CN112083735B - 一种模块化可变体无人机系统的切换控制方法 - Google Patents

一种模块化可变体无人机系统的切换控制方法 Download PDF

Info

Publication number
CN112083735B
CN112083735B CN202010216225.6A CN202010216225A CN112083735B CN 112083735 B CN112083735 B CN 112083735B CN 202010216225 A CN202010216225 A CN 202010216225A CN 112083735 B CN112083735 B CN 112083735B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
value
neural network
node
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
CN202010216225.6A
Other languages
English (en)
Other versions
CN112083735A (zh
Inventor
江未来
张创奇
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202010216225.6A priority Critical patent/CN112083735B/zh
Publication of CN112083735A publication Critical patent/CN112083735A/zh
Application granted granted Critical
Publication of CN112083735B publication Critical patent/CN112083735B/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
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

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

本发明公开了一种模块化可变体无人机系统的切换控制方法，利用RBF神经网络的逼近特性，实时调整增益参数，同时在RBF神经网络学习算法中采用多种自学习方法，以防止学习过程陷入局部寻优当中。这样就能有效消除系统抖振，保证系统的快速性和鲁棒性。本发明将一个复杂的非线性系统转化为若干简单子系统的切换，不同的模型对应切换系统的各子系统，结构变化导致的模型突变由切换律加以描述，使无人机实现空中对接后不会因外形的突变而出现原控制律失效的问题，在无人机实现对接后能够及时切换无人机控制律,这样就能解决旋翼无人机在外形突变时的稳定性控制问题。

