CN111948940B - 一种基于动态最优控制的倾转旋翼无人机轨迹优化方法 - Google Patents

一种基于动态最优控制的倾转旋翼无人机轨迹优化方法 Download PDF

Info

Publication number
CN111948940B
CN111948940B CN202010659991.XA CN202010659991A CN111948940B CN 111948940 B CN111948940 B CN 111948940B CN 202010659991 A CN202010659991 A CN 202010659991A CN 111948940 B CN111948940 B CN 111948940B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
state
flight
control
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
Application number
CN202010659991.XA
Other languages
English (en)
Other versions
CN111948940A (zh
Inventor
张谦
于泽龙
王学运
张京娟
徐一钒
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010659991.XA priority Critical patent/CN111948940B/zh
Publication of CN111948940A publication Critical patent/CN111948940A/zh
Application granted granted Critical
Publication of CN111948940B publication Critical patent/CN111948940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于动态最优控制的倾转旋翼无人机轨迹优化方法，包括步骤：建立倾转旋翼无人机的纵向质点运动模型；根据倾转旋翼无人机各执行机构的控制能力，制定飞行约束条件；将倾转旋翼无人机的斜垂起飞最优轨迹问题归结为含有飞行约束条件的非线性动态最优控制问题；并将斜垂起飞整个过程的总时间最少和总耗能最小作为优化指标，给定所述非线性动态最优控制问题的性能指标函数；采用直接配置非线性规划方法将非线性动态最优控制问题转化为非线性规划问题，求解优化后的轨迹变量和执行机构控制变量。本发明能够使倾转旋翼无人机从一簇斜垂起飞的飞行轨迹中寻找一个最优的轨迹，使其从静止状态转换到目标飞行状态时的耗时和耗能达到最优。

