CN112859915B - 基于饱和阈值事件触发的高层消防无人机编队控制方法及系统 - Google Patents

Abstract

本公开提出了基于饱和阈值事件触发的高层消防无人机编队控制方法及系统，包括：构建基于饱和阈值事件触发策略的控制器，该控制器被配置为：设定随控制器幅值变化的触发阈值，符合触发条件时才执行控制任务的事件触发控制策略，事件触发控制策略将触发阈值与控制器的幅值相关联，以保证控制性能的同时不会产生对系统造成冲击的控制更新。本公开技术方案公开了一个饱和阈值策略来将触发阈值与控制器的幅值联系起来，保证系统有良好控制性能的同时，而不会产生一个非常大的控制更新，对系统造成冲击。

Description

基于饱和阈值事件触发的高层消防无人机编队控制方法及 系统

技术领域

本公开属于无人机编队控制技术领域，尤其涉及基于饱和阈值事件触发的高层消防无人机编队控制方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着城市建设规模不断扩大，如何在复杂多变的火场条件中进行高层建筑灭火及人员逃生越来越受到人们的关注。无人机由于行动迅速灵活并且成本低廉，借助无人机进行现场火情勘察及人员逃生引导成为了一个有效手段。但是高层建筑往往建筑结构复杂，救援任务繁重，单靠一架无人机无法完成实际的需要。与单架无人机相比，无人机集群具有的协同控制、能力互补等特点，极大的提高了任务的执行效率。因此，多无人机系统的协同控制是当今无人机领域的研究热点。而多无人机编队控制是其中最受瞩目的研究方向。这其中姿态的一致控制对编队控制的实现具有举足轻重的地位。

第五代通信(5G)技术拥有高速率(峰值传输速率达到10Gbit/s)、低延时(端到端时延达到ms级)、节能、减少成本、更高的系统容量(连接设备密度增加10～100倍，流量密度提升1000倍)和为大量设备提供联接，且能在速度为500km/h左右为用户提供稳定的用户体验。随着信息技术及5G技术的高速发展，信息物理系统(CPS，Cyber-Physical Systems)也随之发展壮大。CPS是一个综合计算、网络和物理环境的多维复杂系统，通过3C(Computation、Communication、Control)技术的有机融合与深度协作，实现大型工程系统的实时感知、动态控制和信息服务。CPS实现计算、通信与物理系统的一体化设计，可使系统更加可靠、高效、实时协同，具有重要而广泛的应用前景。CPS的意义在于将物理设备联网，让物理设备具有计算、通信、精确控制、远程协调和自治等五大功能。CPS本质上是一个具有控制属性的网络，但它又有别于现有的控制系统。CPS则把通信放在与计算和控制同等地位上，因为CPS强调的分布式应用系统中物理设备之间的协调是离不开通信的。CPS对网络内部设备的远程协调能力、自治能力、控制对象的种类和数量，特别是网络规模上远远超过现有的工控网络。美国国家科学基金会认为，CPS将让整个世界互联起来。如同互联网改变了人与人的互动一样，CPS将会改变我们与物理世界的互动。

高层消防四旋翼无人机的高危的工作环境导致无人机的损耗甚至报废在所难免，因此，在能够完成消防相关任务的前提下，尽可能地削减单架无人机成本是合理的要求。第五代通信技术和CPS研究的高速发展为降低单架无人机的成本提供了可靠的技术支撑。

发明人在研究中发现，为了削减单架消防无人机的成本，可用于检测无人机系统状态的传感器有限，同样，低成本也意味着无人机所携带的能源有限。传统上，控制任务以周期性的方式执行，即系统控制采用时间触发控制策略，这种控制策略在控制单元的每一次刷新都会发送控制信号给无人机，无人机根据控制信号做出相应的动作。时间触发控制策略为了保障系统的良好性能，系统稳定时也需要维持长时间的快速采样,这样不仅会导致系统的能耗过高，还会增加执行器的机械磨损，从而缩短系统的使用寿命。

发明内容

为克服上述现有技术的不足，本公开提供了基于饱和阈值事件触发的高层消防无人机编队控制方法，采用只有符合触发条件时才执行控制任务的事件触发控制策略，保证系统有良好控制性能的同时，而不会产生一个非常大的控制更新，对系统造成冲击。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