Description

一种模块化可变体无人机系统的切换控制方法
技术领域
本发明属于无人机领域，特别涉及一种模块化可变体无人机系统的切换控制方法。
背景技术
无人机是一种利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，随着无人机行业的迅速发展，无人机被运用到许多领域，例如军事方面可用无人机进行侦查，民用方面可以用来航拍、植保和高空灭火等。
无人机在执行任务时会存在两个问题。第一，由于无人机的可用载荷在设计时就已经确定，所以会存在载荷问题。一方面是载荷能力不足，即多旋翼无人机由于自身的局限性无法运载过重的物体。另一方面，单个无人机载荷能力单一，即一种型号的无人机只能运输一定重量范围的物体。第二，由于无人机大多使用电池驱动，所以存在续航时间短的问题。无人机在飞到一定的里程后就需要更换电池，常常难以保证任务的顺利完成。
对此实用新型专利201821586113.4公开了一种可组合式无人机及无人机物流系统，包括：中心基座、均匀设置在所述中心基座周向上的至少两个连接杆和设置在所述连接杆远离所述中心基座一端的安装架，所述安装架用于将无人机与所述连接杆铰接，所述中心基座上设置有用于与每个所述无人机连接的控制器。
但是，现有的组合无人机存在的问题在于：无人机组合或离开时其数量的改变会带来整体无人机组物理参数及气动参数的变化，这类突变往往蕴含着复杂的动态特征，容易对无人机的稳定飞行造成严重影响。
发明内容
为了克服以上问题，本发明提供了一种模块化可变体无人机系统的切换控制方法。本发明采用基于切换系统理论以及RBF神经网络进行可变体无人机组飞行控制系统设计，保证无人机系统的飞行稳定以及减小、消除因物理参数等改变带来的抖振问题。
本发明解决其技术问题所采用的技术方案是:
一种模块化可变体无人机系统的切换控制方法，无人机模块(1)组入或离开无人机组时，保持无人机组飞行的稳定性的步骤如下：
步骤一、建立无人机数学模型:x＝[p,v,ξ,Ω]T,
Figure RE-GDA0002762248820000021
其中，x表示无人机的飞行状态；&x表示飞行状态的改变量；p 表示地理坐标系下的无人机的位置；v表示地理坐标系下无人机的速度，ξ表示无人机的姿态角；Ω表示机体坐标系相对地坐标系下的角速度，g表示重力加速度；m表示无人机的质量；R表示机体坐标轴系到地面坐标轴系的转换矩阵；F表示除重力之外的合力；J表示无人机的惯性矩阵；Ga表示陀螺效应力矩，Ze为地坐标系下的单位向量，φ(ξ)表示绕机体轴的三轴角速率到欧拉角速率的转换矩阵，M表示除旋翼陀螺效应力矩以外的合力矩；T表示矩阵转置；
切换系统的数学模型由状态x和分段常值右连续切换律σ:[0,∞]→{1,2,......,N}表示为
Figure RE-GDA0002762248820000031
t表示时间；
其中切换系统写为如下形式：
Figure RE-GDA0002762248820000032
Figure RE-GDA0002762248820000041
表示状态x切换律下的切换系统数学模型，切换律σ＝1 时，
Figure RE-GDA0002762248820000042
切换律σ＝2时
Figure RE-GDA0002762248820000043
切换律σ＝3时，
Figure RE-GDA0002762248820000044
&x(t)表示飞行状态的改变量；
其中
Figure RE-GDA0002762248820000045
为切换子系统函数，k＝1,2,3；σ:[0,∞]→{1,2,......,N}为分段常值右连续切换律；
步骤二、当无人机系统构型切换时，各个子系统的李雅普诺夫函数Vi,
Figure RE-GDA0002762248820000046
存在一系列连续正定函数Wi,
Figure RE-GDA0002762248820000047
对于任意相邻切换时刻；
(tp,tq),p＜q，满足
Figure RE-GDA0002762248820000048
以及σ(tk)≠i,tp＜tk＜tq，不等式Vi(x(tq))-Vi(x(tp))≤-Wi(x(tp))成立，则切换系统全局渐进稳定；
其中
Figure RE-GDA0002762248820000049
表示系统模型指标集；σ(tp)和σ(tq)分别表示在tp，tq时刻下的切换率；x(tq)表示tq时刻的无人机状态；Vi(x(tq))表示tq时刻无人机状态下的李亚普诺夫函数；Wi(x(tq))表示tq时刻无人机状态下对应的正定连续函数；
步骤三、利用RBF神经网络进行学习降低系统状态产生的抖振现象：
所述RBF神经网络采用三层前向网络:第一层是多路输入误差信号及误差信号的导数；第二层隐含层采用高斯函数作为基函数；第三层为输出层，输出所调参数值，其中包括速度通道子系统和高度通道子系统并分开调参律。
进一步的改进，速度通道神经网络调参律方法如下：
在速度通道子系统中，神经网络采用3－7－1的结构，即输入层有3个参数，隐含层有7个神经元结点，输出层有1个参数；输入向量
Figure RE-GDA0002762248820000051
径向基函数向量为 Hv＝[h1,h2,…,h7]T，其中
Figure RE-GDA0002762248820000052
Cj＝[Cj1,C2,Cj3]T,j＝1,2,…,7；
B＝[b1,b2,…,b7]T为节点中心向量，输出权值向量为W＝[w1,w2,…,w7]，其中x1，x2，x3分别为速度通道输入层的输入参数，eV,
Figure RE-GDA0002762248820000053
分别表示速度误差，速度误差一阶导，速度误差二阶导；h1，h2，…，h7表示7个神经元节点；bj表示节点中心值，j表示神经元节点；
Cj1，C2，Cj3分别表示三个输入层节点的基宽值；b1，b2，…，b7分别表示7个节点中心值；Xv表示输入层中的输入，w1，w2，…，w7分别表示每个神经元节点的输出权值；
因此经过神经网络计算后输出参数kv为
Figure RE-GDA0002762248820000054
其中kv为速度通道下的所调参数值；
速度通道神经网络中的基宽参数Cj、节点中心值bj及输出权值wj的学习算法通过梯度下降法获取：性能指标函数为
Figure RE-GDA0002762248820000061
则节点中心变化值Δbj描述为：
Figure RE-GDA0002762248820000062
其中，