Description

一种基于动态最优控制的倾转旋翼无人机轨迹优化方法
技术领域
本发明属于无人机飞行控制领域，特别涉及一种倾转旋翼无人机起飞过程轨迹优化设计的方法，能够使倾转旋翼无人机从一簇斜垂起飞的飞行轨迹中寻找一个最优的轨迹，使其从静止状态转换到目标飞行状态时的耗时和耗能达到最优。
背景技术
倾转旋翼无人机在垂直起降时旋翼拉力用以抵消飞机重力，而在固定翼模式水平飞行时则只需要抵消飞机的前飞阻力。从节省耗能的角度来讲，快速地让飞机倾转至固定翼模式并产生气动升力是很有必要的。
倾转旋翼无人机的斜垂起飞方式能够使无人机在倾转过程中积累平飞空速的同时也进行高度爬升，充分利用气动升力达到节省能量的目的。然而，倾转旋翼无人机由直升机模式倾转至固定翼模式过程中存在着控制策略的变化，该过程具有执行机构冗余，操作难度大的特点。整个倾转飞行过程存在旋翼倾转角、旋翼拉力和前飞速度等参数相互匹配的问题。如何根据飞机的具体参数预先设置飞行轨迹和操纵指令，使得无人机能够按照指定的倾转飞行计划安全、高效过渡是至关重要的。
目前关于倾转旋翼无人机倾转过渡的控制方法主要集中在预先设定操纵方案以解决操纵冗余问题，并假定飞机轨迹运动与角运动解耦，运用线性二次型最优控制方法解算各执行机构控制变量与飞机的状态变量。这种方法的缺点是在初始飞行速度低的时候误差相对较大，同时无法得到不同飞行任务下整个倾转过渡过程的最优操纵策略和飞行轨迹。
发明内容
为了解决倾转旋翼无人机斜垂起飞过程的轨迹优化问题，并得到相应的执行机构操纵指令和飞行轨迹，以精准控制倾转过渡过程，本发明提出了一种采用动态最优控制理论来进行倾转旋翼无人机斜垂起飞的轨迹优化的方法，本方法采用斜垂起飞过程的耗时和耗能两个物理量来制定最优控制的性能指标函数，并且鉴于斜垂起飞轨迹优化时的状态变量较多以及性能指标非线性等问题，将最优控制转化为非线性规划问题进行解算。
本发明提供了一种基于动态最优控制的倾转旋翼无人机轨迹优化方法，包括如下步骤：
步骤一：从倾转旋翼无人机斜垂起飞的受力分析出发，建立倾转旋翼无人机的纵向质点运动模型；
步骤二：根据倾转旋翼无人机各执行机构的控制能力，制定飞行约束条件；
步骤三：将倾转旋翼无人机的斜垂起飞最优轨迹问题归结为含有步骤二中制定的飞行约束条件的非线性动态最优控制问题，给定控制系统的状态变量和状态方程的边界条件以及性能指标函数形式；
步骤四：给定控制系统的状态变量和状态方程的边界条件的参数值，并将斜垂起飞整个过程的总时间最少和总耗能最小作为优化指标，确定所述非线性动态最优控制问题相应的性能指标函数；
步骤五：采用直接配置非线性规划方法将非线性动态最优控制问题转化为非线性规划问题，针对步骤一中建立的倾转旋翼无人机的纵向质点运动模型，求解优化后的轨迹变量和执行机构控制变量。
进一步，步骤一具体过程为：
假设倾转旋翼无人机在整个斜垂起飞过程中的横向速度、滚转角、偏航角都可忽略，倾转旋翼无人机只在其纵向平面内运动，建立的倾转旋翼无人机的纵向质点运动模型如下：
Figure BDA0002578132690000021
其中，t为时间；VU(t)为无人机垂向速度；
Figure BDA0002578132690000022
为无人机垂向加速度；VH(t)为无人机水平速度；
Figure BDA0002578132690000023
为无人机水平加速度；
Figure BDA0002578132690000024
为主电机的倾角；α(t)和A(t)分别为无人机迎角和无人机航迹角，
Figure BDA0002578132690000025
L(t)和D(t)分别为升力和阻力；T(t)为主电机的拉力，m为无人机质量；g为重力加速度。
进一步，步骤二中所制定的飞行约束条件包括状态约束和控制约束，所述状态约束包括起止稳态飞行约束和飞行路径约束，所述控制约束包括执行机构约束；
1)稳态飞行约束
无人机稳态飞行的初始约束和终端约束表示为：
Figure BDA0002578132690000031
其中，t0和tf分别为无人机斜垂起飞的起始时间点和终止时间点；VaC和ZnC分别为预设的目标空速和高度；VU0、VH0、Zn0、A0、α0分别为无人机垂向速度VU(t)、无人机水平速度VH(t)、无人机垂向高度Zn(t)、无人机航迹角A(t)和无人机迎角α(t)的初始值；VUf、Af、αf分别为无人机垂向速度VU(t)、无人机航迹角A(t)和无人机迎角α(t)的终端值；
2)飞行路径约束，具体约束表示如下：
Figure BDA0002578132690000032
其中，下标min表示最小值，下标max表示最大值；
3)执行机构约束，具体约束表示如下：
Figure BDA0002578132690000041
其中，Tb(t)和
Figure BDA0002578132690000042
分别为尾电机的拉力和倾角；δl(t)和δr(t)分别为左右升降副翼的偏转角。
进一步，步骤三中，假设控制系统的状态方程如下：
Figure BDA0002578132690000043
其中，X(t)为状态向量；U(t)为控制向量；状态向量X(t)的初始条件和终端条件分别表示为：X(t0)＝X0和X(tf)∈S，X0为状态向量X(t)的初始值，S为一个目标集；
