，控制量变化幅度较小，为系统提供了更大的控制量冗余，航迹平滑合理，便于跟踪。
技术方案：本发明一方面公开了一种翼伞系统避障航迹规划方法，包括：
S1、建立风固定坐标系下的翼伞降阶质点模型：
其中(x,y,h)分别为翼伞系统在风固定坐标系中水平面x方向、y方向和垂直方向的位置分量，vs为翼伞系统水平方向速度，vz为垂直方向速度，ψ为航向角，
为航向角速率，u为与翼伞非对称下偏量对应的控制量；
建立翼伞飞行区域山峰障碍的模型：
其中h(x,y)为山峰障碍在水平面坐标(x,y)处的高度值；m为翼伞飞行区域山峰障碍的数量，hi、(x0i,y0i)分别为第i个山峰障碍的峰顶高度和中心坐标，xsi和ysi分别为第i个山峰障碍沿x轴和y轴方向坡度相关的量；
S2、确定翼伞系统在空投初始时刻t0的位置(x0,y0,h0)和航向角ψ0、翼伞系统在着陆时刻tf的期望位置(xf,yf,hf)和期望航向角ψf、翼伞操纵绳的最大下拉量umax；
S3、建立翼伞系统航迹规划的目标函数：J＝f1J1+f2J2+f3J3+f4J4；
其中J1＝(x(tf)-xf)2+(y(tf)-yf)2，为着陆点水平位置误差指标；J2＝cos(ψ(tf))+1，为着陆点航向误差指标；
为控制能耗指标；
为安全避障指标；f1、f2、f3和f4为加权因子；x(tf)、y(tf)、ψ(tf)分别为规划航迹上翼伞在着陆时刻的水平面x方向、y方向的坐标和航向角；
其中di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
S4、将翼伞飞行时段[t0,tf]划分为n个相邻区间，每个子区间内u(t)取常数值以控制翼伞系统，即：
其中：
将u(t)表示为序列[σk]，k＝1,…,n；
S5、求解翼伞飞行时段每个区间的最优控制量σk，使目标函数值J取最小值，得到最优控制量序列
S6、根据最优控制量序列和翼伞的初始状态和速度，推导出规划的航迹 path(t)＝(x(t),y(t),h(t))，t∈[t0,tf]；
其中：
h(t)＝h0+vzt，
为简化计算，假设翼伞飞行区域每个山峰障碍沿x轴和y轴方向的坡度相同，即xsi＝ysi，根据山峰障碍的模型可以计算出第i座山峰障碍在高度H处的半径
所述步骤S5中采用梯度下降法求解翼伞飞行时段的最优控制量序列，具体包括：
S51、设置学习率λ，容许误差e，迭代次数最大值L，控制量步长△σk；在每个子区间控制量的上下界内随机初始化控制量序列为
根据
计算目标函数的初始值J0；初始化迭代次数l＝0，初始化最优目标函数值为正无穷大，初始化最优控制量序列
为
k为子区间序号，k＝1,…,n；；
S52、对当前控制量序列做微调：
根据微调后的控制量序列
计算目标函数值J′l，计算当前迭代中的负梯度：
更新每个子区间的控制量
如果
则令
如果
则令
根据更新后的控制量序列
计算目标函数值Jl+1；
如果Jl+1小于最优目标函数值，则将最优目标函数值更新为Jl+1，最优控制量序列
更新为
S53、判断是否达到迭代结束条件，所述迭代结束条件为：当前迭代次数l≥L 或目标函数值变化量|Jl+1-Jl|<e；如达到迭代结束条件，则最优控制量序列
为优化的结果，结束迭代；如不满足迭代结束条件，令迭代次数l＝l+1，跳转至步骤S52继续下一次迭代。
根据控制量序列[σk]计算目标函数值J的步骤为：
计算翼伞飞行时长：
根据质点模型得到规划航迹上翼伞系统着陆时刻的航向角和水平面位置：
其中
计算着陆点水平位置误差指标J1：J1＝(x(tf)-xf)2+(y(tf)-yf)2；
计算着陆点航向误差指标J2：J2＝cos(ψ(tf))+1；
根据翼伞飞行时段[t0,tf]内翼伞的控制量u(t)，计算控制能耗指标值J3：
计算安全避障指标J4：
其中
di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
计算目标函数值J＝f1J1+f2J2+f3J3+f4J4。
本发明还公开了实现上述翼伞系统避障航迹规划方法的系统，包括：
翼伞降价质点模型建立模块1，用于建立风固定坐标系下的翼伞降阶质点模型：
其中(x,y,h)分别为翼伞系统在风固定坐标系中水平面x方向、y方向和垂直方向的位置分量，vs为翼伞系统水平方向速度，vz为垂直方向速度，ψ为航向角，
为航向角速率，u为与翼伞非对称下偏量对应的控制量；
山峰障碍模型建立模块2，用于建立翼伞飞行区域山峰障碍模型：
其中h(x,y)为水平面坐标(x,y)处的山峰障碍高度值；m为翼伞飞行区域山峰障碍的数量，hi、(x0i,y0i)分别为第i个山峰障碍的峰顶高度和中心坐标，xsi和 ysi分别为第i个山峰障碍沿x轴和y轴方向的坡度相关量；
翼伞系统初始状态和着陆期望状态确定模块3，用于确定翼伞系统在空投初始时刻t0的位置(x0,y0,h0)和航向角ψ0、翼伞系统在着陆时刻tf的期望位置 (xf,yf,hf)和期望航向角ψf、翼伞操纵绳的最大下拉量umax；
目标函数建立模块4，用于建立翼伞系统航迹规划的目标函数： J＝f1J1+f2J2+f3J3+f4J4；
其中J1＝(x(tf)-xf)2+(y(tf)-yf)2，为着陆点水平位置误差指标；J2＝cos(ψ(tf))+1，为着陆点航向误差指标；
为控制能耗指标；
为安全避障指标；f1、f2、f3和f4为加权因子；x(tf)、y(tf)、ψ(tf)分别为规划航迹上翼伞在着陆时刻的水平面x方向、y方向的坐标和航向角；
其中di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