Figure RE-GDA0002762248820000063
表示作偏导数运算，J表示性能指标函数；sgn(kv)表示符号函数，kv表示速度通道下的所调参数值；
则节点中心值bj为
bj＝b1j+η·Δbj+μ(b1j-b2j)
其中，b1j为bj前一周期的值，b2j为b1j前一周期的值；η表示学习速率，μ表示学习因子；且满足0<η<1，0<μ<1；
基宽变化值描述为：
Figure RE-GDA0002762248820000064
Figure RE-GDA0002762248820000071
则节点基宽值Cji为
Cji＝C1ji+η·ΔCji+μ(C1ji-C2ji)
其中:C1ji为Cji前一周期的值，C2ji为C1ji前一周期的值。
输出权值变化描述为；
Figure RE-GDA0002762248820000072
则输出权值wj为
wj＝w1j+η·Δwj+μ·(w1j-w2j)
其中:w1j为wj前一周期的值，w2j为w1j前一周期的值。
进一步的改进，高度通道神经网络调参律的步骤如下：
高度通道子系统设计为4－9－1结构，即有四个输入层，一个输出层，隐含层有九个神经元结点；输入向量包含4个元素，即
Figure RE-GDA0002762248820000073
Xh表示高度通道下的输入参数， x1，x2，x3，x4分别表示高度通道输入层的输入参数，eh，
Figure RE-GDA0002762248820000074
分别表示高度误差，高度误差一阶导，高度误差二阶导，高度误差三阶导，高度误差四阶导；
隐含层径向基向量Hh＝[h1,h2,…,hq]T，激励函数hj(j＝1,2,…,9)为高斯函数；q＝9；；
基宽向量Chj、节点中心向量Bh、权值向量Wh分别为：
Chj＝[Chj1,Chj2,Chj3,Chj4]T,j＝1,2,…,9
Bh＝[bh1,bh2,…,bh9]T
Wh＝[whl,wh2,…,wh9]
Chj1，Chj2，Chj3，Chj4分别表示高度通道四个节点中心的节点基宽值；
bh1，bh2，…，bh9分别表示高度通道九个激励函数对应的节点中心值， wh1，wh2，…，wh9分别表示高度通道九个激励函数对应的输出权值；
则神经网络的输出kh为
Figure RE-GDA0002762248820000081
whj表示节点输出权值。
进一步的改进，所述速度通道神经网络和高度通道神经网络的神经网络中节点中心的自组织学习采用K－均值聚类方法确定，基宽参数根据所确定的节点中心寻找最大距离来确定，而输出权值的学习则采用LMS方法确定。
进一步的改进，速度通道神经网络和高度通道神经网络的神经网络中节点中心的自组织学习采用K－均值聚类方法确定的步骤如下：
1)K－均值聚类方法
第一步初始化聚类中心，随机产生9组不同的样本作为初始中心Cji(0),(j＝1,2,…,9；i＝1…,4)；
第二步随着新输入样本的出现，更新输入向量Xh；
第三步寻找新输入的向量Xh离哪个初始中心最近，即找到j(Xh) 使满足
Figure RE-GDA0002762248820000091
其中，
Figure RE-GDA0002762248820000092
是第n次迭代时基函数的第j个中心；j(Xh)表示输入向量Xh到
Figure RE-GDA0002762248820000093
的最近距离；
第四步调整中心
Figure RE-GDA0002762248820000094
式中，σ是学习步长且0<σ<1；
第五步判断是否学完所有样本且中心分布是否不再变化，是则结束，否则n＝n+1转到第二步。
进一步的改进，基宽参数根据所确定的节点中心寻找最大距离来确定的步骤如下所示：根据每一步迭代的中心向量，确定出当前的基宽参数，即
Figure RE-GDA0002762248820000095
其中，dmax为所选取的中心之间的最大距离。
进一步的改进，输出权值的自组织学习采用LMS方法的具体步骤为:
第一步初始化，赋给Wj(0)各一个小于1的随机非零值，Wj(0)表示对应通道下的初始输出权值；
第二步对一组新输入向量Xh和对应的期望输出d，计算径向基向量Hh，然后利用
e(n)＝d(n)-Wh(n)·Hh(n)
Wh(n+1)＝Wh(n)+η·Hh(n)·e(n)
对输出权值进行更新；其中，e(n)表示第n次迭代的误差信号，d(n)表示第n次迭代的期望信号，Wh(n)表示第n次迭代的权系数向量，Hh(n) 表示第n次迭代的径向基向量；n表示第n迭代；η表示学习速率；
第三步：当达到迭代次数或误差信号小于设定阈值时算法结束，否则将n值加1，转到第二步重新执行。
本发明的优点：
1.将一个复杂的非线性系统转化为若干简单子系统切换，不同的模型对应切换系统的各子系统，结构变化导致的模型突变由切换律加以描述，使无人机实现空中对接后不会因外形的突变而出现原控制律失效的问题，在无人机实现对接后能够及时切换无人机控制律,这样就能解决旋翼无人机在外形突变时的稳定性控制问题。
2.利用RBF神经网络的逼近特性，实时调整增益参数，同时在 RBF神经网络学习算法中采用多种自学习方法，以防止学习过程陷入局部寻优当中。这样就能有效消除系统抖振，保证系统的快速性和鲁棒性。
附图说明
图1为模块化可变体无人机系统的整体结构示意图；
图2为无人机模块的结构示意图；
图3为平台模块的视结构示意图；
图4为电源管理系统结构图；
图5为空中对接过程示意图；
图6为视觉引导过程示意图；
图7为冗余备份飞控系统的控制流程示意图；
图8为切换系统示意图；
图9为突变式切换系统运行方式示意图；
图10为速度子系统神经网络设计图；
图11为高度子系统神经网络设计。
具体实施方式
下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:
实施例1
如图1-3所示的一种模块化可变体无人机系统，包括无人机模块和平台模块。所述无人机模块包括外框和设置在外框中的四旋翼无人机，外框为正六边形棱柱框架结构；四旋翼无人机包括电源、飞控、电机、机臂及螺旋桨，电源和飞控放在中间四边形的机舱盖内，电机固定在机臂内，螺旋桨为双叶；无人机模块的外框与四旋翼无人机的机臂相连，且外框底部安装有脚架。所述平台模块包括机载计算机、环形灯带与对接机构，平台模块为一个正六边形棱柱，机载计算机放在中间圆形的机舱盖内，环形灯带设置在机舱盖的周围，通过颜色变化显示各种信息；平台模块底部设置有插槽，可通过插槽在平台模块正下方固定各种工具，例如货仓、摄像头、灭火器等。