第一方面，公开了基于饱和阈值事件触发的高层消防无人机编队控制方法，包括：

构建基于饱和阈值事件触发策略的控制器，该控制器被配置为：设定随控制器幅值变化的触发阈值，符合触发条件时执行控制任务的事件触发控制策略，事件触发控制策略将触发阈值与控制器的幅值相关联，以保证控制性能的同时不会产生对系统造成冲击的控制更新。

进一步的技术方案，基于饱和阈值事件触发策略的控制器，使得每一僚机能以与领机的姿态保持同步，即每一架僚机的侧倾角能与领机的侧倾角保持一致；俯仰角能与领机的俯仰角保持一致；偏航角能与领机的偏航角保持一致。

进一步的技术方案，还包括：处在工作现场的消防无人机通过传感器采集系统输出信息，发送到处于安全位置的控制中心，控制中心基于构建的基于饱和阈值事件触发策略的控制器计算出控制信号后通过网络传输回无人机系统，无人机接收信号后执行器做出相应的执行动作，从而完成控制过程。

进一步的技术方案，构建基于饱和阈值事件触发策略的控制器之前还包括：

建立信息物理系统框架下的四旋翼无人机姿态系统数学模型；

基于上述模型描述无人机编队中各个无人机之间通信拓扑结构；

针对拓扑结构利用神经网络逼近系统中的未知非线性项，然后基于逼近结果构建神经网络状态观测器；

进一步的技术方案，基于逼近得到的状态信息构建同步误差和误差面，并基于李雅普诺夫稳定性定义，引入了跟踪微分器逼近虚拟控制的导数设计虚拟控制器和自适应律。

进一步的技术方案，所述四旋翼无人机姿态系统数学模型构建针对对象是：仅配备少量的系统输出传感器，执行器和通信器件，没有装备控制单元的消防四旋翼无人机系统。

进一步的技术方案，所述四旋翼无人机姿态系统数学模型构建时：忽略飞行器复杂的空气动力学特性，简化无人机模型，假设各无人机高度固定，仅关注无人机编队的姿态行为，从而得到每个无人机姿态系统的数学模型。

进一步的技术方案，描述无人机编队中各个无人机之间通信拓扑结构时，利用有向图描述编队中无人机之间的有向通信拓扑关系。

优选的，有向图G＝{V,E}中，V＝{1,2,...,N}表示图G中节点的集合，且″1,2,...,N″表示僚机的编号，表示图中有向边的集合，且(j,i)意味着僚机i能接收到来自节点j的信息，并称节点j是僚机i的一个邻居。

第二方面，公开了基于饱和阈值事件触发的高层消防无人机编队控制系统，包括：传感器采集系统、控制中心；

所述传感器采集系统采集处在工作现场的消防无人机输出信息，发送到处于安全位置的控制中心，所述控制中心基于构建的基于饱和阈值事件触发策略的控制器计算出控制信号后通过网络传输回无人机系统，无人机接收信号后执行器做出相应的执行动作，从而完成控制过程；

基于饱和阈值事件触发策略的控制器，该控制器被配置为：设定随控制器幅值变化的触发阈值，符合触发条件时执行控制任务的事件触发控制策略，事件触发控制策略将触发阈值与控制器的幅值相关联，以保证控制性能的同时不会产生对系统造成冲击的控制更新。

以上一个或多个技术方案存在以下有益效果：

1.本公开技术方案在完成高层消防无人机编队任务的基础上，传感器采集信息通过网络发送给控制中心，控制信号通过网络传输回无人机，这里的网络可以是自己搭建的简易通信基站，可以是第5代(5G)通信技术，充分利用当下最新通信技术，削减单架无人机的成本，体现在不需要装备传感器检测无人机状态，只需传感器检测系统输出。无人机中不需要搭载控制单元，由于设计了事件触发机制，无人机也不需要搭载过多的能源。