飞行时段区间划分模块5，用于将翼伞飞行时段[t0,tf]划分为n个相邻区间，每个子区间内u(t)取常数值以控制翼伞系统，即：
其中：
将u(t)表示为序列[σk]，k＝1,…,n；
最优控制量计算模块6，用于求解翼伞飞行时段每个区间的最优控制量σk，使目标函数值J取最小值，得到最优控制量序列
规划航迹推导模块7，用于根据最优控制量序列和翼伞的初始状态和速度，推导出规划的航迹path(t)＝(x(t),y(t),h(t))，t∈[t0,tf]。
有益效果：与现有技术相比，本发明公开的翼伞系统避障航迹规划方法在考虑翼伞初值约束、终点逆风精确着陆约束、控制约束和规避障碍物约束的情况下，将控制变量参数化为一系列分段常值，在翼伞质点模型状态方程约束下，通过梯度下降法求解使翼伞系统水平位置误差、着陆点航向误差、控制能耗和安全避障误差的加权和最小的控制量，从而得到规划航迹。该方法得到规划航迹能够满足精确、逆风着陆的要求，且能够实现对障碍物的绕行，同时航迹能量消耗更低，控制量由分段常值构成，简化了翼伞归航时的操控，同时控制量的值在较小范围内变化，为系统提供了更大的控制量冗余，有利于航迹跟踪控制时的偏差修正。
附图说明
图1为本发明公开的翼伞系统避障航迹规划方法的流程图；
图2为飞行时段分段常值控制示意图；
图3为实施例一中规划航迹对比示意图；
图4为实施例一中规划航迹航向角的对比示意图；
图5为实施例一控制量对对比示意图；
图6为实施例二中规划航迹水平面内对比示意图；
图7为实施例二中规划航迹三维空间内对比示意图；
图8为实施例二中规划航迹航向角的对比示意图；
图9为实施例二控制量对对比示意图
图10为实施例一与实施例二目标函数值随迭代次数的变化示意图；
图11为本发明公开的翼伞系统避障航迹规划系统的组成示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1所示，本发明公开了一种翼伞系统避障航迹规划方法，包括：
S1、建立风固定坐标系下的翼伞降阶质点模型：
其中(x,y,h)分别为翼伞系统在风固定坐标系中水平面x方向、y方向和垂直方向的位置分量，vs为翼伞系统水平方向速度，vz为垂直方向速度，ψ为航向角，
为航向角速率，u为与翼伞非对称下偏量对应的控制量；
建立翼伞飞行区域山峰障碍模型：
在战场环境或复杂地形条件下，翼伞飞行区域可能存在敌方火力或山峰障碍，因此规划航迹需绕过这些障碍。本发明将山峰障碍或地方火力等威胁统一建模为如下山峰障碍：
其中h(x,y)为山峰障碍在水平面坐标(x,y)处的高度值；m为翼伞飞行区域山峰障碍的数量，hi、(x0i,y0i)分别为第i个山峰障碍的峰顶高度和中心坐标，xsi和ysi分别为第i个山峰障碍沿x轴和y轴方向的坡度相关量。在翼伞下降过程中，翼伞飞行高度h(t)随时间t逐渐降低，此时山峰半径随之逐渐增大，为简化计算，假定每个山峰障碍沿两个轴坡度相同，即xsi＝ysi。此时可方便的求出t时刻翼伞飞行高度h(t)处第i座山峰的半径：
S2、确定翼伞系统在空投初始时刻t0的位置(x0,y0,h0)和航向角ψ0、翼伞系统在着陆时刻tf的期望位置(xf,yf,hf)和期望航向角ψf、翼伞操纵绳的最大下拉量 umax；
翼伞系统着陆的期望位置根据着陆要求确定，其期望航向角ψf需要满足逆风着陆的要求，即ψf为着陆目标点风向的反方向，假定着陆点风向与X轴正向一致，即ψf＝180°，或ψf＝-180°，则逆风着陆条件可转化为cosψf＝-1，此时若快速下拉翼伞两侧操纵绳，可实现翼伞的逆风雀降。
S3、建立翼伞系统航迹规划的目标函数：
J＝f1J1+f2J2+f3J3+f4J4 (4)
其中J1＝(x(tf)-xf)2+(y(tf)-yf)2，为着陆点水平位置误差指标；J2＝cos(ψ(tf))+1，为着陆点航向误差指标；
为控制能耗指标；
为实现对山峰障碍的规避，需首先计算翼伞到山峰表面的距离与设定安全距离的误差：
其中di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
当di(t)≥Rsafe时，说明翼伞与第i个山峰表面的距离大于设定安全间距，此时规划航迹跟第i个山峰无碰撞风险，故碰撞误差Di(t)为0；当di(t)<Rsafe时，说明翼伞与第i个山峰表面的距离小于设定安全间距，有碰撞风险，此时 (di(t)-Rsafe)是负值，将其取反后可得到正值，将其纳入安全避障指标，由此得到翼伞飞行时段的安全避障指标为：
J4越小，说明翼伞飞行过程中碰撞到山峰障碍的可能性越小。
为简化计算，本实施例中di(t)采用t时刻翼伞在水平方向与第i个山峰表面间的距离，即di(t)＝R0i(h(t))-Ri(h(t))，其中
为t时刻翼伞距第i个山峰障碍中心的距离，h(t)为t时刻翼伞的高度，Ri(h(t))为 t时刻翼伞所处高度h(t)处第i个山峰障碍的半径，可以根据式(3)计算得到。f1、 f2、f3和f4为加权因子；x(tf)、y(tf)、ψ(tf)分别为规划航迹上翼伞在着陆时刻的水平面x方向、y方向的坐标和航向角；
S4、将翼伞飞行时段[t0,tf]划分为n个相邻区间，每个子区间内u(t)取常数值以控制翼伞系统，如图2所示，即：
其中：
将u(t)表示为序列[σk]，k＝1,…,n；
S5、求解翼伞飞行时段每个区间的最优控制量σk，使目标函数值J取最小值，得到最优控制量序列
步骤S4使控制量离散化，则航迹规划转换为控制序列优化选择问题，本发明采用梯度下降法求解翼伞飞行时段的最优控制量序列。函数J(u(t))在某u(t)取值处的梯度方向，是J下降最快的方向，梯度下降法理论简单，编程较容易实现。在求目标函数的最小值时，从定义域内任意初始点出发，沿着负梯度方向走可以最快到达极小值点。具体包括步骤S51-S53：