每个无人机模块与平台模块的六个侧壁上均安装有对接机构和视觉标签。对接机构包括贴合机构、紧固机构，贴合机构为外框壁两端的电磁铁，电磁铁N极和S极分别安装在侧壁两端；紧固机构为外框壁中的螺栓螺母，螺栓和螺母成对安装在侧壁中，且螺栓可自由伸缩 (图2和图3的结构)。视觉标签为一个圆环，内部呈辐射条轮状。
平台模块与无人机模块之间可以通过对接机构固连在一起形成一个无人机组，平台模块外圈最多可拼接六个无人机模块，在这六个无人机模块的外圈还可拼更多的无人机模块。无人机组之间可以通过对接机构固连在一起形成一个无人机群。
实施例2
无人机模块在进行单体飞行时，由自带的飞控系统控制飞行，当无人机模块和平台模块对接完成时，其控制权限交付给平台模块上的机载计算机飞控系统。并且由机载计算机飞控及某一无人机模块飞控构成主-从冗余备份飞控系统。这样可以在主飞控发生故障时实现主从飞控的无缝切换，提高整体机组的安全性。
主-从冗余备份飞控系统包括主飞控控制系统和从飞控控制系统，所述主飞控控制系统包括主飞控控制器和连接主飞控控制器的传感器模块；所述从飞控控制系统包括从飞控控制器和连接从飞控控制器的传感器模块；传感器模块分别包括多个测量无人机飞行状态的传感器组；包括加速度计单元，陀螺仪单元，所述加速度计单元和陀螺仪单元均包括两个或两个以上的加速度计和陀螺仪；以及磁罗盘单元、高度计单元、卫星导航单元等，由一个或以上的磁罗盘、高度计、卫星导航单元构成。主飞控控制器和从飞控控制器通过数据总线连接，平时相互备份，从飞控控制器内储存所有主飞控控制器的信息，在必要的时候可进行无缝切换，以此来保证无人机组的安全性；主传感器模块与从传感器模块分别通过CAN通信总线与主控制器、从控制器进行数据通信；
从冗余备份飞控系统中从飞控一直处于待机状态。通过各个余度通道间的相互比较监控来检测无人机组是否发生故障。当主飞控控制器发生故障时，从飞控控制器自动代替主飞控控制器进行工作。
上述的优点在于：
(1)采用了热备份机制。处于热备份状态下的从飞控不会经历关机到开机的时间，这样就可以在主飞控发生故障时实现主从飞控的无缝切换，完成从飞控对无人机组的接管，这样便提高了整体机组的安全性和稳定性。
(2)引入了多路相似余度或者非相似余度的子任务来完成同一工作任务。这些子系统之间相互独立运行，能够独立完成整个任务。当某个子系统发生故障时，可自动切换到另一个子系统，以保证执行任务的顺利完成，提高了系统的可靠性与容错率。
(3)能够在某个传感器出现故障时，利用其它同类传感器接管工作，保证无人机组飞行控制系统的稳定，也便于用户操作，更加安全可靠。
(4)在数据总线连接的方式下，主从控制器内的数据可进行相互备份。正常工作时，主控制器控制无人机组的飞行任务，当主控制器出现故障或者与主控制器连接的传感器组内的传感器出现故障时，自动切换到从控制器控制无人机组。
(5)CAN通信总线具有易于扩展和抗干扰性好的优点，这样就使得整个飞行控制系统的可扩展性高、抗干扰性强。并且系统内的各个模块利用CANID可以方便切换。
实施例3
在由多个无人机模块与平台模块构成的无人机组的飞行过程中，当某一无人机模块电量不足时，无人机组的飞控系统向地面上的无人机基站发送调用请求，并发送自身的位置信息，由无人机基站调用电量充足的无人机模块升空，根据GPS进行粗略导航使电量充足的无人机模块飞行至无人机组的一侧进入到伴飞阶段，通过一种空中对接的方法，替换电量不足的无人机模块，电量不足的无人机模块利用剩余的电量返回无人机基站进行充电，等待下次调用。无人机基站是可以每隔一定距离设置的，在更换无人机模块时选择最近的基站调用无人机模块。
无人机组在更换电源时由电源管理系统保障电压的稳定，电源管理系统由各无人机模块的电源、电源管理器与负载系统组成。电源管理器主要负责输出与均流调节、提供电源接入与断开时的稳定性保障、电源电量的管理。所有电源以并联方式接入电源管理器，由电源管理器统一调节后对负载系统进行供电。
其中空中对接方法如下：空中无人机组根据GPS导航确定自身位置并传递给需要与之对接的无人机模块，需要与之对接的无人机模块得到位置信息后进行空中路径规划，并沿路径飞行到对接端口一侧，进入伴飞状态。
伴飞的无人机模块捕捉平台模块上的视觉标志物，将捕捉到的图像由RGB图像转化为HSV图像,在HSV空间中按图标设计颜色进行分割以减小搜索范围，将图像转化到HSV空间后，根据标志物的颜色设定 H、S、V的具体范围，最终从图像中确定标志物的大体范围。
对图像进行椭圆检测，将边缘点聚合成一段段的弧线。对这些弧线按特定的边缘方向和凸度进行分类。在椭圆检测的同时，对图像进行边缘检测，首先对图像进行均值滤波，去除细微的干扰边缘，然后进行Canny边缘检测。进行边缘检测后还需要对边缘图进行轮廓提取，把边缘图中的点信息转化为多条轮廓信息。
最后将得到的每条轮廓与检测到的椭圆进行对比，判断依据主要有3点：轮廓中心与椭圆中心是否重合；轮廓面积与椭圆面积是否相近；轮廓周长是否与椭圆周长相近。满足上述3个条件即认为该轮廓是图标最外环的边缘轮廓。
识别出视觉标志物之后还需要寻找标志的最小外接矩形，利用该矩形的4个顶点作为特征点进行后续的位姿解算。通过特征点在图中的坐标信息，利用针对位姿估计的OI算法解算出位姿矩阵R与平移量 t，通过PID控制器调整相对姿态，将姿态微调至对接准备位置。
伴飞的无人机模块到达准备位置后，电磁铁通电使无人机模块和平台模块贴合。两模块贴合建立通讯后，螺栓在电机驱动下旋出将两模块紧固在一起，最后电磁铁断电，对接完成。
其中，无人机在空中对接时，会面临系统参数或结构的突变，这种突变会对无人机组的稳定飞行产生严重影响，传统的多旋翼无人机控制系统无法在无人机外形突变时保持无人机系统的飞行稳定，因此需要一种对接控制方法保证无人机对接或分离时飞行的稳定性，方法具体如下：
(1)针对旋翼无人机不同组合方式对应的不同构型，建立不同构型下的飞行器模型，逐个设计不同构型对应的控制器。不同的构型对应切换系统的各子系统，结构变化导致的模型突变由切换律加以描述,切换系统示意图如图一所示。模块化可变体无人机系统的切换控制方法，无人机模块(1)组入或离开无人机组时，保持无人机组飞行的稳定性的步骤如下：
步骤一、建立无人机数学模型:x＝[p,v,ξ,Ω]T,
Figure RE-GDA0002762248820000171
其中，x表示无人机的飞行状态；&x表示飞行状态的改变量；p 表示地理坐标系下的无人机的位置；v表示地理坐标系下无人机的速度，ξ表示无人机的姿态角；Ω表示机体坐标系相对地坐标系下的角速度，g表示重力加速度；m表示无人机的质量；R表示机体坐标轴系到地面坐标轴系的转换矩阵；F表示除重力之外的合力；J表示无人机的惯性矩阵；Ga表示陀螺效应力矩，Ze为地坐标系下的单位向量，φ(ξ)表示绕机体轴的三轴角速率到欧拉角速率的转换矩阵，M表示除旋翼陀螺效应力矩以外的合力矩；T表示矩阵转置；
切换系统的数学模型由状态x和分段常值右连续切换律σ:[0,∞]→{1,2,......,N}表示为
Figure RE-GDA0002762248820000172
t表示时间；
其中切换系统写为如下形式：
Figure RE-GDA0002762248820000181
Figure RE-GDA0002762248820000182
表示状态x切换律下的切换系统数学模型，切换律σ＝1 时，
Figure RE-GDA0002762248820000183
切换律σ＝2时
Figure RE-GDA0002762248820000184
切换律σ＝3时，
Figure RE-GDA0002762248820000185
&x(t)表示飞行状态的改变量；
其中
Figure RE-GDA0002762248820000186
为切换子系统函数，k＝1,2,3；σ:[0,∞]→{1,2,......,N}为分段常值右连续切换律；
步骤二、当无人机系统构型切换时，各个子系统的李雅普诺夫函数Vi,
Figure RE-GDA0002762248820000187
存在一系列连续正定函数Wi,
Figure RE-GDA0002762248820000188
对于任意相邻切换时刻；
(tp,tq),p＜q，满足
Figure RE-GDA0002762248820000191
以及σ(tk)≠i,tp＜tk＜tq，不等式Vi(x(tq))-Vi(x(tp))≤-Wi(x(tp))成立，则切换系统全局渐进稳定；
其中
Figure RE-GDA0002762248820000192
表示系统模型指标集；σ(tp)和σ(tq)分别表示在tp，tq时刻下的切换率；x(tq)表示tq时刻的无人机状态；Vi(x(tq))表示tq时刻无人机状态下的李亚普诺夫函数；Wi(x(tq))表示tq时刻无人机状态下对应的正定连续函数；
步骤三、利用RBF神经网络进行学习降低系统状态产生的抖振现象：
所述RBF神经网络采用三层前向网络:第一层是多路输入误差信号及误差信号的导数；第二层隐含层采用高斯函数作为基函数；第三层为输出层，输出所调参数值，其中包括速度通道子系统和高度通道子系统并分开调参律。
速度通道神经网络调参律方法如下：
在速度通道子系统中，神经网络采用3－7－1的结构，即输入层有3个参数，隐含层有7个神经元结点，输出层有1个参数；输入向量
Figure RE-GDA0002762248820000193
径向基函数向量为 Hv＝[h1,h2,…,h7]T，其中
Figure RE-GDA0002762248820000194
Cj＝[Cj1,C2,Cj3]T,j＝1,2,…,7；
B＝[b1,b2,…,b7]T为节点中心向量，输出权值向量为W＝[w1,w2,…,w7]，其中x1，x2，x3分别为速度通道输入层的输入参数，eV,
Figure RE-GDA0002762248820000201
分别表示速度误差，速度误差一阶导，速度误差二阶导；h1，h2，…，h7表示7个神经元节点；bj表示节点中心值，j表示神经元节点；
Cj1，C2，Cj3分别表示三个输入层节点的基宽值；b1，b2，…，b7分别表示7个节点中心值；Xv表示输入层中的输入，w1，w2，…，w7分别表示每个神经元节点的输出权值；
因此经过神经网络计算后输出参数kv为
Figure RE-GDA0002762248820000202
其中kv为速度通道下的所调参数值；
速度通道神经网络中的基宽参数Cj、节点中心值bj及输出权值wj的学习算法通过梯度下降法获取：性能指标函数为
Figure RE-GDA0002762248820000203
则节点中心变化值Δbj描述为：
Figure RE-GDA0002762248820000204
其中，
Figure RE-GDA0002762248820000205
表示作偏导数运算，J表示性能指标函数；sgn(kv)表示符号函数，kv表示速度通道下的所调参数值；
则节点中心值bj为
bj＝b1j+η·Δbj+μ(b1j-b2j)
其中，b1j为bj前一周期的值，b2j为b1j前一周期的值；η表示学习速率，μ表示学习因子；且满足0<η<1，0<μ<1；
基宽变化值描述为：
Figure RE-GDA0002762248820000211
则节点基宽值Cji为
Cji＝C1ji+η·ΔCji+μ(C1ji-C2ji)
其中:C1ji为Cji前一周期的值，C2ji为C1ji前一周期的值。
输出权值变化描述为；
Figure RE-GDA0002762248820000212
则输出权值wj为
wj＝w1j+η·Δwj+μ·(w1j-w2j)
其中:w1j为wj前一周期的值，w2j为w1j前一周期的值。
高度通道神经网络调参律的步骤如下：
高度通道子系统设计为4－9－1结构，即有四个输入层，一个输出层，隐含层有九个神经元结点；输入向量包含4个元素，即
Figure RE-GDA0002762248820000221
Xh表示高度通道下的输入参数， x1，x2，x3，x4分别表示高度通道输入层的输入参数，eh，
Figure RE-GDA0002762248820000222
分别表示高度误差，高度误差一阶导，高度误差二阶导，高度误差三阶导，高度误差四阶导；
隐含层径向基向量Hh＝[h1,h2,…,hq]T，激励函数hj(j＝1,2,…,9)为高斯函数；q＝9；；
基宽向量Chj、节点中心向量Bh、权值向量Wh分别为：
Chj＝[Chj1,Chj2,Chj3,Chj4]T,j＝1,2,…,9
Bh＝[bh1,bh2,…,bh9]T
Wh＝[whl,wh2,…,wh9]
Chj1，Chj2，Chj3，Chj4分别表示高度通道四个节点中心的节点基宽值；
bh1，bh2，…，bh9分别表示高度通道九个激励函数对应的节点中心值， wh1，wh2，…，wh9分别表示高度通道九个激励函数对应的输出权值；
则神经网络的输出kh为
Figure RE-GDA0002762248820000231
whj表示节点输出权值。
速度通道神经网络和高度通道神经网络的神经网络中节点中心的自组织学习采用K－均值聚类方法确定，基宽参数根据所确定的节点中心寻找最大距离来确定，而输出权值的学习则采用LMS方法确定。
速度通道神经网络和高度通道神经网络的神经网络中节点中心的自组织学习采用K－均值聚类方法确定的步骤如下：
2)K－均值聚类方法
第一步初始化聚类中心，随机产生9组不同的样本作为初始中心 Cji(0),(j＝1,2,…,9；i＝1…,4)；
第二步随着新输入样本的出现，更新输入向量Xh；
第三步寻找新输入的向量Xh离哪个初始中心最近，即找到j(Xh) 使满足
Figure RE-GDA0002762248820000232
其中，
Figure RE-GDA0002762248820000233
是第n次迭代时基函数的第j个中心；j(Xh)表示输入向量Xh到
Figure RE-GDA0002762248820000234
的最近距离；
第四步调整中心
Figure RE-GDA0002762248820000235
式中，σ是学习步长且0<σ<1；
第五步判断是否学完所有样本且中心分布是否不再变化，是则结束，否则n＝n+1转到第二步。
基宽参数根据所确定的节点中心寻找最大距离来确定的步骤如下所示：根据每一步迭代的中心向量，确定出当前的基宽参数，即
Figure RE-GDA0002762248820000241
其中，dmax为所选取的中心之间的最大距离。
输出权值的自组织学习采用LMS方法的具体步骤为:
第一步初始化，赋给Wj(0)各一个小于1的随机非零值，Wj(0)表示对应通道下的初始输出权值；
第二步对一组新输入向量Xh和对应的期望输出d，计算径向基向量Hh，然后利用
e(n)＝d(n)-Wh(n)·Hh(n)
Wh(n+1)＝Wh(n)+η·Hh(n)·e(n)
对输出权值进行更新；其中，e(n)表示第n次迭代的误差信号，d(n)表示第n次迭代的期望信号，·Wh(n)表示第n次迭代的权系数向量，Hh(n) 表示第n次迭代的径向基向量；n表示第n迭代；η表示学习速率；
第三步：当达到迭代次数或误差信号小于设定阈值时算法结束，否则将n值加1，转到第二步重新执行。
这样将一个复杂的非线性系统转化为若干简单子系统切换，不同的模型对应切换系统的各子系统，结构变化导致的模型突变由切换律加以描述，使无人机实现空中对接后不会因外形的突变而出现原控制律失效的问题，在无人机实现对接后能够及时切换无人机控制律,这样就能解决旋翼无人机在外形突变时的稳定性控制问题。且利用RBF神经网络的逼近特性，实时调整增益参数，同时在RBF神经网络学习算法中采用多种自学习方法，以防止学习过程陷入局部寻优当中。这样就能有效消除系统抖振，保证系统的快速性和鲁棒性。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.一种模块化可变体无人机系统的切换控制方法，其特征在于，无人机模块(1)组入或离开无人机组时，保持无人机组飞行的稳定性的步骤如下：
步骤一、建立无人机数学模型:x＝[p,v,ξ,Ω]T,
Figure FDA0003263126910000011
其中，x表示无人机的飞行状态；&x表示飞行状态的改变量；p表示地理坐标系下的无人机的位置；v表示地理坐标系下无人机的速度，ξ表示无人机的姿态角；Ω表示机体坐标系相对地坐标系下的角速度，g表示重力加速度；m表示无人机的质量；R表示机体坐标轴系到地面坐标轴系的转换矩阵；F表示除重力之外的合力；J表示无人机的惯性矩阵；Ga表示陀螺效应力矩，Ze为地坐标系下的单位向量，φ(ξ)表示绕机体轴的三轴角速率到欧拉角速率的转换矩阵，M表示除旋翼陀螺效应力矩以外的合力矩；T表示矩阵转置；
切换系统的数学模型由状态x和分段常值右连续切换律σ:[0,∞]→{1,2,......,N}表示为
Figure FDA0003263126910000021
t表示时间；
其中切换系统写为如下形式：
Figure FDA0003263126910000022
Figure FDA0003263126910000023
表示状态x切换律下的切换系统数学模型，切换律σ＝1时，
Figure FDA0003263126910000024
切换律σ＝2时
Figure FDA0003263126910000025
切换律σ＝3时，
Figure FDA0003263126910000026
&x(t)表示飞行状态的改变量；
其中
Figure FDA0003263126910000027
为切换子系统函数，k＝1,2,3；σ:[0,∞]→{1,2,......,N}为分段常值右连续切换律；
步骤二、当无人机系统构型切换时，各个子系统的李雅普诺夫函数
Figure FDA0003263126910000031
存在一系列连续正定函数
Figure FDA0003263126910000032
对于任意相邻切换时刻；
(tp,tq),p＜q，满足
Figure FDA0003263126910000033
以及σ(tk)≠i,tp＜tk＜tq，不等式Vi(x(tq))-Vi(x(tp))≤-Wi(x(tp))成立，则切换系统全局渐进稳定；
其中
Figure FDA0003263126910000035
表示系统模型指标集；σ(tp)和σ(tq)分别表示在tp，tq时刻下的切换率；x(tq)表示tq时刻的无人机状态；Vi(x(tq))表示tq时刻无人机状态下的李亚普诺夫函数；Wi(x(tp))表示tp时刻无人机状态下对应的正定连续函数；
步骤三、利用RBF神经网络进行学习降低系统状态产生的抖振现象：
所述RBF神经网络采用三层前向网络:第一层是多路输入误差信号及误差信号的导数；第二层隐含层采用高斯函数作为基函数；第三层为输出层，输出所调参数值，其中包括速度通道子系统和高度通道子系统并分开调参律。
2.如权利要求1所述的模块化可变体无人机系统，其特征在于，速度通道神经网络调参律方法如下：
在速度通道子系统中，神经网络采用3－7－1的结构，即输入层有3个参数，隐含层有7个神经元结点，输出层有1个参数；输入向量
Figure FDA0003263126910000034
径向基函数向量为H＝[h1，h2，…，h7]T，其中
Figure FDA0003263126910000041
Cj＝[Cj1,C2,Cj3]T,j＝1,2,…,7；
B＝[b1,b2,…,b7]T为节点中心向量，输出权值向量为W＝[w1,w2,…,w7]，其中x1，x2，x3分别为速度通道输入层的输入参数，eV,
Figure FDA0003263126910000042
分别表示速度误差，速度误差一阶导，速度误差二阶导；h1，h2，…，h7表示7个神经元节点；bj表示节点中心值，j表示神经元节点；
Cj1，C2，Cj3分别表示三个输入层节点的基宽值；b1，b2，…，b7分别表示7个节点中心值；Xv表示输入层中的输入，w1，w2，…，w7分别表示每个神经元节点的输出权值；
因此经过神经网络计算后输出参数kv为
Figure FDA0003263126910000043
其中kv为速度通道下的所调参数值；
速度通道神经网络中的基宽参数Cj、节点中心值bj及输出权值wj的学习算法通过梯度下降法获取：性能指标函数为
Figure FDA0003263126910000044
则节点中心变化值Δbj描述为：
Figure FDA0003263126910000051
其中，
Figure FDA0003263126910000052
表示作偏导数运算，J表示性能指标函数；sgn(kv)表示符号函数，kv表示速度通道下的所调参数值；
则节点中心值bj为
bj＝b1j+η·Δbj+μ(b1j-b2j)
其中，b1j为bj前一周期的值，b2j为b1j前一周期的值；η表示学习速率，μ表示学习因子；且满足0<η<1，0<μ<1；
基宽变化值描述为：
Figure FDA0003263126910000053
则节点基宽值Cji为
Cji＝C1ji+η·ΔCji+μ(C1ji-C2ji)
其中:C1ji为Cji前一周期的值，C2ji为C1ji前一周期的值；
输出权值变化描述为；
Figure FDA0003263126910000061
则输出权值wj为
wj＝w1j+η·Δwj+μ·(w1j-w2j)
其中:w1j为wj前一周期的值，w2j为w1j前一周期的值。
3.如权利要求2所述的模块化可变体无人机系统，其特征在于，高度通道神经网络调参律的步骤如下：
高度通道子系统设计为4－9－1结构，即有四个输入层，一个输出层，隐含层有九个神经元结点；输入向量包含4个元素，即
Figure FDA0003263126910000062
Xh表示高度通道下的输入参数，x1，x2，x3，x4分别表示高度通道输入层的输入参数，eh，
Figure FDA0003263126910000063
分别表示高度误差，高度误差一阶导，高度误差二阶导，高度误差三阶导，高度误差四阶导；
隐含层径向基向量Hh＝[h1,h2,…,hq]T，激励函数hj(j＝1,2,…,9)为高斯函数；q＝9；；
基宽向量Chj、节点中心向量Bh、权值向量Wh分别为：
Chj＝[Chj1,Chj2,Chj3,Chj4]T,j＝1,2,…,9
Bh＝[bh1,bh2,…,bh9]T
Wh＝[whl,wh2,…,wh9]
Chj1，Chj2，Chj3，Chj4分别表示高度通道四个节点中心的节点基宽值；
bh1，bh2，…，bh9分别表示高度通道九个激励函数对应的节点中心值，
wh1，wh2，…，wh9分别表示高度通道九个激励函数对应的输出权值；
则神经网络的输出kh为
Figure FDA0003263126910000071
whj表示节点输出权值。
4.如权利要求3所述的模块化可变体无人机系统，其特征在于，所述速度通道神经网络和高度通道神经网络的神经网络中节点中心的自组织学习采用K－均值聚类方法确定，基宽参数根据所确定的节点中心寻找最大距离来确定，而输出权值的学习则采用LMS方法确定。
5.如权利要求4所述的模块化可变体无人机系统，其特征在于，速度通道神经网络和高度通道神经网络的神经网络中节点中心的自组织学习采用K－均值聚类方法确定的步骤如下：
1)K－均值聚类方法
第一步初始化聚类中心，随机产生9组不同的样本作为初始中心Cji(0),(j＝1,2,…,9；i＝1…,4)；
第二步随着新输入样本的出现，更新输入向量Xh；
第三步寻找新输入的向量Xh离哪个初始中心最近，即找到j(Xh)使满足
Figure FDA0003263126910000081
其中，
Figure FDA0003263126910000082
是第n次迭代时基函数的第j个中心；j(Xh)表示输入向量Xh到
Figure FDA0003263126910000083
的最近距离；
第四步调整中心
Figure FDA0003263126910000084
式中，σ是学习步长且0<σ<1；
第五步判断是否学完所有样本且中心分布是否不再变化，是则结束，否则n＝n+1转到第二步。
6.如权利要求4所述的模块化可变体无人机系统，其特征在于，基宽参数根据所确定的节点中心寻找最大距离来确定的步骤如下所示：根据每一步迭代的中心向量，确定出当前的基宽参数，即
Figure FDA0003263126910000085
其中，dmax为所选取的中心之间的最大距离。
7.如权利要求4所述的模块化可变体无人机系统，其特征在于，输出权值的自组织学习采用LMS方法的具体步骤为:
第一步初始化，赋给Wj(0)各一个小于1的随机非零值，Wj(0)表示对应通道下的初始输出权值；
第二步对一组新输入向量Xh和对应的期望输出d，计算径向基向量Hh，然后利用
e(n)＝d(n)-Wh(n)·Hh(n)
Wh(n+1)＝Wh(n)+η·Hh(n)·e(n)
对输出权值进行更新；其中，e(n)表示第n次迭代的误差信号，d(n)表示第n次迭代的期望信号，Wh(n)表示第n次迭代的权系数向量，Hh(n)表示第n次迭代的径向基向量；n表示第n迭代；η表示学习速率；
第三步：当达到迭代次数或误差信号小于设定阈值时算法结束，否则将n值加1，转到第二步重新执行。
CN202010216225.6A 2020-03-25 2020-03-25 一种模块化可变体无人机系统的切换控制方法 Active CN112083735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010216225.6A CN112083735B (zh) 2020-03-25 2020-03-25 一种模块化可变体无人机系统的切换控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010216225.6A CN112083735B (zh) 2020-03-25 2020-03-25 一种模块化可变体无人机系统的切换控制方法

Publications (2)

Publication Number Publication Date
CN112083735A CN112083735A (zh) 2020-12-15
CN112083735B true CN112083735B (zh) 2021-11-05

Family

ID=73734650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010216225.6A Active CN112083735B (zh) 2020-03-25 2020-03-25 一种模块化可变体无人机系统的切换控制方法

Country Status (1)

Country Link
CN (1) CN112083735B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596381A (zh) * 2020-12-23 2021-04-02 北京北航天宇长鹰无人机科技有限公司 基于舵机特性的控制律平滑切换方法及装置
CN113342058B (zh) * 2021-08-06 2021-10-29 北京航空航天大学 一种具有柏拉图立体结构的多栖无人系统
CN115686064B (zh) * 2022-11-10 2024-07-19 哈尔滨工业大学 一种基于改进a星算法的空投飞行器路径规划方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105938370B (zh) * 2016-04-28 2019-03-08 江苏理工学院 变体飞行器协同飞行的控制系统及其建模仿真方法
CN105843080A (zh) * 2016-06-01 2016-08-10 南京航空航天大学 可变翼高超声速飞行器智能非线性控制系统
CN106843261B (zh) * 2016-10-25 2019-03-01 南京航空航天大学 一种变体飞行器过渡段的张量积插值建模与控制方法
CN109460050B (zh) * 2018-11-16 2021-03-02 北京航空航天大学 一种针对变体无人机的复合分层抗干扰控制方法

Also Published As

Publication number Publication date
CN112083735A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN111766894B (zh) 一种模块化可变体无人机系统及其送货方法
CN112083735B (zh) 一种模块化可变体无人机系统的切换控制方法
CN109613931B (zh) 基于生物社会力的异构无人机集群目标跟踪系统及方法
CN109917767B (zh) 一种分布式无人机集群自主管理系统及控制方法
US11094146B1 (en) Intelligent electrical system for vehicle
Jain et al. Flying batteries: In-flight battery switching to increase multirotor flight time
You et al. A guidance and control law design for precision automatic take-off and landing of fixed-wing UAVs
US11373543B1 (en) Systems and methods for optimization of a recharging flight plan for an electric vertical takeoff and landing aircraft
US11380208B1 (en) System and method for automated air traffic control
US11544161B1 (en) Identifying anomalous sensors
CN113900453B (zh) 四旋翼无人机空中充电子母机精准对接控制方法及系统
Villanueva et al. Multi-mode flight sliding mode control system for a quadrotor
Albaker Preliminary architectonic design for a smart solar-powered UAV
Carlson et al. The Gannet Solar–VTOL: An Amphibious Migratory UAV for Long–Term Autonomous Missions
CN116578120A (zh) 无人机调度方法、装置、无人机系统和算机设备
US11685274B1 (en) Connector for charging an electric aircraft and a method for its use
Vanek et al. Safety critical platform for mini UAS insertion into the common airspace
CN114740897A (zh) 飞行控制方法、飞行控制系统及飞行器
Fetisov Aerial robots and infrastructure of their working environment
CN114610065A (zh) 一种基于图论的集群无人机编队飞行轨迹优化方法
Szafrański et al. Managing system architecture for multi-rotor autonomous flying platform-practical aspects
Neto et al. Load Manipulation by a Triangular Formation of Quadrotors
Moutinho¹ et al. Project DIVA: Guidance and vision surveillance techniques for an autonomous airship
Vasconcelos et al. Agent Fault-Tolerant Strategy in a Heterogeneous Triangular Formation
Nguyen Landing Control Based on Energy Prediction for a Quadcopter Under External Disturbances

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