2.本公开技术方案不需要测得系统状态，也不需要就无人机系统精确建模。利用神经网络技术逼近无人机系统中的未知部分，然后基于神经网络的逼近值构建状态观测器。

3.本公开技术方案提出了一种饱和阈值事件触发策略，当控制器幅值较大时，较大的阈值可以避免高频更新行为。另一方面，由于系统处于稳态运行，且幅值保持较小，较小的阈值有利于实现更精确的控制。但是，当控制器的幅值过大时，会导致阈值过大。在这种情况下，一旦满足触发条件，控制信号会突然跳变，从而给系统施加较大的冲击。这肯定会降低系统性能。因此，本公开技术方案公开了一个饱和阈值策略来将触发阈值与控制器的幅值联系起来，保证系统有良好控制性能的同时，而不会产生一个非常大的控制更新，对系统造成冲击，正如饱和阈值事件触发机制所示，触发阈值与控制器的幅值τ_φi(t)有关。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为实际消防现场中无人机与控制中心的示意图；

图2为信息物理系统框架下的控制框图；

图3为无人机群有向图；

图4为无人机群实际侧倾角与观测侧倾角的曲线图；

图5为无人机群实际俯仰角与观测俯仰角的曲线图；

图6为无人机群实际偏航角与观测偏航角的曲线图；

图7为无人机群实际侧倾角速度与观测侧倾角速度的曲线图；

图8为无人机群实际俯仰角速度与观测俯仰角速度的曲线图；

图9为无人机群实际偏航角速度与观测偏航角速度的曲线图；

图10～图21为僚机相应事件控制器的阈值曲线和误差的曲线。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

本发明是基于CPS框架实现的。即，物理系统(消防无人机)的传感器采集信息通过网络传输控制中心，控制中心根据设计的控制器计算出控制信号。这里的计算可以由自己的电脑计算出，也可以由云计算技术计算出。计算出的控制信号再通过网络传输回物理系统(参考附图1～2)。本发明通过3C技术的有机融合与深度协作，实现对消防无人机群的实时感知和动态控制。本发明将物理设备(消防无人机)联网，让物理设备具有了较多功能。

实施例一

本实施例公开了基于饱和阈值事件触发的高层消防无人机编队控制方法，该方法首先利用神经网络逼近系统中的未知非线性项，然后基于逼近结果构建神经网络状态观测器；基于逼近得到的状态信息构建同步误差和误差面，并基于李雅普诺夫稳定性定义设计合适的虚拟控制器和自适应律，在这个过程中，引入了跟踪微分器逼近虚拟控制的导数，减少基于反步法框架控制设计的计算量。最后设计一种饱和阈值事件触发策略，在保证控制效果的前提下，减少执行器所需接收的信息，进一步减少无人机的能耗和机械磨损，延长使用寿命。接下来将提供本发明的的简单实现方式，但不代表具体实现方式，也不限于该实现方式。

具体步骤包括：

S1:建立信息物理系统框架下的四旋翼无人机姿态系统数学模型；

S2:描述无人机编队中各个无人机之间通信拓扑结构；

S3:构建神经网络逼近系统的未知系统动态；

S4:针对第i(i＝1,2,...N)个僚机,构建状态观测器；

S5:基于系统状态的观测值，定义合适协同一致性误差以及合适的误差面；

S6:设计虚拟控制器及神经网络权值自适应律；

S7:设计一种基于饱和阈值事件触发策略的实际控制器。

在实际实施时，针对一群无人机，首先建立无人机的数学模型(S1)，为了实现编队同步的目的，需要运用通信拓扑的知识描述这群无人机之间的通信关系(S2)。由于无人机数学模型中存在未知的系统动态(f_i1和f_i2)和不可测状态。因此，为了能够顺利设计出有效的控制器，构建神经网络逼近未知的非线性系统动态(S3)，基于神经网络逼近的结果构建状态观测器观测不可测系统状态(S4)。通过神经网络和状态观测器，获得了一个可用于控制器设计的系统模型。

定义误差来反映一致的控制目标，即误差小到一定程度，就可以认为实现了一致的控制目标。但是由于系统的状态不可测，需要运用状态的观测值来定义误差(S6)。由于直接设计控制器比较困难，本发明先设计虚拟控制器(S6)，再通过虚拟控制器设计出实际的控制器(S7).应该注意到，系统中的f_i1和f_i2是未知的，因此设计虚拟控制器时，关于这部分的知识，运用神经网络的逼近值来代替。为了实现良好的逼近效果和控制效果，运用自适应控制的方法来更新神经网络的权值，因此构建了神经网络权值自适应律(S6)。