非线性动态最优控制问题的性能指标函数形式如下：
Figure BDA0002578132690000044
式中，
Figure BDA0002578132690000045
为积分指标和φ[X(tf),tf]为终端指标。
5.根据权利要求4所述的方法，其特征在于，步骤四中，将斜垂起飞整个过程的总时间最少和总耗能最小作为优化指标，确定所述非线性动态最优控制问题相应的性能指标函数：
Figure BDA0002578132690000046
其中，P(t)为无人机飞行过程中的主旋翼功率，表示为：
P(t)＝T(t)Vv(t)+T(t)ν(t) (8)
其中，Vv(t)为垂直于旋翼桨平面的气流速度，
Figure BDA0002578132690000048
Va为无人机飞行空速矢量；ν(t)为螺旋桨的诱导速度，通过式(9)求得：
ν4(t)+2Vv(t)ν3(t)+Va 2(t)ν2(t)＝νh 4 (9)
其中，νh为无人机悬停时的诱导速度，
Figure BDA0002578132690000047
R为旋翼半径；
将无人机垂向速度VU(t)、无人机水平速度VH(t)、无人机垂向高度Zn(t)以及无人机航迹角A(t)作为状态变量，得到状态向量X(t)＝[VU(t),VH(t),Zn(t),A(t)]；将主电机的拉力T(t)、主电机的倾角
Figure BDA0002578132690000051
和无人机的迎角α(t)作为控制变量，得到控制向量
Figure BDA0002578132690000052
则最优控制的状态方程表示为：
Figure BDA0002578132690000053
进一步，步骤五具体过程为：
利用直接配置法将整个控制系统的时间分为多段，每一段的两端称为节点，每个节点处的状态变量和控制变量作为一组非线性规划的变量；
采用三阶Simpson离散化配置方法将时间等分为N-1段：
Figure BDA0002578132690000054
式中，ti,i＝1,2,...,N-1,N为第i个时间点，Δt为每相邻时间点时间间隔；
则非线性规划的变量为：
Figure BDA0002578132690000055
式中，U(tmi)为离散段中点处的控制变量；U(tmN)不存在；
在每相邻时间点时间间隔Δt上利用三阶Simpson积分公式对式(10)积分得到：
Figure BDA0002578132690000056
式中，tmi为每相邻时间的中间时间点；X(tmi)为每相邻时间的中间时间点tmi的状态值；式(13)构成了控制系统的非线性等式约束；
对性能指标函数(7)进行离散化得到：
Figure BDA0002578132690000061
式中，tj为性能指标函数计算时的各时间节点；tmj为性能指标函数计算时每相邻时间的中间时间点；P(tmj)为性能指标函数计算时每相邻时间的中间时间点tmj的电机功率；
将式(3)和式(4)所限定的约束模型应用到每一个节点和中间节点上：
Figure BDA0002578132690000062
此时，即将非线性动态最优控制问题转化为非线性规划问题。
本发明的有益效果：本发明建立的倾转旋翼无人机飞行动力学模型以及采用最优控制方法可以根据不同的飞行任务要求得到倾转过渡的最优操纵策略和对应的最优飞行轨迹，在解决操纵机构冗余问题的同时，还可以降低耗能、减少耗时、提高倾转过渡阶段的安全和效率。
附图说明
图1为本发明的基于动态最优控制的倾转旋翼无人机轨迹优化方法流程图；
图2为本发明实施例的无人机斜垂起飞纵向受力分析图；
图3为本发明实施例的直接配置法示例图；
图4为本发明实施例的无人机斜垂起飞的初始和终端状态；
图5为本发明实施例的斜垂起飞航迹优化软件及仿真结果。
具体实施方式
下面结合附图和实施例进一步描述本发明，应该理解，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，本发明的基于动态最优控制的倾转旋翼无人机轨迹优化方法包括如下步骤：
步骤一：从倾转旋翼无人机斜垂起飞的受力分析出发，建立倾转旋翼无人机的纵向质点运动模型，为无人机斜垂起飞轨迹优化提供模型基础；
假设倾转旋翼无人机在整个斜垂起飞过程中的横向速度、滚转角、偏航角都为小值(可忽略)，无人机只在其纵向平面内运动，如图2所示，且无人机在整个飞行过程中都具有足够的控制力矩进行姿态调整，无人机的轨迹运动和姿态运动解耦。图2中，O为飞机质心位置；
Figure BDA0002578132690000071
为无人机主旋翼相对于机体纵轴的倾转角，t为时间；Va为无人机飞行空速矢量；α(t)和A(t)分别为无人机迎角和无人机航迹角，
Figure BDA0002578132690000072
VU(t)为无人机(地理系下的)垂向速度，VH(t)为无人机(地理系下的)水平速度；L(t)和D(t)分别为(气流坐标系下的)升力和阻力，两者可根据当前的空速和迎角计算得到；Zb(t)为机体系下的高度；Zn(t)为无人机(在地理系下的)垂向高度；Zm为主电机拉力方向；Yb为机体纵轴；Yn为机体纵轴(在地理系下的)投影；m为无人机质量；g为重力加速度。