S51、设置学习率λ，容许误差e，迭代次数最大值L，控制量步长△σk；在每个子区间控制量的上下界内随机初始化控制量序列为
根据
计算目标函数的初始值J0；初始化迭代次数l＝0，初始化最优目标函数值为正无穷大，初始化最优控制量序列
为
k为子区间序号，k＝1,…,n；；
S52、对当前控制量序列做微调：
根据微调后的控制量序列
计算目标函数值J′l，计算当前迭代中的负梯度：
更新每个子区间的控制量
如果
则令
如果
则令
根据更新后的控制量序列
计算目标函数值Jl+1；
如果Jl+1小于最优目标函数值，则将最优目标函数值更新为Jl+1，最优控制量序列
更新为
S53、判断是否达到迭代结束条件，所述迭代结束条件为：当前迭代次数l≥L 或目标函数值变化量|Jl+1-Jl|<e；如达到迭代结束条件，则最优控制量序列
为优化的结果，结束迭代；如不满足迭代结束条件，令迭代次数l＝l+1，跳转至步骤S52继续下一次迭代。
S6、根据最优控制量序列和翼伞的初始状态和速度，推导出规划的航迹 path(t)＝(x(t),y(t),h(t))，t∈[t0,tf]；
其中：
h(t)＝h0+vzt，
步骤5中根据控制量序列[σk]计算目标函数值J的步骤为：
计算翼伞飞行时长：
根据质点模型得到规划航迹上翼伞系统着陆时刻的航向角和水平面位置：
其中
计算着陆点水平位置误差指标J1和着陆点航向误差指标J2；
根据翼伞飞行时段[t0,tf]内翼伞的控制量u(t)，计算控制能耗指标J3；
计算翼伞在飞行时段内的安全避障指标J4：
其中
di(t)＝R0i(h(t))-Ri(h(t))为t时刻翼伞距第i个山峰障碍表面的距离；
为t时刻翼伞距第i个山峰障碍中心的距离，h(t)为t时刻翼伞的高度，Ri(h(t))为t时刻翼伞所处高度h(t)处第i个山峰障碍的半径；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
计算目标函数值J＝f1J1+f2J2+f3J3+f4J4。
实施例一：
本实施例在无障碍情况下进行翼伞系统的航迹规划，目标函数为：
J＝f1J1+f2J2+f3J3
即不考虑安全避障指标J4，并与基于高斯伪谱法的最优控制归航算法、基于遗传算法的分段归航算法进行了对比。其中基于伪谱最优航迹算法参考了文献： (1)高海涛，张利民，孙青林，等.基于伪谱法的翼伞系统归航轨迹容错设计 [J].控制理论与应用.2013(06):702-708；(2)罗淑贞，孙青林，檀盼龙，等. 基于高斯伪谱法的翼伞系统复杂多约束轨迹规划[J].航空学报.2017(03): 220-230。基于遗传算法的分段航迹算法参考了文献：(1)熊菁，秦子增，程文科，等.翼伞系统分段归航轨迹的优化设计[J].航天返回与遥感.2004(03): 11-16.、(2)郑成，吴庆宪，姜长生，等.基于IAGA的翼伞系统分段归航轨迹的优化[J].电光与控制.2011(02):69-72、(3)陶金，孙青林，陈增强，等.翼伞系统在较大风场中的归航控制[J].控制理论与应用.2016(12):1630-1638、 (4)胡文治，陈建平，张红英，等.翼伞系统分段归航轨迹的优化设计[J].航空计算技术.2017(06):55-59。翼伞空投初始点位置设为(1500，1000，2000)，着陆点的期望水平位置为(0,0)，翼伞的速度设为v＝10m/s，初始航向角设为 45°，则可将v分解为水平速度vs＝9.5m/s，垂直方向速度vz＝3.1m/s，滑翔比约为3.1，umax＝0.18。本实施例将常值风的影响视为空投初始位置偏移，飞行时段[t0,tf]的分段数目n设为6，△σk＝0.002，学习率λ设为0.01，迭代最大次数设为 6000次，目标函数系数f1、f2和f3分别设为0.01、16、4，得到的航迹规划结果如图3所示，其中图3-(a)为水平面航迹对比，图3-(b)为三维空间内的航迹对比。从图3可以看出，基于遗传算法的分段航迹算法、基于高斯伪谱法的最优控制航迹算法，以及本发明公开的基于梯度下降法的最优分段常值航迹算法，都可以有效的为翼伞系统规划出可行航迹，三者从同一初始点出发，经过不同航迹都能到达同一个目标点，同时还满足逆风精确着陆的要求。在分段归航航迹中，翼伞经过了目标接近段、能量控制段和逆风着陆段到达目标点；在高斯伪谱法最优航迹中，翼伞先向远端飞行，消耗掉一定高度后再转向目标点飞行；而在本实施例的规划航迹中，翼伞通过一个较大半径的迂回转弯消耗高度再着陆到目标点，规划的目标点位置为(0.0990，0.2542)，实现了精确归航。
图4为规划航迹航向角的对比示意图；从中可以看出，从相同45°初始航向角出发，分段归航、最优归航和本文归航算法在着陆时的航向角基本上都在 180°左右，实现了以180°角逆风着陆的目标。图5为控制量对对比示意图；从图中的控制量的变化曲线可以看到，3种航迹规划算法下翼伞的控制量都小于允许的最大值，规划的航迹满足翼伞控制特性，是可飞的。其中最优控制归航着陆精度高、控制量小，但控制过程是连续变化的曲线，控制电机需要连续不断调整才可以实现控制目标，控制难度较大；而分段归航的控制量为分段常值，主要涉及转弯、滑翔、雀降等几个简单操作，其控制操作比最优归航要简单，从工程实用性角度出发，分段归航方式比最优控制归航方式更容易实现，但可以发现分段归航控制量较大，此外在初始方向调整段、目标接近段到能量管理段之间的过渡段、从能量管理段到逆风着陆段之间的过渡段，翼伞都需要从一个较小控制量突然增大到最大控制量，然后又从最大控制量降低到较小控制量，这增加了操纵的难度，同时由于翼伞控制存在较大的滞后，当控制还没有完全起作用时，很快又将控制量从最大控制量降低到较小控制量，这种操纵会带来较大的跟踪误差。跟前两种航迹规划算法相比，本实施例的航迹规划算法结合了最优控制航迹规划和分段航迹规划算法的优点，首先是跟前两者一样，规划的航迹着陆精度高，实现了精确着陆；其次是控制能量消耗较；再次是控制是分段常值，操纵容易；最后，从图5中可以看到，本发明算法设计的控制量主要在基准值附近变化，且其变化不大，这为后续的航迹跟踪提供了更大的控制量冗余。