具体实施例子中，步骤S1：建立信息物理系统框架下的四旋翼无人机姿态系统数学模型：

高层消防四旋翼无人机的高危的工作环境导致无人机的损耗甚至报废在所难免，因此，在能够完成消防相关任务的前提下，尽可能地削减单架无人机成本是合理的要求。第五代通信技术和信息物理系统研究的高速发展为降低单架无人机的成本提供了可靠的技术支撑。因此，本发明针对仅配备少量的系统输出传感器，执行器和通信器件，而没有装备控制单元的消防四旋翼无人机系统，提出这样的控制框架，即处在工作现场的消防无人机通过传感器采集系统输出信息，发送到处于安全位置的控制中心，控制中心基于控制方案计算出控制信号后通过网络传输回无人机系统，无人机接收信号后执行器做出相应的执行动作，从而完成控制过程。为了简化问题的表述，关注高层消防四旋翼无人机的编队行为，假设每架无人机都配备了节气门、方向舵和高度自动驾驶仪。因此可以忽略飞行器复杂的空气动力学特性，简化无人机模型。假设各无人机高度固定，仅关注无人机编队的姿态行为，从而得到每个无人机姿态系统的数学模型为

其中，φ_i,θ_i,ψ_i分别表示侧倾角，俯仰角和偏航角；ω_xi,ω_yi,ω_zi为相对应的角速度；I_x,I_y,I_z为旋转惯性参数，τ_φi,τ_θi,τ_ψi分别为侧倾力矩，俯仰力矩和偏航力矩。

令

X_i1＝[φ_i,θ_i,ψ_i]^T,X_i2＝[ω_xi,ω_yi,ω_zi]^T,τ_i＝[τ_φi,τ_θi,τ_ψi]^T,γ_i＝diag{I_x,I_y,I_z},

则姿态系统可重写为

y_i＝A_i0[X_i1 ^T,X_i2 ^T]^T

其中，y_i表示系统的输出，

为了利用较少系统知识，减少消防无人机编队控制的实现成本，本发明不需要无人机搭载传感器检测无人机状态，也不需要为无人机建立精确模型，但是依然需要传感器测得无人机系统输出。即重写后的姿态系统中，y_i为可测得的输出，X_i1,X_i2为不可测系统状态，γ_i为已知非零系统参数，f_i1,f_i2为系统未知非线性结构。

步骤S2：描述无人机编队中各个无人机之间通信拓扑结构：

利用有向图G＝{V,E}描述编队中无人机之间的有向通信拓扑关系；其中，V＝{1,2,...,N}表示图G中节点的集合，且″1,2,...,N″表示僚机的编号。表示图中有向边的集合，且(j,i)意味着僚机i能接收到来自节点j的信息，并称节点j是僚机i的一个邻居。进一步，定义节点i邻居的集合为N_i＝{j∈V|(i,j)∈E,i≠j}。定义A＝[a_ij]∈R^n×n为有向图G的权重矩阵；若僚机i能够收到来自僚机j的信息，那么a_ij＝1(i≠j)，否则，a_ij＝0；定义入度矩阵D为D＝diag{d₁,...d_N}，其中假设a_ii＝0，有向图为严格连接；僚机i和领机的连接关系表示为对角矩阵C＝diag{a₁₀,...,a_N0}，若僚机i能够从领导者接收信息，则a_i0＝1，否则a_i0＝0。

所谓有向图，即信息的传递是有方向的，僚机i能传递信息给僚机j，僚机j不一定能传递给僚机i。之所以要考虑无人机之间的信息传递，是为了实现同步。只有直接或间接知道其他无人机的信息，才能够调整自身状态，与其他无人机保持一致。在本发明中，传感器采集信息传递给控制中心，在控制中心中，对应每个无人机又有对应的控制单元，这些控制单元之间的信息传递是有方向的。之所以考虑信息的传递是有方向的是因为，有时对某一僚机的轨迹精准度要求较高以实现避免碰撞等目的。因此，它可以直接接收领机的信息而不接收僚机的信息，避免其他僚机影响轨迹精确度。但是该僚机可以传递信息给其他僚机，以便其他僚机与它的轨迹一致，进而和领机的轨迹一致，即该僚机与其他僚机的信息传递是单向的。