在整个无人机斜垂起飞过程中，需要调节主电机的拉力T(t)和主电机的倾角
Figure BDA0002578132690000073
来控制无人机的垂向和水平加速度，从而跟踪预定的高度和前向速度轨迹。基于此，倾转旋翼无人机的纵向质点运动模型可表示为：
Figure BDA0002578132690000074
步骤二：根据倾转旋翼无人机各执行机构的控制能力，制定合理的飞行约束条件，包括起止稳态飞行约束、飞行路径约束、执行机构约束等；
由于拉力T(t)在该无人机的直升机模式和固定翼模式时都参与了主动控制，所以需要综合考虑拉力T(t)的能力范围。此外，无人机斜垂起飞阶段，由于主旋翼倾转引起的无人机纵向不平衡力矩需要尾电机和升降副翼共同控制来平衡，所以需要适当地限制斜垂起飞过程中的姿态角，以确保其在执行机构的控制范围之内。综上所述，本发明制定的合理的飞行约束条件如下：
(1)稳态飞行约束(状态约束)
无人机的斜垂起飞过程是从静止在地面开始，主旋翼电机倾转一定角度后开始加速，无人机离地后开始垂向高度和水平速度的积累，当飞行至预定高度和空速后进行定高定航向飞行。因此，无人机斜垂起飞轨迹的设计需要满足一定的稳态飞行约束。本实施例中无人机飞行的初始约束和终端约束可表示为：
Figure BDA0002578132690000081
其中，t0和tf分别为无人机斜垂起飞的起始时间和终止时间，VaC和ZnC分别为预设的目标空速和目标高度。
(2)飞行路径约束(状态约束)
为了使得整个斜垂起飞的飞行路径平滑，且运动姿态在各执行机构的可控范围之内，需要设定无人机的飞行速度、飞行高度、航迹角等约束。此外，由于倾转旋翼在低速飞行时的空气动力受到机翼临界失速迎角的限制，需要设定飞机的迎角约束。本实施例的飞行路径约束具体表示如下：
Figure BDA0002578132690000082
(3)执行机构约束(控制约束)
无人机斜垂起飞阶段的执行机构主要是主电机的拉力T(t)和主电机的倾角
Figure BDA0002578132690000091
但由于该阶段是由直升机模式转换到固定翼模式的过渡阶段，因此该阶段中两种模式的执行机构都参与了姿态控制。考虑到执行机构的控制余量，在最优航迹设计时有必要对各执行机构进行限幅。本实施例中各执行机构约束如下：
Figure BDA0002578132690000092
其中，Tb(t)和
Figure BDA0002578132690000093
分别为尾电机的拉力和倾角；δl(t)和δr(t)分别为左右升降副翼的偏转角。
步骤三：将倾转旋翼无人机的斜垂起飞最优轨迹问题归结为含有状态约束和控制约束的非线性动态最优控制问题；
根据在无人机斜垂起飞的整个阶段中飞行状态和性能指标均为时间和空间的函数，将倾转旋翼无人机的斜垂起飞最优轨迹问题归结为一种含有步骤二中所制定的状态约束和控制约束的非线性动态最优控制问题。为求解该非线性动态最优控制问题，需要确定控制系统的状态变量和状态方程各自的边界条件(包括初始约束和终端约束)、以及性能指标函数的一般形式。
假设控制系统的状态方程如下：
Figure BDA0002578132690000094
其中，
Figure BDA0002578132690000095
为X(t)的一阶导数；X(t)为状态向量；U(t)为控制向量。状态向量X(t)的初始约束和终端约束可表示为：X(t0)＝X0和X(tf)∈S，X0为状态变量X(t)的初始值，S为一个目标集。
非线性动态最优控制问题的性能指标函数一般具有如下形式：
Figure BDA0002578132690000096
上式(6)的性能指标函数包含了两部分，即积分指标
Figure BDA0002578132690000097
和终端指标φ[X(tf),tf]。此处仅给出了非线性动态最优控制问题的性能指标函数的一般形式，其具体形式还需要根据实际问题来确定。
步骤四：给定控制系统的状态变量和状态方程的边界条件(包括初始条件和终端条件)的参数值；并根据斜垂起飞整个过程的总时间最少和总耗能最小作为优化的指标，给出对应的性能指标函数形式。
根据倾转旋翼无人机的斜垂起飞过程存在着结构和飞行模式的变化，斜垂起飞过程的时间在控制能力允许的情况下越小越安全，因此将斜垂起飞的总时间作为优化指标的一部分。除此之外，倾转旋翼无人机的斜垂起飞过程的能量来源为主旋翼的拉力输出，因此将整个过程的耗能水平也作为优化的指标。
根据上述分析，在将斜垂起飞的总时间作为优化指标的一部分以及将整个过程的耗能水平也作为优化的指标的情况下，定义对应的性能指标函数形式如下：
Figure BDA0002578132690000101
其中，P(t)为无人机飞行过程中的主旋翼功率。在整个斜垂起飞倾转阶段，定义
Figure BDA0002578132690000102
为垂直于旋翼桨平面的气流速度。主旋翼功率P(t)可以表示为：
P(t)＝T(t)Vv(t)+T(t)ν(t) (8)
其中，ν(t)为螺旋桨的诱导速度，可通过式(9)求得：
ν4(t)+2Vv(t)ν3(t)+Va 2(t)ν2(t)＝νh 4 (9)
其中，νh为无人机悬停时的诱导速度。根据螺旋桨拉力的动量理论，悬停时的诱导速度可以表示为