实施例二：
本实施例在存在障碍情况下进行翼伞系统避障航迹规划，目标函数为：
J＝f1J1+f2J2+f3J3+f4J4
本实施例中翼伞飞行区域存在3座山峰，其中心坐标分别为(2000,1000)、 (1000,3000)、(400,1500)，峰顶高度分别为2500、2000、1800，坡度相关量xsi分别为550、480、380，预设的安全间距Rsafe为50米，其余空投条件与实施例一中无障碍情形完全相同。考虑到分段归航法没有避障能力，但伪谱法有避障规划能力，因此本实施例对基于伪谱法的最优避障和本发明公开出的最优分段常值避障航迹规划效果进行了对比。如图6和图7所示，图中分别显示了伪谱法避障规划航迹、不带避障的最优分段归航航迹和考虑避障的最优分段归航航迹。从图中可以看到，在不考虑安全避障指标J4时，采用实施例一公开的最优分段常值规划航迹穿山而过，若翼伞系统跟踪该航迹，则势必会撞上山峰障碍，但在引入安全避障后，本发明公开的最优分段常值避障规划算法绕过了山峰障碍，逆风精确着陆到目标点。此外还可以看到伪谱法也能实现对山峰的避障规划，并逆风精确着陆到目标点，说明伪谱法同样是一种优秀的航迹规划算法。图8为有障碍情况下规划航迹航向角的对比图。从图8可以看到，在考虑避障后，本发明公开的最优分段避障航迹规划方法可以实现逆风着陆，不过其最终着陆角度为-180°，但 -180°和180°在方向上是重合的，同属于逆风方向。图9为本发明公开的航迹规划方法和伪谱法算法控制量的对比，可以看到在有障碍的情况下，本发明公开的方法获得的控制量为分段常值，变化依然较小。
表1航迹规划算法指标结果对比
| 序号 | 归航方式 | 距离偏差 | 逆风误差 | 能量消耗 | 目标总值 |
| 1 | 遗传分段 | 1.34e-05 | 0 | 1.8521 | 7.4083 |
| 2 | 伪谱最优 | 0 | 0 | 0.1976 | 0.7904 |
| 3 | 最优分段 | 0.2727 | 0.0015 | 0.0706 | 0.3092 |
| 4 | 避障伪谱最优 | 0 | 0 | 0.4438 | 1.7753 |
| 5 | 避障最优分段 | 0.4832 | 3.8423e-04 | 0.1105 | 0.4528 |
表1进一步给出了几种航迹规划方法的规划指标结果对比，从表中数据可以看到，分段归航只要求控制量在约束范围内即可，因此分段归航航迹跟最优归航航迹相比，分段归航能量消耗较大；最优控制航迹规划算法在着陆距离偏差和逆风着陆方面的表现最好，且最优归航控制的能量消耗总值要比分段归航小一个数量级，这是由于最优控制归航将控制量能量最小作为了目标函数设计指标之一；而本发明公开的最优分段常值归航在距离偏差和逆风着陆方面有所折衷，但能量消耗最小，从目标总值看，本发明公开的方法目标函数总值是最低的。
此外还可以看到，在有障碍情况下，本发明公开的方法和伪谱法两者的能量消耗都比无障碍情况下要高，同时还可以看到伪谱法的着陆精度误差和逆风角度误差都为0，精度极高，但付出的代价就是翼伞需要连续不断的调整方向。
图10为本发明公开的航迹规划方法目标函数随迭代次数的变化值，可以看到在不考虑避障情况，迭代次数为1200左右时，梯度下降法基本就已完全收敛；考虑避障情况下，迭代次数为2200时算法收敛，两种情形下梯度下降法的目标函数最小值分别为0.3092和0.4528。
实施例三：
本实施例中公开了实现实施例二中翼伞系统避障航迹规划方法的系统，如图 11所示，包括：
翼伞降价质点模型建立模块1，用于建立风固定坐标系下的翼伞降阶质点模型：
其中(x,y,h)分别为翼伞系统在风固定坐标系中水平面x方向、y方向和垂直方向的位置分量，vs为翼伞系统水平方向速度，vz为垂直方向速度，ψ为航向角，
为航向角速率，u为与翼伞非对称下偏量对应的控制量；
山峰障碍模型建立模块2，用于建立翼伞飞行区域山峰障碍模型：
其中h(x,y)为山峰障碍在水平面坐标(x,y)处的山峰障碍高度值；m为翼伞飞行区域山峰障碍的数量，hi、(x0i,y0i)分别为第i个山峰障碍的峰顶高度和中心坐标，xsi和ysi分别为第i个山峰障碍沿x轴和y轴方向的坡度相关量；
翼伞系统初始状态和着陆期望状态确定模块3，用于确定翼伞系统在空投初始时刻t0的位置(x0,y0,h0)和航向角ψ0、翼伞系统在着陆时刻tf的期望位置 (xf,yf,hf)和期望航向角ψf、翼伞操纵绳的最大下拉量umax；
目标函数建立模块4，用于建立翼伞系统航迹规划的目标函数： J＝f1J1+f2J2+f3J3+f4J4；
其中J1＝(x(tf)-xf)2+(y(tf)-yf)2，为着陆点水平位置误差指标；J2＝cos(ψ(tf))+1，为着陆点航向误差指标；
为控制能耗指标；
为安全避障指标；f1、f2、f3和f4为加权因子；x(tf)、y(tf)、ψ(tf)分别为规划航迹上翼伞在着陆时刻的水平面x方向、y方向的坐标和航向角；
其中di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