值得指出的是，有向图适用范围更广，能够表示多种图，包括无向图和全连通图。所谓无向图即信息的传递是没有方向的，僚机i如果能传递给僚机j，僚机j也能够传递给僚机i。这种情况在有向图中只需a_ij＝1，a_ji＝1即可。所谓全连通图，即所有僚机之间的信息可以相互传递。僚机i能接收到其他所有僚机的信息，其他僚机也都能接收到僚机i的信息，只需相应的a_ij＝1即可。

步骤S3：构建神经网络逼近系统的未知系统动态：

消防无人机的存在难以精确建模的问题，为了利用较少的模型知识完成编队控制，增广本发明的适用范围，本发明采用神经网络逼近消防无人机中系统中的未知系统动态。径向基神经网络可以在紧集上以任意精度/>逼近连续函数f(x)如下：

f(x)＝θ^*Tφ(x)+ε(x)

其中，x为神经网络输入，q为神经网络输入维度，逼近误差满足φ(x)＝[φ₁(x),φ₂(x),…,φ_l(x)]是基函数向量，φ_i(x)通常选择为高斯函数其中l是神经网络的节点数，ζ_i＝[ζ_i,1,…,ζ_iq]是基函数的接受域，/>是高斯函数的宽度。理想权重/>是定义为：对所有/>使逼近误差|ε(x)|最小的θ的值，即

步骤S4针对第i(i＝1,2,...N)个僚机,构建状态观测器具体步骤如下：

构建状态观测器如下：

其中为系统状态X_i1,X_i2的观测值，并且满足/> 为未知非线性项f_i1,f_i2的逼近值，其表达式为:

L_i1＝diag{l_i,1,1,l_i,1,2,l_i,1,3}，L_i2＝diag{l_i,2,1,l_i,2,2,l_i,2,3}，l_i,1,1,l_i,1,2,l_i,1,3,l_i,2,1,l_i,2,2,l_i,2,3为观测器增益,令L_i＝[l_i,1,1,l_i,1,2,l_i,1,3,l_i,2,1,l_i,2,2,l_i,2,3]^T。

步骤S5：基于系统状态的观测值，定义合适协同一致性误差以及合适的误差面，然后设计控制器减小这些误差以实现控制目的。比如：接下来定义的同步误差，同步误差反映该无人机与它邻居(它能接收到信息的无人机)之间的输出误差，当e_i1趋于0的附近时，就可以认为该无人机的输出就与邻居的输出达到同步：

定义高层消防无人机编队中姿态行为的同步误差e_i1为

其中，y₀表示给定跟踪控制信号。

定义误差面为

其中，ξ_i表示跟踪微分器输出。利用跟踪微分器可以获得输入信号一阶导数的近似值，其表达式为

其中r_i,为合适设计参数矩阵，α_i1为接下来设计的虚拟控制器。设计控制器α_i1的目的是使同步误差趋于0的附近。但是如重写后的姿态系统所示，只有实际控制器τ_i,没有控制器α_i1，所以称为虚拟控制器。

步骤S6：设计虚拟控制器及神经网络权值自适应律：

设计第一个虚拟控制器为

其中，m_i1,ρ_i,β_i1为合适维度的的设计参数方阵，为对角元素均大于0的对角矩阵，b_i＝d_i+a_i0。为神经网络高斯函数，/>为自适应参数，其决定于如下的自适应律：