Figure BDA0002578132690000103
R为旋翼半径。
根据上述分析，将倾转旋翼无人机在地理系下的垂向速度VU(t)、倾转旋翼无人机在地理系下的水平速度VH(t)、倾转旋翼无人机在地理系下的垂向高度Zn(t)和无人机的航迹角A(t)作为状态变量，得到状态向量X(t)＝[VU(t),VH(t),Zn(t),A(t)]；将拉力T(t)、倾角
Figure BDA0002578132690000104
和无人机的迎角作为控制变量，得到控制向量
Figure BDA0002578132690000105
则最优控制的状态方程可表示为：
Figure BDA0002578132690000111
本实施例中控制系统的状态变量和状态方程各自的边界条件即为步骤二中所求的式(2)～(4)。
步骤五：采用直接配置非线性规划方法(DCNLP)将非线性动态最优控制问题转化为非线性规划问题，求解出优化后的轨迹变量和执行机构控制变量
直接配置非线性规划方法(DCNLP)的核心思想是将动态优化问题转化成为静态参数最优化问题，将各节点上的状态参数和控制参数作为优化对象。直接配置法将整个控制系统的时间分为多段，每一段的两端称为“节点”，每个节点处的状态变量和控制变量可作为一组非线性规划的变量。节点之间可用多项式拟合状态变量随时间的变化规律。状态变量和控制变量的约束可以施加在每个节点上。在本实施例中，利用直接配置法将该轨迹分为了9段，共10个节点，如图3所示，每个节点i(i＝1,2,…,10)都有其对应的时刻ti、状态变量Xi和控制变量Ui。
根据节点间拟合多项式阶数的不同，直接配置法可分为梯形法、三阶Simpson法，四阶法等方法。阶数越高，拟合的精度就越高，但运算量也随之加大。本实施例采用三阶Simpson离散化配置方法将时间等分为9段：
Figure BDA0002578132690000112
式中，ti,i＝1,2,...,9,10为第i个时间点，Δt为每相邻时间点时间间隔。
则非线性规划的变量为：
Figure BDA0002578132690000113
式中，U(tmi)为离散段中点处的控制变量，U(tm10)不存在。
在每相邻时间点时间间隔Δt上利用三阶Simpson积分公式对状态方程式(10)积分得到：
Figure BDA0002578132690000121
式中，tmi为每相邻时间的中间时间点；X(tmi)为每相邻时间的中间时间点tmi的状态值。该式(13)构成了系统的非线性等式约束。
对性能指标函数(7)进行离散化得到：
Figure BDA0002578132690000122
式中，tj为性能指标函数计算时的各时间节点；tmj为性能指标函数计算时每相邻时间的中间时间点；P(tmj)为性能指标函数计算时每相邻时间的中间时间点tmj的电机功率。
将公式(3)～(4)所限定的约束模型应用到每一个节点和中间节点上：
Figure BDA0002578132690000123
此时，即将最优控制问题转化为了非线性规划问题。
根据上述基于直接配置法的动态规划的工作原理，本发明还开发一套基于Matlab的倾转旋翼无人机斜垂起飞航迹优化软件。其输入变量包括无人机的机体本身的尺寸重量参数和气动参数、执行机构的能力约束、斜垂起飞的路径约束和初始与终端状态等，输出变量为优化后的轨迹变量和该过程的执行机构变量。
在本实施例中，无人机的质量m＝67kg，根据气动参数设计无人机斜垂起飞的初始和终端状态如图4所示。无人机从静止于地面斜垂起飞至ZnC＝40m后并保持定高巡航空速VaC＝33m/s。根据该无人机的状态方程、飞行约束和优化性能指标，斜垂起飞过程中飞机的状态变量与控制变量均已被解算出如图5所示。
对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例作出若干变型和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种基于动态最优控制的倾转旋翼无人机轨迹优化方法，其特征在于，包括如下步骤：
步骤一：从倾转旋翼无人机斜垂起飞的受力分析出发，假设倾转旋翼无人机在整个斜垂起飞过程中的横向速度、滚转角、偏航角都忽略，倾转旋翼无人机只在其纵向平面内运动，建立倾转旋翼无人机的纵向质点运动模型如下：
Figure 699760DEST_PATH_IMAGE001
（1）
其中，t为时间；
Figure 847845DEST_PATH_IMAGE002
为无人机垂向速度；
Figure 341274DEST_PATH_IMAGE003
为无人机垂向加速度；
Figure 549401DEST_PATH_IMAGE004
为无人机水平速度；
Figure 252915DEST_PATH_IMAGE005
为无人机水平加速度；
Figure 939111DEST_PATH_IMAGE006
为主电机倾角；
Figure 801894DEST_PATH_IMAGE007
和
Figure 915344DEST_PATH_IMAGE008
分别为无人机迎角和无人机航迹角，
Figure 106154DEST_PATH_IMAGE009
；