飞行时段区间划分模块5，用于将翼伞飞行时段[t0,tf]划分为n个相邻区间，每个子区间内u(t)取常数值以控制翼伞系统，即：
其中：
将u(t)表示为序列[σk]，k＝1,…,n；
最优控制量计算模块6，用于按照步骤S51-S53求解翼伞飞行时段每个区间的最优控制量σk，使目标函数值J取最小值，得到最优控制量序列
规划航迹推导模块7，用于根据最优控制量序列和翼伞的初始状态和速度，推导出规划的航迹path(t)＝(x(t),y(t),h(t))，t∈[t0,tf]。
Claims (7)
1.翼伞系统避障航迹规划方法，其特征在于，包括：
S1、建立风固定坐标系下的翼伞降阶质点模型：
其中(x,y,h)分别为翼伞系统在风固定坐标系中水平面x方向、y方向和垂直方向的位置分量，vs为翼伞系统水平方向速度，vz为垂直方向速度，ψ为航向角，
为航向角速率，u为与翼伞非对称下偏量对应的控制量；
建立翼伞飞行区域山峰障碍的模型：
其中h(x,y)为山峰障碍在水平面坐标(x,y)处的高度值；m为翼伞飞行区域山峰障碍的数量，hi、(x0i,y0i)分别为第i个山峰障碍的峰顶高度和中心坐标，xsi和ysi分别为第i个山峰障碍沿x轴和y轴方向的坡度相关量；
S2、确定翼伞系统在空投初始时刻t0的位置(x0,y0,h0)和航向角ψ0、翼伞系统在着陆时刻tf的期望位置(xf,yf,hf)和期望航向角ψf、翼伞操纵绳的最大下拉量umax；
S3、建立翼伞系统航迹规划的目标函数：J＝f1J1+f2J2+f3J3+f4J4；
其中J1＝(x(tf)-xf)2+(y(tf)-yf)2，为着陆点水平位置误差指标；J2＝cos(ψ(tf))+1，为着陆点航向误差指标；
为控制能耗指标；
为安全避障指标；f1、f2、f3和f4为加权因子；x(tf)、y(tf)、ψ(tf)分别为规划航迹上翼伞在着陆时刻的水平面x方向、y方向的坐标和航向角；
其中di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
S4、将翼伞飞行时段[t0,tf]划分为n个相邻区间，每个子区间内u(t)取常数值以控制翼伞系统，即：
其中：
将u(t)表示为序列[σk]，k＝1,…,n；
S5、求解翼伞飞行时段每个区间的最优控制量σk，使目标函数值J取最小值，得到最优控制量序列
S6、根据最优控制量序列和翼伞的初始状态和速度，推导出规划的航迹path(t)＝(x(t),y(t),h(t))，t∈[t0,tf]；
其中：
h(t)＝h0+vzt，
2.根据权利要求1所述的翼伞系统避障航迹规划方法，其特征在于，翼伞飞行区域第i个山峰障碍沿x轴和y轴方向的坡度相同，xsi＝ysi，第i座山峰障碍在高度H处的半径
3.根据权利要求1所述的翼伞系统避障航迹规划方法，其特征在于，所述步骤S5中采用梯度下降法求解翼伞飞行时段的最优控制量序列，具体包括：
S51、设置学习率λ，容许误差e，迭代次数最大值L，控制量步长△σk；在每个子区间控制量的上下界内随机初始化控制量序列为
根据
计算目标函数的初始值J0；初始化迭代次数l＝0，初始化最优目标函数值为正无穷大，初始化最优控制量序列
为
k为子区间序号，k＝1,…,n；；
S52、对当前控制量序列做微调：
根据微调后的控制量序列
计算目标函数值J′l，计算当前迭代中的负梯度：
更新每个子区间的控制量
如果
则令
如果
则令
根据更新后的控制量序列
计算目标函数值Jl+1；
如果Jl+1小于最优目标函数值，则将最优目标函数值更新为Jl+1，最优控制量序列
更新为
S53、判断是否达到迭代结束条件，所述迭代结束条件为：当前迭代次数l≥L或目标函数值变化量|Jl+1-Jl|<e；如达到迭代结束条件，则最优控制量序列
为优化的结果，结束迭代；如不满足迭代结束条件，令迭代次数l＝l+1，跳转至步骤S52继续下一次迭代。
4.根据权利要求3所述的翼伞系统避障航迹规划方法，其特征在于，根据控制量序列[σk]计算目标函数值J的步骤为：
计算翼伞飞行时长：
根据质点模型得到规划航迹上翼伞系统着陆时刻的航向角和水平面位置：
其中
计算着陆点水平位置误差指标J1：J1＝(x(tf)-xf)2+(y(tf)-yf)2；
计算着陆点航向误差指标J2：J2＝cos(ψ(tf))+1；
根据翼伞飞行时段[t0,tf]内翼伞的控制量u(t)，计算控制能耗指标J3：
计算翼伞在飞行时段内的安全避障指标J4：
其中
di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
计算目标函数值J＝f1J1+f2J2+f3J3+f4J4。
5.翼伞系统避障航迹规划系统，其特征在于，包括：
翼伞降价质点模型建立模块(1)，用于建立风固定坐标系下的翼伞降阶质点模型：
其中(x,y,h)分别为翼伞系统在风固定坐标系中水平面x方向、y方向和垂直方向的位置分量，vs为翼伞系统水平方向速度，vz为垂直方向速度，ψ为航向角，
为航向角速率，u为与翼伞非对称下偏量对应的控制量；
山峰障碍模型建立模块(2)，用于建立翼伞飞行区域山峰障碍模型：
其中h(x,y)为山峰障碍在水平面坐标(x,y)处的山峰障碍高度值；m为翼伞飞行区域山峰障碍的数量，hi、(x0i,y0i)分别为第i个山峰障碍的峰顶高度和中心坐标，xsi和ysi分别为第i个山峰障碍沿x轴和y轴方向的坡度相关量；
翼伞系统初始状态和着陆期望状态确定模块(3)，用于确定翼伞系统在空投初始时刻t0的位置(x0,y0,h0)和航向角ψ0、翼伞系统在着陆时刻tf的期望位置(xf,yf,hf)和期望航向角ψf、翼伞操纵绳的最大下拉量umax；