其中，Γ_i,1,Ξ_i1为自适应律增益矩阵，σ_i,0,σ_i,1为σ修正参数矩阵。

设计第二个虚拟控制器为

其中，m_i2,β_i2为合适维度的的设计参数方阵，为对角元素均大于0的对角矩阵。决定于如下自适应律

其中，Γ_i,2为自适应律增益矩阵，σ_i,2为σ修正参数矩阵。

步骤S7：设计一种基于饱和阈值事件触发策略的实际控制器：

令α_i,2＝[α_i,2,1,α_i,2,2,α_i,2,3]^T,e_i,2＝[e_i,2,1,e_i,2,2,e_i,2,3]^T

设计如下的过渡连续控制律

其中，∈_i1,∈_i2,∈_i3,均为大于0的设计参数，/>

设计事件触发控制器如下

触发时刻由以下饱和阈值事件触发机制决定

其中，均为大于0的设计参数。

下面将介绍本发明的控制器设计方法，并解释说明定义同步误差和误差面，设计虚拟控制器和自适应律的原因。

简单来说，定义的误差反映的是控制效果，当误差e_i1和e_i2都趋于零的附近时，就认为实现了控制目的。设计虚拟控制器是控制这两个误差为趋于0的附近。因为较难直接设计出合适的实际控制器，因此先设计了虚拟控制器，再通过虚拟控制器设计出实际控制器。由于系统中含有未知的系统动态，我们运用神经网络来逼近它，设计自适应律的目的是使得神经网络有更好的逼近效果。

进一步讲，如系统所示：

y_i＝A_i0[X_i1 ^T,X_i2 ^T]^T＝X_i1

注意到系统中的f_i1和f_i2是未知的，因此用神经网络来逼近它们，为了拥有良好的逼近效果和控制效果，设计自适应律来在线更新神经网络的权重，即权重是一个变化的值。我们的目的是使得y_i＝X_i1≈y₀(i＝1,2,...,N)，因此定义同步误差e_i1。第一阶系统中并没有控制器来控制X_i1，因此设计了一个能使e_i1趋于零的附近的第一个虚拟控制器α_i1，然后把X_i2当作一个控制器，当X_i2≈α_i1，就能使得e_i1趋于零的附近。定义应该注意到，/>ξ_i1是α_i1经过跟踪微分器的输出，故ξ_i1≈α_i1。当e_i2趋于0的附近时，/>因此我们需设计第二个虚拟控制器α_i2使得e_i2趋于0的附近。由于设计的实际事件触发控制器是不光滑的，为了减小α_i2与实际控制器τ_i之间的误差，设计了过渡连续控制律。

为了证实本实施例的有效性，下面进行仿真实验：

在本仿真实验中，控制目标是针对在固定高度的僚机编队群，设计基于饱和阈值的事件触发控制器，使得每一僚机能以与领机的姿态保持同步。即每一架僚机的侧倾角能与领机的侧倾角保持一致；俯仰角能与领机的俯仰角/>保持一致；偏航角能与领机的偏航角ψ₀＝0保持一致。

进一步的解释说明，当控制器使得误差e_i1趋于0的附近便实现了同步。注意到在编队控制中a_ij和a_i0不能全部为0，即它至少接收到一条信息，才能确定输出什么样的同步轨迹。基于同步误差下面分两种情况讨论：(1)a_i0＝1，则当e_i1趋于0的附近时，y_i≈y₀，则可以认为该僚机与领机的姿态实现了一致。(2)a_i0＝0，但a_ij＝1。虽然僚机i不能接收到领机的信息，但是僚机i与僚机j实现了同步，若僚机j和领机达到了同步，则僚机i也间接与领机达到了同步。因此，当e_i1(i＝1,2,3,4)趋于0的附近时，只要无人机群中有一个僚机与领机的姿态实现了同步，每一僚机均与领机的姿态实现了同步。在仿真中体现为，如图4～图6所示，僚机的输出轨迹(脚标编号为1，2，3，4)与领机的输出轨迹(脚标编号为0)基本重合，因此可认为实现了同步。