Figure 596041DEST_PATH_IMAGE010
和
Figure 923117DEST_PATH_IMAGE011
分别为升力和阻力；
Figure 348413DEST_PATH_IMAGE012
为主电机拉力，m为无人机质量；g为重力加速度；将无人机垂向速度
Figure 26519DEST_PATH_IMAGE013
、无人机水平速度
Figure 320097DEST_PATH_IMAGE014
、无人机垂向高度
Figure 767259DEST_PATH_IMAGE015
以及无人机航迹角
Figure 347145DEST_PATH_IMAGE016
作为状态变量，得到状态向量
Figure 512547DEST_PATH_IMAGE017
；将主电机拉力
Figure 344237DEST_PATH_IMAGE018
、主电机倾角
Figure 911484DEST_PATH_IMAGE019
和无人机迎角
Figure 413004DEST_PATH_IMAGE020
作为控制变量，得到控制向量
Figure 65702DEST_PATH_IMAGE021
；
步骤二：根据倾转旋翼无人机各执行机构的控制能力，制定飞行约束条件，所述飞行约束条件包括状态约束和控制约束，所述状态约束包括起止稳态飞行约束和飞行路径约束，所述控制约束包括执行机构约束；
步骤三：将倾转旋翼无人机的斜垂起飞最优轨迹问题归结为含有步骤二中制定的飞行约束条件的非线性动态最优控制问题，给定控制系统的状态向量和状态方程的边界条件以及性能指标函数形式，所述边界条件包括初始条件和终端条件；
步骤四：给定控制系统的状态向量和状态方程的边界条件的参数值，并将斜垂起飞整个过程的总时间最少和总耗能最小作为优化指标，确定所述非线性动态最优控制问题相应的性能指标函数；
步骤五：采用直接配置非线性规划方法将整个控制系统的时间分为多段，每一段的两端称为节点，每个节点处的状态变量和控制变量作为一组非线性规划的变量，将非线性动态最优控制问题转化为非线性规划问题，针对步骤一中建立的倾转旋翼无人机的纵向质点运动模型，求解优化后的轨迹变量和执行机构控制变量。
2.根据权利要求1所述的方法，其特征在于，步骤二中，
1）所述起止稳态飞行约束包括无人机稳态飞行的初始约束和终端约束，表示为：
Figure 701083DEST_PATH_IMAGE022
（2）
其中，
Figure 857258DEST_PATH_IMAGE023
和
Figure 44526DEST_PATH_IMAGE024
分别为无人机斜垂起飞的起始时间点和终止时间点；
Figure 918941DEST_PATH_IMAGE025
和
Figure 358012DEST_PATH_IMAGE026
分别为预设的目标空速和高度；
Figure 634273DEST_PATH_IMAGE027
、
Figure 743174DEST_PATH_IMAGE028
、
Figure 104885DEST_PATH_IMAGE029
、
Figure 82069DEST_PATH_IMAGE030
、
Figure 212836DEST_PATH_IMAGE031
分别为无人机垂向速度
Figure 765344DEST_PATH_IMAGE032
、无人机水平速度
Figure 614351DEST_PATH_IMAGE033
、无人机垂向高度
Figure 129646DEST_PATH_IMAGE034
、无人机航迹角
Figure 380499DEST_PATH_IMAGE035
和无人机迎角
Figure 831203DEST_PATH_IMAGE036
的初始值；
Figure 167506DEST_PATH_IMAGE037
、
Figure 486492DEST_PATH_IMAGE038
、
Figure 591851DEST_PATH_IMAGE039
分别为无人机垂向速度
Figure 462724DEST_PATH_IMAGE040
、无人机航迹角
Figure 755165DEST_PATH_IMAGE041
和无人机迎角
Figure 877842DEST_PATH_IMAGE042
的终端值；
2）所述飞行路径约束，具体约束表示如下：
Figure 837708DEST_PATH_IMAGE043
（3）
其中，下标min表示最小值，下标max表示最大值；
3）所述执行机构约束，具体约束表示如下：
Figure 754848DEST_PATH_IMAGE044
（4）
其中，
Figure 941110DEST_PATH_IMAGE045
和
Figure 601898DEST_PATH_IMAGE046
分别为尾电机的拉力和倾角；
Figure 416271DEST_PATH_IMAGE047
和
Figure 769892DEST_PATH_IMAGE048
分别为左右升降副翼的偏转角。
3.根据权利要求2所述的方法，其特征在于，步骤三中，假设控制系统的状态方程如下：
Figure 427138DEST_PATH_IMAGE049
（5）
其中，状态向量
Figure 891617DEST_PATH_IMAGE050