目标函数建立模块(4)，用于建立翼伞系统航迹规划的目标函数：J＝f1J1+f2J2+f3J3+f4J4；
其中J1＝(x(tf)-xf)2+(y(tf)-yf)2，为着陆点水平位置误差指标；J2＝cos(ψ(tf))+1，为着陆点航向误差指标；
为控制能耗指标；
为安全避障指标；f1、f2、f3和f4为加权因子；x(tf)、y(tf)、ψ(tf)分别为规划航迹上翼伞在着陆时刻的水平面x方向、y方向的坐标和航向角；
其中di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
飞行时段区间划分模块(5)，用于将翼伞飞行时段[t0,tf]划分为n个相邻区间，每个子区间内u(t)取常数值以控制翼伞系统，即：
其中：
将u(t)表示为序列[σk]，k＝1,…,n；
最优控制量计算模块(6)，用于求解翼伞飞行时段每个区间的最优控制量σk，使目标函数值J取最小值，得到最优控制量序列
规划航迹推导模块(7)，用于根据最优控制量序列和翼伞的初始状态和速度，推导出规划的航迹path(t)＝(x(t),y(t),h(t))，t∈[t0,tf]。
6.根据权利要求5所述的翼伞系统避障航迹规划系统，其特征在于，所述最优控制量计算模块(6)采用梯度下降法求解翼伞飞行时段的最优控制量序列，具体包括：
S51、设置学习率λ，容许误差e，迭代次数最大值L，控制量步长△σk；在每个子区间控制量的上下界内随机初始化控制量序列为
根据
计算目标函数的初始值J0；初始化迭代次数l＝0，初始化最优目标函数值为正无穷大，初始化最优控制量序列
为
k为子区间序号，k＝1,…,n；；
S52、对当前控制量序列做微调：
根据微调后的控制量序列
计算目标函数值J′l，计算当前迭代中的负梯度：
更新每个子区间的控制量
如果
则令
如果
则令
根据更新后的控制量序列
计算目标函数值Jl+1；
如果Jl+1小于最优目标函数值，则将最优目标函数值更新为Jl+1，最优控制量序列
更新为
S53、判断是否达到迭代结束条件，所述迭代结束条件为：当前迭代次数l≥L 或目标函数值变化量|Jl+1-Jl|<e；如达到迭代结束条件，则最优控制量序列
为优化的结果，结束迭代；如不满足迭代结束条件，令迭代次数l＝l+1，跳转至步骤S52继续下一次迭代。
7.根据权利要求6所述的翼伞系统避障航迹规划系统，其特征在于，所述最优控制量计算模块(6)中根据控制量序列[σk]计算目标函数值J的步骤为：
计算翼伞飞行时长：
根据质点模型得到规划航迹上翼伞系统着陆时刻的航向角和水平面位置：
其中
计算着陆点水平位置误差指标J1：J1＝(x(tf)-xf)2+(y(tf)-yf)2；
计算着陆点航向误差指标J2：J2＝cos(ψ(tf))+1；
根据翼伞飞行时段[t0,tf]内翼伞的控制量u(t)，计算控制能耗指标J3：
计算翼伞在飞行时段内的安全避障指标J4：
其中
di(t)为t时刻翼伞距第i个山峰障碍表面的距离；Rsafe为预设的翼伞距山峰障碍表面的安全间距；
计算目标函数值J＝f1J1+f2J2+f3J3+f4J4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010585210.7A CN111880555B (zh) | 2020-06-24 | 2020-06-24 | 翼伞系统避障航迹规划方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010585210.7A CN111880555B (zh) | 2020-06-24 | 2020-06-24 | 翼伞系统避障航迹规划方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111880555A true CN111880555A (zh) | 2020-11-03 |
| CN111880555B CN111880555B (zh) | 2022-06-28 |
Family
ID=73158031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010585210.7A Active CN111880555B (zh) | 2020-06-24 | 2020-06-24 | 翼伞系统避障航迹规划方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111880555B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112923904A (zh) * | 2021-01-26 | 2021-06-08 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
| CN114355777A (zh) * | 2022-01-06 | 2022-04-15 | 浙江大学 | 一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统 |
| CN115079724A (zh) * | 2022-08-22 | 2022-09-20 | 中国人民解放军国防科技大学 | 一种单架次多目标点的翼伞空投任务规划方法 |
| CN115291504A (zh) * | 2022-05-30 | 2022-11-04 | 国家超级计算无锡中心 | 基于末端误差的火箭子级回收着陆段动力下降制导方法 |