系统参数I_x＝0.0027,I_y＝0.0027,I_z＝0.0047，不失一般性，随机选择无人机

状态的初值和观测器的初值为：

无人机群的通信拓扑如图3所示，因此无人机群的邻接矩阵为

a₁₀＝1,a₂₀＝0,a₃₀＝0,a₄₀＝0

控制器参数为

m_i1＝diag{4,4,4},m_i2＝diag{15,15,15},i＝1,2,3,4

设计观测器增益为

L₁＝[50,50,70,50,60,70]^T,L₂＝L₃＝L₄＝[40,40,50,40,50,50]^T

事件触发机制相关参数为：

∈_i1＝∈_i2＝∈_i3＝10^-5,

自适应律参数为：

Γ_i,1＝Γ_i,2＝1,Ξ_i1＝3,σ_i,0＝σ_i,1＝σ_i,2＝20

仿真结果如图4～图21所示，由图4～图6可知,经过极短的调整时间后,僚机的姿态实现了与领机的姿态保持同步，并且观测器能够很好地观测领机的姿态信息，证明了本方案的有效性。图7～图9为姿态相应速度的曲线图。图10～图21为事件触发机制阈值的变化,实线为相应阈值曲线，点实线为测量误差曲线，(例如，图10中实线为阈值点实线为测量误差/>)，显然阈值不会超过u_Ni+h_i，由于只有τ_i为时变函数，故该曲线也能反映事件控制器只有满足触发阈值才更新的特性，即点实线条测量误差达到阈值曲线后，阈值曲线更新到新的值，否则阈值保持不变，控制器也维持不变。因此,信息层的控制中心通过网络传输给无人机的控制信号减少，无人机中执行器需要接收的信号减少，能耗减少，执行器不需要频繁调整状态，因此机械磨损也减少。故数值仿真证明了所提出的有效性。

实施例二

本实施例的目的是提供一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子一中的方法的步骤。

实施例三

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述实施例子一中的方法的步骤。

实施例四

本实施例的目的是提供了基于饱和阈值事件触发的高层消防无人机编队控制系统，包括：传感器采集系统、控制中心；

所述传感器采集系统采集处在工作现场的消防无人机输出信息，发送到处于安全位置的控制中心，所述控制中心基于构建的基于饱和阈值事件触发策略的控制器计算出控制信号后通过网络传输回无人机系统，无人机接收信号后执行器做出相应的执行动作，从而完成控制过程；

基于饱和阈值事件触发策略的控制器，该控制器被配置为：设定随控制器幅值变化的触发阈值，符合触发条件时执行控制任务的事件触发控制策略，事件触发控制策略将触发阈值与控制器的幅值相关联，以保证控制性能的同时不会产生对系统造成冲击的控制更新。

以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。

本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.基于饱和阈值事件触发的高层消防无人机编队控制方法，其特征是，包括：

构建基于饱和阈值事件触发策略的控制器，该控制器被配置为：设定随控制器幅值变化的触发阈值，符合触发条件时才执行控制任务的事件触发控制策略，事件触发控制策略将触发阈值与控制器的幅值相关联，以保证控制性能的同时不会产生对系统造成冲击的控制更新，具体为：设计事件触发控制器如下

其中，和/>分别为无人机侧倾角、俯仰角和偏航角相应控制器距离当前时刻t最近的触发时刻，/>表示无人机处于侧倾角姿态在/>时刻的过渡连续控制律，/>表示无人机处于俯仰角姿态在/>时刻的过渡连续控制律，/>表示无人机处于偏航角姿态在/>时刻的过渡连续控制律；

触发时刻由以下饱和阈值事件触发机制决定：

其中，w_φi(t)表示无人机处于侧倾角姿态的过渡连续控制律，w_θi(t)表示无人机处于俯仰角姿态的过渡连续控制律，w_ψi(t)表示无人机处于偏航角姿态的过渡连续控制律；为设计参数，满足/> 均为大于0的设计参数；

处在工作现场的消防无人机通过传感器采集系统输出信息，发送到处于安全位置的控制中心，控制中心基于构建的基于饱和阈值事件触发策略的控制器计算出控制信号后通过网络传输回无人机系统，无人机接收信号后执行器做出相应的执行动作，从而完成控制过程；

所述无人机编队控制方法具体步骤包括：

S1:建立信息物理系统框架下的四旋翼无人机姿态系统数学模型；

S2:描述无人机编队中各个无人机之间通信拓扑结构；

S3:构建神经网络逼近系统的未知系统动态；

S4:针对第i(i＝1,2,...N)个僚机,构建状态观测器；

S5:基于系统状态的观测值，定义合适协同一致性误差以及合适的误差面；

S6:设计虚拟控制器及神经网络权值自适应律；

S7:设计一种基于饱和阈值事件触发策略的实际控制器。

2.如权利要求1所述的基于饱和阈值事件触发的高层消防无人机编队控制方法，其特征是，基于饱和阈值事件触发策略的控制器，使得每一僚机能以与领机的姿态保持同步，即每一架僚机的侧倾角能与领机的侧倾角保持一致；俯仰角能与领机的俯仰角保持一致；偏航角能与领机的偏航角保持一致。