的初始条件和终端条件分别表示为：
Figure 560496DEST_PATH_IMAGE051
和
Figure 85018DEST_PATH_IMAGE052
，
Figure 839348DEST_PATH_IMAGE053
为状态向量
Figure 717305DEST_PATH_IMAGE054
的初始值，S为一个目标集；
非线性动态最优控制问题的性能指标函数形式如下：
Figure 771849DEST_PATH_IMAGE055
（6）
式中，
Figure 467272DEST_PATH_IMAGE056
为积分指标和
Figure 833531DEST_PATH_IMAGE057
为终端指标。
4.根据权利要求3所述的方法，其特征在于，步骤四中，将斜垂起飞整个过程的总时间最少和总耗能最小作为优化指标，确定所述非线性动态最优控制问题相应的性能指标函数：
Figure 639813DEST_PATH_IMAGE058
（7）
其中，
Figure 283284DEST_PATH_IMAGE059
为无人机飞行过程中的主旋翼功率，表示为：
Figure 884030DEST_PATH_IMAGE060
（8）
其中,
Figure 878531DEST_PATH_IMAGE061
为垂直于旋翼桨平面的气流速度，
Figure 98291DEST_PATH_IMAGE062
，
Figure 861847DEST_PATH_IMAGE063
为无人机飞行空速矢量；
Figure 633494DEST_PATH_IMAGE064
为螺旋桨的诱导速度，通过式（9）求得：
Figure 115291DEST_PATH_IMAGE065
（9）
其中，
Figure 388010DEST_PATH_IMAGE066
为无人机悬停时的诱导速度，
Figure 6073DEST_PATH_IMAGE067
，R为旋翼半径；
则最优控制的状态方程表示为：
Figure 214200DEST_PATH_IMAGE068
（10）。
5.根据权利要求4所述的方法，其特征在于，步骤五具体过程为：
采用三阶Simpson离散化配置方法将时间等分为
Figure 917714DEST_PATH_IMAGE069
段：
Figure 479276DEST_PATH_IMAGE070
（11）
式中，
Figure 217425DEST_PATH_IMAGE071
，为第i个时间点，
Figure 330875DEST_PATH_IMAGE072
为每相邻时间点时间间隔；
则非线性规划的变量为：
Figure 521685DEST_PATH_IMAGE073
（12）
式中，
Figure 136206DEST_PATH_IMAGE074
为离散段中点处的控制变量，
Figure 728861DEST_PATH_IMAGE075
不存在；
在每相邻时间点时间间隔
Figure 278791DEST_PATH_IMAGE076
上利用三阶Simpson积分公式对式（10）积分得到：
Figure 956897DEST_PATH_IMAGE077
（13）
式中，
Figure 860262DEST_PATH_IMAGE078
为每相邻时间的中间时间点；
Figure 307424DEST_PATH_IMAGE079
为每相邻时间的中间时间点
Figure 293835DEST_PATH_IMAGE080
的状态值；式（13）构成了控制系统的非线性等式约束；
对性能指标函数（7）进行离散化得到：
Figure 583870DEST_PATH_IMAGE081
（14）
式中，
Figure 415560DEST_PATH_IMAGE082
为性能指标函数计算时的各时间节点；
Figure 717229DEST_PATH_IMAGE083
为性能指标函数计算时每相邻时间的中间时间点；
Figure 343382DEST_PATH_IMAGE084
为性能指标函数计算时每相邻时间的中间时间点
Figure 996080DEST_PATH_IMAGE085
的电机功率；
将式（3）和式（4）所限定的约束模型应用到每一个节点和中间节点上：
Figure 241248DEST_PATH_IMAGE086
（15）
此时，即将非线性动态最优控制问题转化为非线性规划问题。
CN202010659991.XA 2020-07-10 2020-07-10 一种基于动态最优控制的倾转旋翼无人机轨迹优化方法 Active CN111948940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010659991.XA CN111948940B (zh) 2020-07-10 2020-07-10 一种基于动态最优控制的倾转旋翼无人机轨迹优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010659991.XA CN111948940B (zh) 2020-07-10 2020-07-10 一种基于动态最优控制的倾转旋翼无人机轨迹优化方法

Publications (2)

Publication Number Publication Date
CN111948940A CN111948940A (zh) 2020-11-17
CN111948940B true CN111948940B (zh) 2021-05-04

Family

ID=73341801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010659991.XA Active CN111948940B (zh) 2020-07-10 2020-07-10 一种基于动态最优控制的倾转旋翼无人机轨迹优化方法

Country Status (1)

Country Link
CN (1) CN111948940B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114415710A (zh) * 2021-12-02 2022-04-29 北京电子工程总体研究所 一种倾转旋翼飞行器倾转路径优化方法、可读存储介质
CN114035601B (zh) * 2022-01-06 2022-05-24 北京航空航天大学 一种基于h无穷控制的倾转旋翼无人机着舰方法
CN114894163A (zh) * 2022-05-24 2022-08-12 中国地质科学院岩溶地质研究所 面向多无人机协同摄影测量的地质灾害隐患探测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957204A (zh) * 2010-09-28 2011-01-26 北京航空航天大学 一种基于相互测距信息的机群惯性导航数据融合方法
CN106777739A (zh) * 2016-12-28 2017-05-31 南京航空航天大学 一种倾转旋翼机倾转过渡过程的求解方法
CN108120442A (zh) * 2017-12-12 2018-06-05 北京理工大学 一种基于二阶锥规划的多旋翼无人机飞行轨迹生成方法
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041520B2 (en) * 2007-09-26 2011-10-18 Gilbert Ronald Mesec Method to detect mechanical faults and dynamic instability in rotor systems of helicopters, tilt rotor aircraft, and whirl towers
US9776200B2 (en) * 2014-09-19 2017-10-03 Luryto, Llc Systems and methods for unmanned aerial painting applications

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957204A (zh) * 2010-09-28 2011-01-26 北京航空航天大学 一种基于相互测距信息的机群惯性导航数据融合方法
CN106777739A (zh) * 2016-12-28 2017-05-31 南京航空航天大学 一种倾转旋翼机倾转过渡过程的求解方法
CN108120442A (zh) * 2017-12-12 2018-06-05 北京理工大学 一种基于二阶锥规划的多旋翼无人机飞行轨迹生成方法
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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A Nonlinear Control Law for Hover to Level Flight for the Quad Tilt-rotor UAV;Gerardo R. Flores-Colunga等;《The International Federation of Automatic Control》;20140829;11055-11059 *
Particle swarm optimization based proportional derivative parameters for unmanned tilt-rotor flight control and trajectory tracking;Nada El Gmili等;《Automatika》;20191206;189-206 *
Preliminary design of multirotor UAVs with tilted-rotors for improved disturbance rejection capability;Z.J.Chen等;《Aerospace Science and Technology》;20190627;635-643 *
一种垂直起降固定翼飞机受约束飞行最优航迹规划;刘昌镇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180515(第05期);全文 *
倾转四旋翼自主降落的设计与仿真;修素朴等;《系统仿真学报》;20200619(第09期);44-53 *
无人倾转旋翼机飞行控制研究;郭剑东;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20141215(第12期);全文 *
采用遗传算法的多机自由飞行冲突解脱策略;吴君等;《智能系统学报》;20130125(第01期);20-24 *

Also Published As

Publication number Publication date
CN111948940A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111948940B (zh) 一种基于动态最优控制的倾转旋翼无人机轨迹优化方法
Cutler et al. Comparison of fixed and variable pitch actuators for agile quadrotors
Bapst et al. Design and implementation of an unmanned tail-sitter
Li et al. Transition optimization for a VTOL tail-sitter UAV
Choi et al. Development and conversion flight test of a small tiltrotor unmanned aerial vehicle
EP3761145B1 (en) Aircraft control method
Niemiec et al. System identification and handling qualities predictions of an eVTOL urban air mobility aircraft using modern flight control methods
Bulka et al. Autonomous control of agile fixed-wing UAVs performing aerobatic maneuvers
Raj et al. Iterative learning based feedforward control for transition of a biplane-quadrotor tailsitter UAS
Morozov Emergency control of a quadrocopter in case of failure of two symmetric propellers
Segui et al. Cessna citation X climb and cruise performance improvement using adaptive winglet
May et al. Semi-Empirical Aerodynamic Modeling Approach for Tandem Tilt-Wing eVTOL Control Design Applications
Arshad et al. Stability analysis for a concept design of vertical take-off and landing (VTOL) unmanned aerial vehicle (UAV)
Orsag et al. Hybrid control of quadrotor
Avanzini et al. Performance and stability of ducted-fan uninhabited aerial vehicle model
Marta et al. Flight dynamics modeling of dual thrust system hybrid UAV
Samal et al. Model predictive attitude control of vario unmanned helicopter
Hartmann et al. Unified approach for velocity control and flight state transition of unmanned tiltwing aircraft
Comer et al. Full envelope flight control system design and optimization for a tilt-wing aircraft
Comer et al. Total energy flight control architecture optimization for a tilt-wing aircraft
Schoser et al. Preliminary control and stability analysis of a long-range eVTOL aircraft
Malang Design and control of a vertical takeoff and landing fixed-wing unmanned aerial vehicle
Sagan et al. Trim of Over-Actuated VTOL Aircraft in Transition
Hudati et al. Transition control on hybrid unmanned aerial vehicles (UAV) using altitude change
Sohail et al. Design and transition of a quad rotor tail-sitter VTOL UAV with experimental verification

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