| CN116485043A (zh) * | 2023-06-19 | 2023-07-25 | 中国人民解放军国防科技大学 | 一种翼伞集群系统归航多目标优化方法 |
| CN116520883A (zh) * | 2023-05-11 | 2023-08-01 | 南京航空航天大学 | 一种复杂空域环境下翼伞系统归航轨迹规划方法 |
| CN116700308A (zh) * | 2023-06-15 | 2023-09-05 | 南京航空航天大学 | 基于粒子群优化算法的翼伞系统分段归航轨迹规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529851A (zh) * | 2013-10-29 | 2014-01-22 | 航宇救生装备有限公司 | 一种细分分段的翼伞归航控制方法 |
| CN109858106A (zh) * | 2019-01-11 | 2019-06-07 | 南京航空航天大学 | 基于高斯伪谱法的飞行器小翼伸缩量优化方法 |
| CN111077902A (zh) * | 2019-12-04 | 2020-04-28 | 淮阴工学院 | 基于虚拟结构的多翼伞协同编队控制方法和控制系统 |
-
2020
- 2020-06-24 CN CN202010585210.7A patent/CN111880555B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529851A (zh) * | 2013-10-29 | 2014-01-22 | 航宇救生装备有限公司 | 一种细分分段的翼伞归航控制方法 |
| CN109858106A (zh) * | 2019-01-11 | 2019-06-07 | 南京航空航天大学 | 基于高斯伪谱法的飞行器小翼伸缩量优化方法 |
| CN111077902A (zh) * | 2019-12-04 | 2020-04-28 | 淮阴工学院 | 基于虚拟结构的多翼伞协同编队控制方法和控制系统 |
Non-Patent Citations (2)
| Title |
|---|
| 赵志豪等: "基于IAFSA的四自由度翼伞分段归航设计", 《火力与指挥控制》 * |
| 高海涛等: "基于伪谱法的翼伞系统归航轨迹容错设计", 《控制理论与应用》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112923904A (zh) * | 2021-01-26 | 2021-06-08 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
| CN112923904B (zh) * | 2021-01-26 | 2022-09-23 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
| CN114355777A (zh) * | 2022-01-06 | 2022-04-15 | 浙江大学 | 一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统 |
| CN114355777B (zh) * | 2022-01-06 | 2023-10-10 | 浙江大学 | 一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统 |
| CN115291504A (zh) * | 2022-05-30 | 2022-11-04 | 国家超级计算无锡中心 | 基于末端误差的火箭子级回收着陆段动力下降制导方法 |
| CN115079724A (zh) * | 2022-08-22 | 2022-09-20 | 中国人民解放军国防科技大学 | 一种单架次多目标点的翼伞空投任务规划方法 |
| CN115079724B (zh) * | 2022-08-22 | 2022-11-04 | 中国人民解放军国防科技大学 | 一种单架次多目标点的翼伞空投任务规划方法 |
| CN116520883A (zh) * | 2023-05-11 | 2023-08-01 | 南京航空航天大学 | 一种复杂空域环境下翼伞系统归航轨迹规划方法 |
| CN116700308A (zh) * | 2023-06-15 | 2023-09-05 | 南京航空航天大学 | 基于粒子群优化算法的翼伞系统分段归航轨迹规划方法 |
| CN116485043A (zh) * | 2023-06-19 | 2023-07-25 | 中国人民解放军国防科技大学 | 一种翼伞集群系统归航多目标优化方法 |
| CN116485043B (zh) * | 2023-06-19 | 2023-09-01 | 中国人民解放军国防科技大学 | 一种翼伞集群系统归航多目标优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111880555B (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111880555B (zh) | 翼伞系统避障航迹规划方法和系统 | |
| CN111694375B (zh) | 翼伞系统航迹规划方法和系统、航迹跟踪控制方法和系统 | |
| Jianglong et al. | Cooperative guidance strategy for multiple hypersonic gliding vehicles system | |