3.如权利要求1所述的基于饱和阈值事件触发的高层消防无人机编队控制方法，其特征是，基于状态观测器得到的状态信息构建同步误差和误差面，然后基于李雅普诺夫稳定性定义，设计虚拟控制器和自适应律，并引入了跟踪微分器逼近虚拟控制器的导数。

4.如权利要求1所述的基于饱和阈值事件触发的高层消防无人机编队控制方法，其特征是，所述四旋翼无人机姿态系统数学模型构建针对对象是：仅配备少量的系统输出传感器，执行器和通信器件，没有装备控制单元的消防四旋翼无人机系统；

进一步的技术方案，所述四旋翼无人机姿态系统数学模型构建时：忽略飞行器复杂的空气动力学特性，简化无人机模型，假设各无人机高度固定，仅关注无人机编队的姿态行为，从而得到每个无人机姿态系统的数学模型。

5.如权利要求1所述的基于饱和阈值事件触发的高层消防无人机编队控制方法，其特征是，描述无人机编队中各个无人机之间通信拓扑结构时，利用有向图描述编队中无人机之间的有向通信拓扑关系；

有向图G＝{V,E}中，V＝{1,2,...,N}表示图G中节点的集合，且”1,2,...,N”表示僚机的编号，表示图中有向边的集合，且(j,i)意味着僚机i能接收到来自节点j的信息，并称节点j是僚机i的一个邻居。

6.基于饱和阈值事件触发的高层消防无人机编队控制系统，其特征是，包括：传感器采集系统、控制中心；

所述传感器采集系统采集处在工作现场的消防无人机输出信息，发送到处于安全位置的控制中心，所述控制中心基于构建的基于饱和阈值事件触发策略的控制器计算出控制信号后通过网络传输回无人机系统，无人机接收信号后执行器做出相应的执行动作，从而完成控制过程；

基于饱和阈值事件触发策略的控制器，该控制器被配置为：设定随控制器幅值变化的触发阈值，符合触发条件时才执行控制任务的事件触发控制策略，事件触发控制策略将触发阈值与控制器的幅值相关联，以保证控制性能的同时不会产生对系统造成冲击的控制更新，具体为：设计事件触发控制器如下

其中，和/>分别为无人机侧倾角、俯仰角和偏航角相应控制器距离当前时刻t最近的触发时刻，/>表示无人机处于侧倾角姿态在/>时刻的过渡连续控制律，/>表示无人机处于俯仰角姿态在/>时刻的过渡连续控制律，/>表示无人机处于偏航角姿态在/>时刻的过渡连续控制律；

触发时刻由以下饱和阈值事件触发机制决定：

其中，w_φi(t)表示无人机处于侧倾角姿态的过渡连续控制律，w_θi(t)表示无人机处于俯仰角姿态的过渡连续控制律，w_ψi(t)表示无人机处于偏航角姿态的过渡连续控制律；为设计参数，满足/> 均为大于0的设计参数；

处在工作现场的消防无人机通过传感器采集系统输出信息，发送到处于安全位置的控制中心，控制中心基于构建的基于饱和阈值事件触发策略的控制器计算出控制信号后通过网络传输回无人机系统，无人机接收信号后执行器做出相应的执行动作，从而完成控制过程；

所述无人机编队控制方法具体步骤包括：

S1:建立信息物理系统框架下的四旋翼无人机姿态系统数学模型；

S2:描述无人机编队中各个无人机之间通信拓扑结构；

S3:构建神经网络逼近系统的未知系统动态；

S4:针对第i(i＝1,2,...N)个僚机,构建状态观测器；

S5:基于系统状态的观测值，定义合适协同一致性误差以及合适的误差面；

S6:设计虚拟控制器及神经网络权值自适应律；

S7:设计一种基于饱和阈值事件触发策略的实际控制器。

7.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-5任一所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-5任一所述方法的步骤。