| CN112162564B (zh) | 基于模仿学习和强化学习算法的无人机飞行控制方法 | |
| CN112327922B (zh) | 一种飞翼无人机自主起降综合控制方法 | |
| Han et al. | Online policy iteration ADP-based attitude-tracking control for hypersonic vehicles | |
| CN107479383B (zh) | 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法 | |
| CN111046486B (zh) | 运载火箭一子级伞控回收航迹规划方法 | |
| CN111077901B (zh) | 基于一致性的多翼伞编队协同控制方法和控制系统 | |
| CN111077902A (zh) | 基于虚拟结构的多翼伞协同编队控制方法和控制系统 | |
| De Ridder et al. | Terminal area trajectory planning using the energy-tube concept for reusable launch vehicles | |
| Jarmark et al. | The variable-speed tail-chase aerial combat problem | |
| CN114637312A (zh) | 一种基于智能变形决策的无人机节能飞行控制方法及系统 | |
| CN116301028B (zh) | 基于吸气式高超声速平台的多约束在线飞行轨迹规划中段导引方法 | |
| Orsag et al. | Hybrid fly-by-wire quadrotor controller | |
| Deittert et al. | Dynamic soaring flight in turbulence | |
| Juang et al. | Analysis and comparison of aircraft landing control using recurrent neural networks and genetic algorithms approaches | |
| CN116520883A (zh) | 一种复杂空域环境下翼伞系统归航轨迹规划方法 | |
| CN114879490A (zh) | 一种无人机栖落机动的迭代优化与控制方法 | |
| Peigin et al. | Unmanned air vehicle 3-D wing aerodynamical design and algorithm stability with respect to initial shape | |
| Shinar et al. | Analysis of optimal turning maneuvers in the vertical plane | |
| Chen et al. | Multiphase homing track planing for parafoil-booster using improved PSO algorithm | |
| CN116909153A (zh) | 一种基于差分进化改进的翼伞无人机轨迹优化方法 | |
| Dai et al. | Intelligent System on Chip for Aircraft Landing Control. | |
| Tennakoon et al. | Design and simulation of a UAV controller system with high maneuverability |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201103 Assignee: Shanghai Yanqiao Information Technology Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2022980020273 Denomination of invention: Obstacle avoidance route planning method and system of parafoil system Granted publication date: 20220628 License type: Common License Record date: 20221108 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240416 Address after: 211100 2nd floor, building 1, No.8 Shuige Road, Jiangning District, Nanjing City, Jiangsu Province (Jiangning Development Zone) Patentee after: NANJING YITING INTERNET OF THINGS TECHNOLOGY CO.,LTD. Country or region after: China Address before: 223003 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |