CN114489142B - 一种基于自适应滑模的无人机编队控制方法及相关装置 - Google Patents

一种基于自适应滑模的无人机编队控制方法及相关装置 Download PDF

Info

Publication number
CN114489142B
CN114489142B CN202210308613.6A CN202210308613A CN114489142B CN 114489142 B CN114489142 B CN 114489142B CN 202210308613 A CN202210308613 A CN 202210308613A CN 114489142 B CN114489142 B CN 114489142B
Authority
CN
China
Prior art keywords
information
sliding mode
value
control
control information
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
CN202210308613.6A
Other languages
English (en)
Other versions
CN114489142A (zh
Inventor
侯治威
陈天兴
庄学彬
杨永盛
陈洪波
李雄
王劲博
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210308613.6A priority Critical patent/CN114489142B/zh
Publication of CN114489142A publication Critical patent/CN114489142A/zh
Application granted granted Critical
Publication of CN114489142B publication Critical patent/CN114489142B/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

本发明公开了一种基于自适应滑模的无人机编队控制方法及相关装置，方法包括：当接收到队列编整信息时，获取领航机所处的初始领航位置和各个跟随机所处的初始跟随位置；根据队列编整信息、初始领航位置和初始跟随位置，确定各个跟随机对应的一致性跟踪信息和估计扰动值；基于一致性跟踪信息建立积分型滑模面；根据积分型滑模面的一阶导数和估计扰动值，确定各个跟随机对应的控制信息；计算控制信息与预设的历史控制信息之间的调控差值；当调控差值的范数大于预设的调控阈值时，采用控制信息生成飞控指令并下发至对应的跟随机。通过自适应滑模增益以及扰动估计的方式，在未知扰动边界的情况下进行无人机编队的灵活且低成本的飞行控制。

Description

一种基于自适应滑模的无人机编队控制方法及相关装置
技术领域
本发明涉及无人机编队控制技术领域，尤其涉及一种基于自适应滑模的无人机编队控制方法及相关装置。
背景技术
随着科技不断发展与民用化的拓展，无人机(Unmanned Aerial Vehicle，UAV)以其自由悬停、垂直起降、飞行稳定和机动性高等独特的优势，被广泛应用于航空拍摄、环境监测、农林植保、灾后救援、地理测绘、交通等各个领域，但随着工作环境和任务的复杂化，单个无人机逐渐无法满足其需求。
为此，可以通过多无人机组成的无人机编队基于物理和信息驱动功能进行分布式一致性协同控制，其协同载荷携带、监视和侦察以及目标搜索等方面的潜在应用成为现阶段的关键技术之一。
但在实际应用中，无人机编队的控制通常会受到多种因素的约束，例如在无人机编队的飞行过程中，经常会遇到未知边界动力学扰动。而现有技术通常是事先构建飞行环境对应的约束条件，通过周期性更新控制指令进行无人机控制，但其由于约束条件的局限性，在多变的飞行环境需要高频率地对无人机编队进行通信控制，难以实现低成本且灵活的飞行控制。
发明内容
本发明提供了一种基于自适应滑模的无人机编队控制方法及相关装置，解决了现有技术通常是事先构建飞行环境对应的约束条件，通过周期性更新控制指令进行无人机控制，但其由于约束条件的局限性，在多变的飞行环境需要高频率地对无人机编队进行通信控制，难以实现低成本且灵活的飞行控制的技术问题。
本发明提供的一种基于自适应滑模的无人机编队控制方法，所述无人机编队包括领航机和多个跟随机，所述方法包括：
当接收到队列编整信息时，获取所述领航机所处的初始领航位置和各个所述跟随机所处的初始跟随位置；
根据所述队列编整信息、所述初始领航位置和所述初始跟随位置，确定各个所述跟随机对应的一致性跟踪信息和估计扰动值；
基于所述一致性跟踪信息建立积分型滑模面；
根据所述积分型滑模面的一阶导数和所述估计扰动值，确定各个所述跟随机对应的控制信息；
计算所述控制信息与预设的历史控制信息之间的调控差值；
当所述调控差值的范数大于预设的调控阈值时，采用所述控制信息生成飞控指令并下发至对应的所述跟随机。
可选地，所述方法还包括：
当所述调控差值的范数小于或等于所述调控阈值时，采用所述历史控制信息持续生成飞控指令并下发至对应的所述跟随机。
可选地，所述根据所述队列编整信息、所述初始领航位置和所述初始跟随位置，确定各个所述跟随机对应的一致性跟踪信息和估计扰动值的步骤，包括：
根据各个所述初始跟随位置结合预设的自适应增益和预设的反馈控制信息，确定各个所述跟随机对应的估计扰动值；
分别计算各个所述初始跟随位置与所述初始领航位置的位置差值；
分别计算各个所述位置差值与所述队列编整信息的第一和值作为各个所述跟随机对应的目标跟随位置；
按照所述跟随机之间的邻接关系和各个所述目标跟随位置，逐个计算每个所述跟随机对应的一致性跟踪信息。
可选地，所述基于所述一致性跟踪信息建立积分型滑模面的步骤，包括：
采用各个所述跟随机对应的飞行时间分别构建积分区间；
按照各个所述积分区间分别对各个所述一致性跟踪信息进行积分，得到积分信息；
采用各个所述目标跟随位置和各个所述跟随机分别对应的零时位置，结合所述积分信息建立积分型滑模面。
可选地，所述根据所述积分型滑模面的一阶导数和所述估计扰动值，确定各个所述跟随机对应的控制信息的步骤，包括：
计算所述积分型滑模面对于时间的一阶导数；
计算所述一致性跟踪信息与所述一阶导数的第二和值；
计算所述第二和值与所述估计扰动值的差值，得到各个所述跟随机对应的控制信息。
可选地，所述计算所述积分型滑模面对于时间的一阶导数的步骤，包括：
计算各个所述跟随机对应的预设控制器对角矩阵与各个所述目标跟随位置对应的范数之间的增益乘值；
计算所述增益乘值与预设定值的和值，得到自适应滑模增益；
采用预设的符号函数确定所述积分型滑模面的符号值；
采用所述自适应滑模增益的负值和所述符号值，计算第一乘值；
采用所述积分型滑模面和预设的自适应参数，计算第二乘值；
计算所述第一乘值与所述第二乘值之间的差值，得到所述积分型滑模面对于时间的一阶导数。
可选地，所述方法还包括：
当生成所述控制信息时，将所述反馈控制信息更新为所述控制信息；
当所述飞控指令下发至对应的所述跟随机后，将所述历史控制信息更新为所述控制信息；
跳转执行所述计算所述控制信息与预设的历史控制信息之间的调控差值的步骤，直至所述调控差值的范数大于所述调控阈值。
本发明第二方面提供了一种基于自适应滑模的无人机编队控制装置，所述无人机编队包括领航机和多个跟随机，所述装置包括：
位置获取模块，用于当接收到队列编整信息时，获取所述领航机所处的初始领航位置和各个所述跟随机所处的初始跟随位置；
扰动数据确定模块，用于根据所述队列编整信息、所述初始领航位置和所述初始跟随位置，确定各个所述跟随机对应的一致性跟踪信息和估计扰动值；
积分型滑模面建立模块，用于基于所述一致性跟踪信息建立积分型滑模面；
控制信息确定模块，用于根据所述积分型滑模面的一阶导数和所述估计扰动值，确定各个所述跟随机对应的控制信息；
调控差值计算模块，用于计算所述控制信息与预设的历史控制信息之间的调控差值；
飞控指令生成模块，用于当所述调控差值的范数大于预设的调控阈值时，采用所述控制信息生成飞控指令并下发至对应的所述跟随机。
本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的基于自适应滑模的无人机编队控制方法的步骤。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明第一方面任一项所述的基于自适应滑模的无人机编队控制方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明当接收到队列编整信息时，获取领航机所处的初始领航位置和各个跟随机所处的初始跟随位置；根据队列编整信息、初始领航位置和初始跟随位置，确定各个跟随机对应的一致性跟踪信息和估计扰动值；基于一致性跟踪信息建立积分型滑模面；根据积分型滑模面的一阶导数和估计扰动值，确定各个跟随机对应的控制信息；计算控制信息与预设的历史控制信息之间的调控差值；当调控差值的范数大于预设的调控阈值时，采用控制信息生成飞控指令并下发至对应的跟随机。从而解决现有技术通常是事先构建飞行环境对应的约束条件，通过周期性更新控制指令进行无人机控制，但其由于约束条件的局限性，在多变的飞行环境需要高频率地对无人机编队进行通信控制，难以实现低成本且灵活的飞行控制的技术问题，通过自适应滑模增益以及扰动估计的方式，在未知扰动边界情况下进行无人机编队的灵活且低成本的飞行控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种基于自适应滑模的无人机编队控制方法的步骤流程图；
图2为本发明实施例二提供的一种基于自适应滑模的无人机编队控制方法的步骤流程图；
图3为本发明实施例提供的无人机编队的通信拓扑图；
图4为本发明实施例提供的无人机轨迹追踪效果示意图；
图5为本发明实施例提供的无人机一致性误差示意图；
图6为本发明实施例三提供的一种基于自适应滑模的无人机编队控制装置的结构框图。
具体实施方式
本发明实施例提供了一种基于自适应滑模的无人机编队控制方法及相关装置，用于解决现有技术通常是事先构建飞行环境对应的约束条件，通过周期性更新控制指令进行无人机控制，但其由于约束条件的局限性，在多变的飞行环境需要高频率地对无人机编队进行通信控制，难以实现低成本且灵活的飞行控制的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种基于自适应滑模的无人机编队控制方法的步骤流程图。
本发明提供的一种基于自适应滑模的无人机编队控制方法，无人机编队包括领航机和多个跟随机，方法包括：
步骤101，当接收到队列编整信息时，获取领航机所处的初始领航位置和各个跟随机所处的初始跟随位置；
队列编整信息指的是响应于用户在飞控终端输入的目标编队队形，基于目标编队队形所确定的每个跟随机的初始跟随位置与其目标跟随位置之间的相对位置差。
初始领航位置指的是领航机当前时刻无人机编队中所处的三维空间位置，初始跟随位置指的是跟随机当前时刻无人机编队中所处的三维空间位置。且无人机编队之间的通信拓扑可以通过有向图
Figure 267040DEST_PATH_IMAGE001
进行描述，其中各个无人机的位置节点集为
Figure 308815DEST_PATH_IMAGE002
，边集合为
Figure 714650DEST_PATH_IMAGE003
，
Figure 109860DEST_PATH_IMAGE004
表示加权邻接矩阵，如果其中
Figure 48866DEST_PATH_IMAGE005
，则
Figure 645498DEST_PATH_IMAGE006
，否则
Figure 538630DEST_PATH_IMAGE007
。
在本发明实施例中，当无人机编队接收到队列编整信息时，表明此时需要无人机编队进行队形的变更，此时可以获取领航机所处的初始领航位置，以及无人机编队中各个跟随机所处的初始跟随位置以作为队形变更的数据基础。
步骤102，根据队列编整信息、初始领航位置和初始跟随位置，确定各个跟随机对应的一致性跟踪信息和估计扰动值；
由于在实际无人机飞行的过程中容易受到多种外界因素的影响，导致不确定性的扰动，而这些扰动的边界往往是未知的。
为此，在获取到初始领航位置、初始跟随位置和队列编整信息后，可以进一步基于上述队列编整信息、初始领航位置和初始跟随位置构建多变量扰动观测器，从而确定各个跟随机所对应的一致性跟踪信息和估计扰动值。
需要说明的是，估计扰动值指的是基于跟随机的初始跟随位置结合预设的自适应增益，对实际扰动进行估计的估计值，其中第i个跟随机在t时刻对应的自适应增益为
Figure 862164DEST_PATH_IMAGE008
。一致性跟踪信息指的是采用一致性协议基于跟随机与领航机之间的通信拓扑结构的变化所等价转化的状态表达式。
步骤103，基于一致性跟踪信息建立积分型滑模面；
在确定各个跟随机分别对应的一致性跟踪信息后，考虑到控制中存在扰动的影响，采用积分型滑模控制对一致性跟踪信息进行进一步的改进，从而构建积分型滑模面。
需要说明的是，积分滑模是通过合理设定积分器的初始状态，使系统的初始状态一开始就处于滑模面上，从而消除到达段，以提高控制系统的鲁棒性。
步骤104，根据积分型滑模面的一阶导数和估计扰动值，确定各个跟随机对应的控制信息；
控制信息指的是每个跟随机在x，y，z方向上的目标参考速度，例如以向量
Figure 531043DEST_PATH_IMAGE009
进行表示。
在建立积分型滑模面后，可以采用自适应滑模趋近律对积分型滑模面进行处理，以得到积分型滑模面的一阶导数，从而确定一致性跟踪信息中的误差情况，进一步结合估计扰动值对控制中的扰动进行补偿，从而得到各个跟随机对应的控制信息。
步骤105，计算控制信息与预设的历史控制信息之间的调控差值；
历史控制信息指的是当前时刻通过零阶保持器进行维持的参考速度。
为减少跟随机飞控的资源消耗，可以计算控制信息和上一时刻所对应的历史控制信息之间的调控差值，从而判断是否需要对跟随机的当前速度进行调控。
步骤106，当调控差值的范数大于预设的调控阈值时，采用控制信息生成飞控指令并下发至对应的跟随机。
在本发明的一个示例中，若是调控差值的范数大于预设的调控阈值，则可以采用控制信息进一步生成飞控指令并下发至对应的跟随机，从而控制跟随机的速度，以完成对无人机编队的队列编整。
需要说明的是，调控阈值指的是通过特定的事件触发算法所确定的触发条件值。例如
Figure 150505DEST_PATH_IMAGE010
。
Figure 904835DEST_PATH_IMAGE011
为调控差值的范数，具体为2-范数，
Figure 766480DEST_PATH_IMAGE012
指的是预设定调控阈值，当且仅当触发函数满足
Figure 915964DEST_PATH_IMAGE013
时，即此时调控阈值为
Figure 345808DEST_PATH_IMAGE012
，控制信息被生成为飞控指令进行下发。
在本发明实施例中，当接收到队列编整信息时，获取领航机所处的初始领航位置和各个跟随机所处的初始跟随位置；根据队列编整信息、初始领航位置和初始跟随位置，确定各个跟随机对应的一致性跟踪信息和估计扰动值；基于一致性跟踪信息建立积分型滑模面；根据积分型滑模面的一阶导数和估计扰动值，确定各个跟随机对应的控制信息；计算控制信息与预设的历史控制信息之间的调控差值；当调控差值的范数大于预设的调控阈值时，采用控制信息生成飞控指令并下发至对应的跟随机。从而解决现有技术通常是事先构建飞行环境对应的约束条件，通过周期性更新控制指令进行无人机控制，但其由于约束条件的局限性，在多变的飞行环境需要高频率地对无人机编队进行通信控制，难以实现低成本且灵活的飞行控制的技术问题，通过自适应滑模增益以及扰动估计的方式，在未知扰动边界情况下进行无人机编队的灵活且低成本的飞行控制。
请参阅图2，图2为本发明实施例二提供的一种基于自适应滑模的无人机编队控制方法的步骤流程图。
本发明提供的一种基于自适应滑模的无人机编队控制方法，无人机编队包括领航机和多个跟随机，方法包括：
步骤201，当接收到队列编整信息时，获取领航机所处的初始领航位置和各个跟随机所处的初始跟随位置；
在本发明实施例中，步骤201的具体实现过程与步骤101类似，在此不再赘述。
步骤202，根据各个初始跟随位置结合预设的自适应增益和预设的反馈控制信息，确定各个跟随机对应的估计扰动值；
自适应增益指的是多变量扰动观测器中的增益参数能够根据估计跟随位置和初始跟随位置之间的偏差大小自适应地调整增益参数的数值大小。
在本发明实施例中，为确定各个跟随机所处初始跟随位置到目标跟随位置的估计扰动值，在获取到初始跟随位置后，可以通过采用各个初始跟随位置结合自适应增益和初始控制信息构建多变量扰动观测器，从而确定各个跟随机对应的估计扰动值。
在具体实现中，所构建的多变量扰动观测器可以如下：
Figure 712068DEST_PATH_IMAGE014
Figure 987191DEST_PATH_IMAGE015
其中，
Figure 256761DEST_PATH_IMAGE016
为第i个跟随机在t时刻的估计跟随位置的一阶导数，
Figure 716561DEST_PATH_IMAGE017
为第i个跟随机在t时刻的估计扰动值的一阶导数，
Figure 445483DEST_PATH_IMAGE018
，
Figure 150396DEST_PATH_IMAGE019
为第i个跟随机在t时刻的估计跟随位置，
Figure 648373DEST_PATH_IMAGE020
为估计跟随位置和初始跟随位置之间的偏差，
Figure 544654DEST_PATH_IMAGE021
为第i个跟随机在t时刻的初始跟随位置，
Figure 121391DEST_PATH_IMAGE022
，
Figure 3896DEST_PATH_IMAGE023
为预设的反馈控制信息，在零时刻为零；自适应增益
Figure 481014DEST_PATH_IMAGE024
。
需要说明的是，自适应增益
Figure 49661DEST_PATH_IMAGE025
满足以下条件：
Figure 487595DEST_PATH_IMAGE026
其中，
Figure 32846DEST_PATH_IMAGE027
为自适应增益
Figure 131514DEST_PATH_IMAGE025
的中间变量，
Figure 244964DEST_PATH_IMAGE028
为
Figure 294828DEST_PATH_IMAGE029
的一阶导数，
Figure 519136DEST_PATH_IMAGE030
为大于零的预设常数，
Figure 206732DEST_PATH_IMAGE031
为
Figure 615717DEST_PATH_IMAGE029
的平方，
Figure 28243DEST_PATH_IMAGE032
为
Figure 682341DEST_PATH_IMAGE033
的平方根，预设
Figure 988557DEST_PATH_IMAGE034
在零时刻的值大于零，即
Figure 178230DEST_PATH_IMAGE035
。预设参数
Figure 704152DEST_PATH_IMAGE036
，满足以下条件：
Figure 270262DEST_PATH_IMAGE037
步骤203，分别计算各个初始跟随位置与初始领航位置的位置差值；
步骤204，分别计算各个位置差值与队列编整信息的第一和值作为各个跟随机对应的目标跟随位置；
目标跟随位置指的是跟随机在接收到队列编整信息后所需要到达的位置。
与此同时，还可以分别计算各个初始跟随位置与初始领航位置之间的位置差值，进一步分别计算各个位置差值和队列编整信息之间的第一和值，将其作为各个跟随机对应的目标跟随位置，具体可以通过以下方式表示：
Figure 696564DEST_PATH_IMAGE038
其中，
Figure 57139DEST_PATH_IMAGE039
为第i个跟随机在t时刻的目标跟随位置；
Figure 70356DEST_PATH_IMAGE040
为领航机在t时刻的初始领航位置，
Figure 564791DEST_PATH_IMAGE041
；
Figure 455387DEST_PATH_IMAGE042
为队列编整信息，用于表示第i个跟随机对应的目标跟随位置与初始跟随位置之间的相对位置差，
Figure 878540DEST_PATH_IMAGE043
。
步骤205，按照跟随机之间的邻接关系和各个目标跟随位置，逐个计算每个跟随机对应的一致性跟踪信息；
传统的一致性跟踪通常是在不存在任何干扰的情况下选用以下协议实现的，此时系统可以实现一致性跟踪：
Figure 487376DEST_PATH_IMAGE044
，其中
Figure 785502DEST_PATH_IMAGE045
的大小满足
Figure 422282DEST_PATH_IMAGE046
，且
Figure 390238DEST_PATH_IMAGE047
和
Figure 611004DEST_PATH_IMAGE048
都是正奇数。
为此，在本发明实施例中，按照跟随机之间的邻接关系以及各个跟随机分别对应的目标跟随位置，可以逐一计算各个跟随机所对应的一致性跟踪信息。
在具体实现中，以领航机-跟随机模型的多无人机系统为例，无人机之间的通信拓扑可以用有向图
Figure 322608DEST_PATH_IMAGE001
描述，包括一个领航机和N个跟随机，领航机用节点
Figure 813895DEST_PATH_IMAGE049
表示，跟随机由
Figure 77386DEST_PATH_IMAGE050
表示。边集合为
Figure 660814DEST_PATH_IMAGE051
。令
Figure 513191DEST_PATH_IMAGE004
表示加权邻接矩阵，如果其中
Figure 623098DEST_PATH_IMAGE052
，则
Figure 932857DEST_PATH_IMAGE006
，否则
Figure 629680DEST_PATH_IMAGE007
。对于各个跟随机对应的邻居集由
Figure 683086DEST_PATH_IMAGE053
给出。拉普拉斯算子由
Figure 647500DEST_PATH_IMAGE054
表示，其中
Figure 128160DEST_PATH_IMAGE055
是度矩阵，并且
Figure 46700DEST_PATH_IMAGE056
，领航机-跟随机模型的连接权重矩阵定义为
Figure 28431DEST_PATH_IMAGE057
，如果领航机连接到第
Figure 722717DEST_PATH_IMAGE058
个跟随机，
Figure 377DEST_PATH_IMAGE059
，否则
Figure 45694DEST_PATH_IMAGE060
。
结合上述信息，得到一致性跟踪信息为：
Figure 565537DEST_PATH_IMAGE061
，
Figure 740428DEST_PATH_IMAGE062
其中，
Figure 828470DEST_PATH_IMAGE063
为第i个跟随机在t时刻的一致性跟踪信息，
Figure 220137DEST_PATH_IMAGE064
为控制器预设参数，
Figure 419037DEST_PATH_IMAGE065
为集合
Figure 448435DEST_PATH_IMAGE066
中元素的数量大小，
Figure 832012DEST_PATH_IMAGE067
为第i个跟随机在t时刻的邻居位置信息，可通过邻接关系确定；
Figure 586342DEST_PATH_IMAGE068
是第
Figure 949452DEST_PATH_IMAGE058
个跟随机的邻居集，
Figure 597471DEST_PATH_IMAGE069
为第i个跟随机对应的连接权重矩阵。
步骤206，基于一致性跟踪信息建立积分型滑模面；
可选地，步骤206可以包括以下子步骤：
采用各个跟随机对应的飞行时间分别构建积分区间；
按照各个积分区间分别对各个一致性跟踪信息进行积分，得到积分信息；
采用各个目标跟随位置和各个跟随机分别对应的零时位置，结合积分信息建立积分型滑模面。
飞行时间指的是从跟随机的起飞时刻到当前时刻的时间段。
零时位置指的是跟随机在起飞时刻或零时刻时所处的位置。
由于在实际飞行过程中存在多种因素的干扰，对于无人机编队而言也就存在扰动影响。为此可以采用各个跟随机对应的飞行时间分别构建积分区间，按照各个积分区间分别对各个一致性跟踪信息进行积分，以确定各个跟随机在飞行时间内的位移轨迹，得到积分信息，再按照各个目标跟随位置和各个跟随机在零时刻或起飞时刻所处的零时位置，结合积分新建立积分型滑模面。
具体的积分型滑模面
Figure 27315DEST_PATH_IMAGE070
可以如下：
Figure 629460DEST_PATH_IMAGE071
其中，
Figure 170163DEST_PATH_IMAGE072
，
Figure 938268DEST_PATH_IMAGE073
为第i个跟随机在0时刻的零时位置。
步骤207，根据积分型滑模面的一阶导数和估计扰动值，确定各个跟随机对应的控制信息；
在本发明的一个示例中，步骤207可以包括以下子步骤S11-S13：
S11、计算积分型滑模面对于时间的一阶导数；
为实现对跟随机的速度调控，在得到积分型滑模面后，可以进一步计算积分型滑模面对于时间的一阶导数，以实现对跟随机的状态的完全跟踪。
进一步地，S11可以包括以下子步骤：
计算各个跟随机对应的预设定值与各个目标跟随位置对应的范数之间的增益乘值；
计算增益乘值与预设定值的和值，得到自适应滑模增益；
采用预设的符号函数确定积分型滑模面的符号值；
采用自适应滑模增益的负值和符号值，计算第一乘值；
采用积分型滑模面和预设的自适应参数，计算第二乘值；
计算第一乘值与第二乘值之间的差值，得到积分型滑模面对于时间的一阶导数。
在本发明的一个示例中，可以进一步采用快速滑模趋近律的方式对积分型滑模面进行求导，通过计算各个跟随机对应的预设控制器对角矩阵和各个目标跟随位置对应范数之间的增益乘值，结合预设定值后得到自适应滑模增益
Figure 273434DEST_PATH_IMAGE074
：
Figure 628455DEST_PATH_IMAGE075
其中，
Figure 831903DEST_PATH_IMAGE076
为第i个跟随机在t时刻
Figure 329880DEST_PATH_IMAGE074
的自适应增益，
Figure 462047DEST_PATH_IMAGE077
为目标跟随位置对应的2-范数，预设定值
Figure DEST_PATH_IMAGE078
。
需要说明的是，
Figure 802898DEST_PATH_IMAGE076
满足以下条件：
Figure 311502DEST_PATH_IMAGE079
其中，
Figure 663986DEST_PATH_IMAGE080
，预设值
Figure 731168DEST_PATH_IMAGE081
，
Figure 169102DEST_PATH_IMAGE082
。
在得到自适应滑模增益后，采用预设的符号函数确定积分型滑模面所对应的符号值，进一步采用自适应滑模增益的负值和符号值，计算第一乘值；采用积分型滑模面和预设控制器对角矩阵，计算第二乘值；计算第一乘值与第二乘值之间的差值，得到积分型滑模面对于时间的一阶导数
Figure 215818DEST_PATH_IMAGE083
：
Figure 813022DEST_PATH_IMAGE084
其中，
Figure 660892DEST_PATH_IMAGE085
，函数
Figure 212221DEST_PATH_IMAGE086
为符号函数，
Figure 561163DEST_PATH_IMAGE087
为第i个跟随机对应的预设控制器对角矩阵，即
Figure 888239DEST_PATH_IMAGE088
，对角矩阵中的元素值均为正数。
需要说明的是，符号函数指的是Sign函数，其返回一个整型变量，指出参数的正负号。语法Sign(number)，number参数是任何有效的数值表达式。返回值如果number大于0，则Sgn返回1；等于0，返回0；小于0，则返回-1。number参数的符号决定了Sgn函数的返回值。
S12、计算一致性跟踪信息与一阶导数的第二和值；
S13、计算第二和值与估计扰动值的差值，得到各个跟随机对应的控制信息。
在本实施例中，由于在计算一致性跟踪信息时未对飞行过程中的扰动进行补偿，在确定一致性跟踪信息和一阶导数后，可以进一步计算一致性跟踪信息和一阶导数之间的第二和值，计算第二和值和估计扰动值之间的差值，从而得到各个跟随机对应的控制信息
Figure 798689DEST_PATH_IMAGE089
：
Figure 335849DEST_PATH_IMAGE090
步骤208，计算控制信息与预设的历史控制信息之间的调控差值；
在本发明实施例中，在得到控制信息时，由于跟随机可能已经处于飞行状态，若是不断发送控制信息对跟随机进行调控，容易导致通信资源的消耗过大。
此时可以进一步计算控制信息与历史控制信息之间的调控差值，通过调控差值的范数与调控阈值的比较情况，确定跟随机的飞控指令控制的触发。
具体地，调控差值
Figure 98269DEST_PATH_IMAGE091
可以通过以下方式计算：
Figure 905950DEST_PATH_IMAGE092
其中
Figure 361202DEST_PATH_IMAGE093
，
Figure 385659DEST_PATH_IMAGE094
为
Figure 577868DEST_PATH_IMAGE095
时刻的一致性跟踪信息，
Figure 613957DEST_PATH_IMAGE096
为
Figure 364744DEST_PATH_IMAGE095
时刻的自适应滑模增益，
Figure 751863DEST_PATH_IMAGE097
为
Figure 505622DEST_PATH_IMAGE095
时刻的积分型滑模面对应的符号值，
Figure 786430DEST_PATH_IMAGE098
为
Figure 583485DEST_PATH_IMAGE095
时刻的积分型滑模面，
Figure 818420DEST_PATH_IMAGE099
为
Figure 991912DEST_PATH_IMAGE095
时刻的估计干扰值，第i个跟随机对应的历史控制信息
Figure 127227DEST_PATH_IMAGE100
，
Figure 721282DEST_PATH_IMAGE101
。
步骤209，当调控差值的范数大于预设的调控阈值时，采用控制信息生成飞控指令并下发至对应的跟随机。
在本发明的一个示例中，范数可以为2-范数，此时若是调控差值的2-范数大于预设的调控阈值时，表明此时跟随机的当前速度与目标速度之间的差距无法满足队列编整信息，此时可以采用控制信息生成第i个跟随机对应的飞控指令，将飞控指令下发至对应的跟随机。
需要说明的是，调控阈值的确定可以通过以下函数
Figure 817414DEST_PATH_IMAGE102
进行确定：
Figure 388072DEST_PATH_IMAGE103
其中，
Figure 144938DEST_PATH_IMAGE012
指的是第i个跟随机对应的预设的调控阈值，
Figure 283795DEST_PATH_IMAGE104
为调控差值的2-范数，在
Figure 991857DEST_PATH_IMAGE013
时，飞控指令被生成下发至跟随机，而
Figure 241573DEST_PATH_IMAGE012
为调控阈值。
可选地，方法还包括以下步骤：
当调控差值的范数小于或等于调控阈值时，采用历史控制信息持续生成飞控指令并下发至对应的跟随机。
在本发明的另一个示例中，范数可以为2-范数，此时若是调控差值的2-范数小于或等于调控阈值，则可以采用历史控制信息持续生成飞控指令下发至对应的跟随机，可以通过零阶保持器持续保持飞控指令的下发。
可选地，方法还包括以下步骤S21-S23：
S21、当生成所述控制信息时，将所述反馈控制信息更新为所述控制信息；
S22、当飞控指令下发至对应的跟随机后，将历史控制信息更新为控制信息；
S23、跳转执行计算控制信息与预设的历史控制信息之间的调控差值的步骤，直至调控差值的范数大于调控阈值。
在本发明实施例中，由于扰动对跟随机的影响是动态变化的，为此，在生成控制信息的同时，将反馈控制信息更新为控制信息，以实现对扰动的实时更新。与此同时，为实现对调控差值的实时更新，当飞控指令下发至跟随机后，将历史控制信息更新为控制信息，同时跳转至步骤208，直至调控差值的范数大于调控阈值，再次采用当前时刻的控制信息生成飞控指令下发至跟随机。
为更为具体证明本方法的技术效果优于传统技术，通过以下证明过程对上述过程进行证明：
定理 1：考虑具有控制算法
Figure 852945DEST_PATH_IMAGE105
的多无人机编队，通信拓扑定义为连通图
Figure 287337DEST_PATH_IMAGE106
和触发函数由
Figure 358062DEST_PATH_IMAGE107
给出。由无人机编队构成的闭环系统是全局一致的有界解，且最终界
Figure 37567DEST_PATH_IMAGE108
由下式给出：
Figure 1981DEST_PATH_IMAGE109
其中，
Figure 482641DEST_PATH_IMAGE110
为中间参数，其大小满足
Figure 401180DEST_PATH_IMAGE111
，
Figure 258278DEST_PATH_IMAGE112
是预设定值
Figure 77198DEST_PATH_IMAGE087
的最小特征值，
Figure 354858DEST_PATH_IMAGE113
为中间参数，其大小满足
Figure 400174DEST_PATH_IMAGE114
，
Figure 920017DEST_PATH_IMAGE115
为定理1证明过程中所作出假设的合理参数。
证明：可以发现：
Figure 94909DEST_PATH_IMAGE116
即
Figure 182951DEST_PATH_IMAGE117
，
Figure 574618DEST_PATH_IMAGE082
，
Figure 134037DEST_PATH_IMAGE118
，因此
Figure 802916DEST_PATH_IMAGE119
。更进一步地，
Figure 186493DEST_PATH_IMAGE120
能够描述成与状态相关的表达式，可假设其上界能够描述如下：
Figure 675243DEST_PATH_IMAGE121
其中，
Figure 303933DEST_PATH_IMAGE122
，
Figure 951952DEST_PATH_IMAGE082
，并且
Figure 116217DEST_PATH_IMAGE115
存在，但事先未知。
考虑李雅普诺夫函数
Figure 983941DEST_PATH_IMAGE123
为：
Figure 524644DEST_PATH_IMAGE124
其中，
Figure 27169DEST_PATH_IMAGE125
为积分型滑模面矩阵
Figure 254014DEST_PATH_IMAGE126
的转置，
Figure 717356DEST_PATH_IMAGE076
为第i个跟随机在t时刻
Figure 186383DEST_PATH_IMAGE074
的自适应增益。
可以发现：
Figure 684361DEST_PATH_IMAGE127
因此
Figure 816527DEST_PATH_IMAGE128
综合上述公式，能够得到：
Figure 157379DEST_PATH_IMAGE129
其中，
Figure 39884DEST_PATH_IMAGE130
为李雅普诺夫函数
Figure 18467DEST_PATH_IMAGE123
的一阶导数。
鉴于
Figure 820069DEST_PATH_IMAGE131
因此，可以得到：
Figure 258004DEST_PATH_IMAGE132
根据触发函数可得
Figure 570299DEST_PATH_IMAGE133
，所以
Figure 901923DEST_PATH_IMAGE134
其中
Figure 15373DEST_PATH_IMAGE135
。定义一个参数
Figure 543264DEST_PATH_IMAGE114
，
Figure 767572DEST_PATH_IMAGE130
能够被进一步简化为：
Figure 219282DEST_PATH_IMAGE136
其中
Figure 129732DEST_PATH_IMAGE137
。进一步定义参数
Figure 276679DEST_PATH_IMAGE138
，可以发现当
Figure 429312DEST_PATH_IMAGE139
时，
Figure 236993DEST_PATH_IMAGE140
，因此
Figure 692245DEST_PATH_IMAGE141
因此李雅普诺夫函数
Figure 716702DEST_PATH_IMAGE142
能够在有限时间内进入由
Figure 908911DEST_PATH_IMAGE143
定义的球内。李雅普诺夫函数的定义产生
Figure 945000DEST_PATH_IMAGE144
，且与初始条件无关。因此由无人机编队构成的闭环系统是全局一致的有界解，且最终界由
Figure 695788DEST_PATH_IMAGE108
给出。定理1证明完成。
在本实施例中，每更新一次历史控制信息作为一个事件，还应对系统更新一次历史控制信息的事件触发机制进行过Zeno现象进行分析。Zeno现象是指两个连续触发事件的时间间隔为0，即
Figure 443426DEST_PATH_IMAGE145
。若系统发生Zeno现象, 则意味着该事件触发机制不适用。 为表明事件触发算法的合理性, 需保证事件触发间隔满足
Figure 813227DEST_PATH_IMAGE146
。
定理2：考虑具有控制算法
Figure 94036DEST_PATH_IMAGE105
的多无人机编队，通信拓扑定义为连通图
Figure 517189DEST_PATH_IMAGE106
和触发函数由
Figure 126025DEST_PATH_IMAGE147
给出。由无人机编队构成的闭环系统可以避免Zeno现象。此外，事件间隔时间（即
Figure 158572DEST_PATH_IMAGE148
）的下界为：
Figure 169254DEST_PATH_IMAGE149
其中，
Figure 763308DEST_PATH_IMAGE150
为证明过程推导出的与结论相关的表达式，其具体表达式如下：
Figure 984074DEST_PATH_IMAGE151
而且
Figure 695678DEST_PATH_IMAGE152
为N架跟随机的一致性跟踪信息的系数组成的对角矩阵，其表达式为
Figure 452544DEST_PATH_IMAGE153
，
Figure 716035DEST_PATH_IMAGE154
为证明过程引入函数
Figure 33884DEST_PATH_IMAGE155
的系数增益，其大小满足
Figure 175277DEST_PATH_IMAGE156
。
证明：设
Figure 160551DEST_PATH_IMAGE157
为事件间隔时间，即误差从零增长到
Figure 594943DEST_PATH_IMAGE012
所需的时间。在
Figure 400088DEST_PATH_IMAGE158
时，控制量被更新，误差变为零，即
Figure 79593DEST_PATH_IMAGE159
，误差满足
Figure 919373DEST_PATH_IMAGE133
并等待下一次触发时间。因此，在事件间隔时间内系统一致性条件能够满足。
Figure 524667DEST_PATH_IMAGE160
为了获得符号函数的导数，使用
Figure 708786DEST_PATH_IMAGE161
函数来近似，即
Figure 300304DEST_PATH_IMAGE162
。进一步，可以发现：
Figure 384804DEST_PATH_IMAGE163
，而且
Figure 36365DEST_PATH_IMAGE164
。
Figure 442201DEST_PATH_IMAGE165
由于
Figure 962044DEST_PATH_IMAGE166
，可以得到：
Figure 776416DEST_PATH_IMAGE167
由于本发明假设扰动
Figure 224977DEST_PATH_IMAGE168
是有界扰动，因此存在一个正实数
Figure 616644DEST_PATH_IMAGE169
，使得
Figure 815545DEST_PATH_IMAGE170
。根据定理1：考虑具有控制算法
Figure 110522DEST_PATH_IMAGE105
的多无人机编队，通信拓扑定义为连通图
Figure 228520DEST_PATH_IMAGE106
和触发函数由
Figure DEST_PATH_IMAGE171
给出。由无人机编队构成的闭环系统是全局一致的有界解，因此
Figure 608948DEST_PATH_IMAGE126
、
Figure 611539DEST_PATH_IMAGE039
是有界信号。
Figure 259558DEST_PATH_IMAGE172
能够被进一步展开如下：
Figure 49921DEST_PATH_IMAGE173
可以发现
Figure 416181DEST_PATH_IMAGE172
是一个由有界信号组成的函数，因此存在一个正实数
Figure 956883DEST_PATH_IMAGE174
，使得
Figure DEST_PATH_IMAGE175
。同理可得，
Figure 796811DEST_PATH_IMAGE172
、
Figure 522191DEST_PATH_IMAGE176
和
Figure 611632DEST_PATH_IMAGE177
都是由有界信号组成的函数，存在正实数
Figure DEST_PATH_IMAGE178
，
Figure 80659DEST_PATH_IMAGE179
，
Figure 939156DEST_PATH_IMAGE180
，使得
Figure 710803DEST_PATH_IMAGE181
，
Figure 786075DEST_PATH_IMAGE182
，
Figure 668581DEST_PATH_IMAGE183
。
因此
Figure 647163DEST_PATH_IMAGE184
Figure 714345DEST_PATH_IMAGE104
可进一步求得：
Figure 152280DEST_PATH_IMAGE185
当
Figure 464575DEST_PATH_IMAGE186
时，事件被触发，公式中的
Figure 796199DEST_PATH_IMAGE104
误差从0重新增长到
Figure 909648DEST_PATH_IMAGE012
所需的时间，即
Figure 460978DEST_PATH_IMAGE187
Figure 685286DEST_PATH_IMAGE188
因此，可以确保事件间隔时间的下限是严格的正值。此外，可以使用tanh函数代替符号函数，以减小滑模控制中固有抖振效应。定理2证明完成。
为获取到控制信息的飞控指令结果，需要首先确定多无人机系统的无人机数量以及控制协议的基本参数。考虑由于
Figure 136995DEST_PATH_IMAGE189
架的多无人机系统，其中一架为领航者(UAV0)，其余三架为跟随者(UAV1、UAV2以及UAV3)。通信拓扑图如图3所示，且参数定义如下，
Figure 781866DEST_PATH_IMAGE190
所提出的事件触发一致性控制算法参数设置如下:
Figure 194393DEST_PATH_IMAGE191
，
Figure 347025DEST_PATH_IMAGE192
，
Figure 279340DEST_PATH_IMAGE012
=0.1，
Figure 360691DEST_PATH_IMAGE193
，以及自适应滑模增益的初始值选择为
Figure 994935DEST_PATH_IMAGE194
。自适应扰动观测器的参数选择为：
Figure 685679DEST_PATH_IMAGE195
，
Figure 613446DEST_PATH_IMAGE196
，
Figure 364233DEST_PATH_IMAGE197
。在本例子中，领航可以自由导航，跟随者可达成一致性并对领航者轨迹实现跟踪。领航者轨迹
Figure 111872DEST_PATH_IMAGE198
，期望状态为
Figure 606307DEST_PATH_IMAGE199
，
Figure DEST_PATH_IMAGE200
，
Figure 388580DEST_PATH_IMAGE201
。为了进一步验证所提出算法的鲁棒性，在本实施例中引入不确定性扰动
Figure 310269DEST_PATH_IMAGE202
，其中
Figure 919105DEST_PATH_IMAGE203
由高斯白噪声产生，且
Figure 453116DEST_PATH_IMAGE204
。本实施例设置的采样时间为1ms。
与领航机轨迹相比，所有跟随机的跟踪性能如图4所示。可以观察到，跟随机可以快速与领航机达成一致性，收敛到期望的轨迹与队列。且绘制在图5中的一致性误差
Figure DEST_PATH_IMAGE205
始终保持很小，满足工程实际要求。
本实施例的触发次数、最大事件间隔时间和最小事件间隔时间如表1所示，表1为本实施例的关键数据统计，总采样次数为30000。从表1中可以看出，当事件间隔时间满足下界条件时，意味着Zeno现象可以避免，并且触发次数远小于总采样次数，从而可以节省有限的能源。
表1
Figure 588432DEST_PATH_IMAGE206
在本发明实施例中，当接收到队列编整信息时，获取领航机所处的初始领航位置和各个跟随机所处的初始跟随位置；根据队列编整信息、初始领航位置和初始跟随位置，确定各个跟随机对应的一致性跟踪信息和估计扰动值；基于一致性跟踪信息建立积分型滑模面；根据积分型滑模面的一阶导数和估计扰动值，确定各个跟随机对应的控制信息；计算控制信息与预设的历史控制信息之间的调控差值；当调控差值的范数大于预设的调控阈值时，采用控制信息生成飞控指令并下发至对应的跟随机。从而解决现有技术通常是事先构建飞行环境对应的约束条件，通过周期性更新控制指令进行无人机控制，但其由于约束条件的局限性，在多变的飞行环境需要高频率地对无人机编队进行通信控制，难以实现低成本且灵活的飞行控制的技术问题，通过自适应滑模增益以及扰动估计的方式，在扰动边界的情况下进行无人机编队的灵活且低成本的飞行控制。
请参阅图6，图6示出了本发明实施例三的一种基于自适应滑模的无人机编队控制装置的结构框图。
本发明实施例提供了一种基于自适应滑模的无人机编队控制装置，无人机编队包括领航机和多个跟随机，装置包括：
位置获取模块601，用于当接收到队列编整信息时，获取领航机所处的初始领航位置和各个跟随机所处的初始跟随位置；
扰动数据确定模块602，用于根据队列编整信息、初始领航位置和初始跟随位置，确定各个跟随机对应的一致性跟踪信息和估计扰动值；
积分型滑模面建立模块603，用于基于一致性跟踪信息建立积分型滑模面；
控制信息确定模块604，用于根据积分型滑模面的一阶导数和估计扰动值，确定各个跟随机对应的控制信息；
调控差值计算模块605，用于计算控制信息与预设的历史控制信息之间的调控差值；
飞控指令生成模块606，用于当调控差值的范数大于预设的调控阈值时，采用控制信息生成飞控指令并下发至对应的跟随机。
可选地，装置还包括：
历史控制下发模块，用于当调控差值的范数小于或等于调控阈值时，采用历史控制信息持续生成飞控指令并下发至对应的跟随机。
可选地，扰动数据确定模块602具体用于：
根据各个初始跟随位置结合预设的自适应增益和预设的反馈控制信息，确定各个跟随机对应的估计扰动值；
分别计算各个初始跟随位置与初始领航位置的位置差值；
分别计算各个位置差值与队列编整信息的第一和值作为各个跟随机对应的目标跟随位置；
按照跟随机之间的邻接关系和各个目标跟随位置，逐个计算每个跟随机对应的一致性跟踪信息。
可选地，积分型滑模面建立模块603具体用于：
采用各个跟随机对应的飞行时间分别构建积分区间；
按照各个积分区间分别对各个一致性跟踪信息进行积分，得到积分信息；
采用各个目标跟随位置和各个跟随机分别对应的零时位置，结合积分信息建立积分型滑模面。
可选地，控制信息确定模块604包括：
一阶导数计算子模块，用于计算积分型滑模面对于时间的一阶导数；
第二和值计算子模块，用于计算一致性跟踪信息与一阶导数的第二和值；
控制信息生成子模块，用于计算第二和值与估计扰动值的差值，得到各个跟随机对应的控制信息。
可选地，一阶导数计算子模块具体用于：
计算各个跟随机对应的预设控制器对角矩阵与各个目标跟随位置对应的范数之间的增益乘值；
计算增益乘值与预设定值的和值，得到自适应滑模增益；
采用预设的符号函数确定积分型滑模面的符号值；
采用自适应滑模增益的负值和符号值，计算第一乘值；
采用积分型滑模面和预设的自适应参数，计算第二乘值；
计算第一乘值与第二乘值之间的差值，得到积分型滑模面对于时间的一阶导数。
可选地，装置还包括：反馈控制信息更新模块，用于当生成控制信息时，将反馈控制信息更新为控制信息；
历史控制信息更新模块，用于当飞控指令下发至对应的跟随机后，将历史控制信息更新为控制信息；
跳转循环模块，用于跳转执行计算控制信息与预设的历史控制信息之间的调控差值的步骤，直至调控差值的范数大于调控阈值。
本发明实施例还提供了一种电子设备，包括存储器及处理器，存储器中储存有计算机程序，计算机程序被处理器执行时，使得处理器执行如本发明任一实施例的基于自适应滑模的无人机编队控制方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如本发明任一实施例的基于自适应滑模的无人机编队控制方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于自适应滑模的无人机编队控制方法，其特征在于，所述无人机编队包括领航机和多个跟随机，所述方法包括：
当接收到队列编整信息时，获取所述领航机所处的初始领航位置和各个所述跟随机所处的初始跟随位置；
根据所述队列编整信息、所述初始领航位置和所述初始跟随位置，确定各个所述跟随机对应的一致性跟踪信息和估计扰动值；
基于所述一致性跟踪信息建立积分型滑模面；
根据所述积分型滑模面的一阶导数和所述估计扰动值，确定各个所述跟随机对应的控制信息；
计算所述控制信息与预设的历史控制信息之间的调控差值；
当所述调控差值的范数大于预设的调控阈值时，采用所述控制信息生成飞控指令并下发至对应的所述跟随机；
所述根据所述队列编整信息、所述初始领航位置和所述初始跟随位置，确定各个所述跟随机对应的一致性跟踪信息和估计扰动值的步骤，包括：
根据各个所述初始跟随位置结合预设的自适应增益和预设的反馈控制信息，确定各个所述跟随机对应的估计扰动值；
分别计算各个所述初始跟随位置与所述初始领航位置的位置差值；
分别计算各个所述位置差值与所述队列编整信息的第一和值作为各个所述跟随机对应的目标跟随位置；
按照所述跟随机之间的邻接关系和各个所述目标跟随位置，逐个计算每个所述跟随机对应的一致性跟踪信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述调控差值的范数小于或等于所述调控阈值时，采用所述历史控制信息持续生成飞控指令并下发至对应的所述跟随机。
3.根据权利要求1所述的方法，其特征在于，所述基于所述一致性跟踪信息建立积分型滑模面的步骤，包括：
采用各个所述跟随机对应的飞行时间分别构建积分区间；
按照各个所述积分区间分别对各个所述一致性跟踪信息进行积分，得到积分信息；
采用各个所述目标跟随位置和各个所述跟随机分别对应的零时位置，结合所述积分信息建立积分型滑模面。
4.根据权利要求1所述的方法，其特征在于，所述根据所述积分型滑模面的一阶导数和所述估计扰动值，确定各个所述跟随机对应的控制信息的步骤，包括：
计算所述积分型滑模面对于时间的一阶导数；
计算所述一致性跟踪信息与所述一阶导数的第二和值；
计算所述第二和值与所述估计扰动值的差值，得到各个所述跟随机对应的控制信息。
5.根据权利要求4所述的方法，其特征在于，所述计算所述积分型滑模面对于时间的一阶导数的步骤，包括：
计算各个所述跟随机对应的预设控制器对角矩阵与各个所述目标跟随位置对应的范数之间的增益乘值；
计算所述增益乘值与预设定值的和值，得到自适应滑模增益；
采用预设的符号函数确定所述积分型滑模面的符号值；
采用所述自适应滑模增益的负值和所述符号值，计算第一乘值；
采用所述积分型滑模面和预设的自适应参数，计算第二乘值；
计算所述第一乘值与所述第二乘值之间的差值，得到所述积分型滑模面对于时间的一阶导数。
6.根据权利要求1或3或4或5所述的方法，其特征在于，所述方法还包括：
当生成所述控制信息时，将所述反馈控制信息更新为所述控制信息；
当所述飞控指令下发至对应的所述跟随机后，将所述历史控制信息更新为所述控制信息；
跳转执行所述计算所述控制信息与预设的历史控制信息之间的调控差值的步骤，直至所述调控差值的范数大于所述调控阈值。
7.一种基于自适应滑模的无人机编队控制装置，其特征在于，所述无人机编队包括领航机和多个跟随机，所述装置包括：
位置获取模块，用于当接收到队列编整信息时，获取所述领航机所处的初始领航位置和各个所述跟随机所处的初始跟随位置；
扰动数据确定模块，用于根据所述队列编整信息、所述初始领航位置和所述初始跟随位置，确定各个所述跟随机对应的一致性跟踪信息和估计扰动值；
积分型滑模面建立模块，用于基于所述一致性跟踪信息建立积分型滑模面；
控制信息确定模块，用于根据所述积分型滑模面的一阶导数和所述估计扰动值，确定各个所述跟随机对应的控制信息；
调控差值计算模块，用于计算所述控制信息与预设的历史控制信息之间的调控差值；
飞控指令生成模块，用于当所述调控差值的范数大于预设的调控阈值时，采用所述控制信息生成飞控指令并下发至对应的所述跟随机；
所述扰动数据确定模块，具体用于：
根据各个所述初始跟随位置结合预设的自适应增益和预设的反馈控制信息，确定各个所述跟随机对应的估计扰动值；
分别计算各个所述初始跟随位置与所述初始领航位置的位置差值；
分别计算各个所述位置差值与所述队列编整信息的第一和值作为各个所述跟随机对应的目标跟随位置；
按照所述跟随机之间的邻接关系和各个所述目标跟随位置，逐个计算每个所述跟随机对应的一致性跟踪信息。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任一项所述的基于自适应滑模的无人机编队控制方法的步骤。
9.一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，所述计算机程序被执行时实现如权利要求1-6任一项所述的基于自适应滑模的无人机编队控制方法。
CN202210308613.6A 2022-03-28 2022-03-28 一种基于自适应滑模的无人机编队控制方法及相关装置 Active CN114489142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210308613.6A CN114489142B (zh) 2022-03-28 2022-03-28 一种基于自适应滑模的无人机编队控制方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210308613.6A CN114489142B (zh) 2022-03-28 2022-03-28 一种基于自适应滑模的无人机编队控制方法及相关装置

Publications (2)

Publication Number Publication Date
CN114489142A CN114489142A (zh) 2022-05-13
CN114489142B true CN114489142B (zh) 2022-07-12

Family

ID=81489158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210308613.6A Active CN114489142B (zh) 2022-03-28 2022-03-28 一种基于自适应滑模的无人机编队控制方法及相关装置

Country Status (1)

Country Link
CN (1) CN114489142B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947134B (zh) * 2019-04-30 2022-05-17 南京邮电大学 基于多无人机分布式控制的四旋翼无人机编队容错方法
CN111552184B (zh) * 2020-05-18 2022-08-05 杭州电子科技大学 一种全天候条件下的无人机-小车编队控制方法
CN112327926B (zh) * 2020-11-24 2023-07-21 南京工业大学 一种无人机编队的自适应滑模控制方法
CN112527015B (zh) * 2020-12-04 2023-05-05 广东工业大学 一种基于事件触发的消防无人机编队滑模控制方法
CN112947560B (zh) * 2021-02-07 2023-07-18 广东工业大学 未知扰动下的高层消防多无人机滑模跟踪控制方法及系统
CN113268064B (zh) * 2021-07-01 2022-09-27 黄山学院 一种考虑通信时延的多移动机器人协同编队控制方法

Also Published As

Publication number Publication date
CN114489142A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Hu et al. Distributed adaptive time-varying group formation tracking for multiagent systems with multiple leaders on directed graphs
Bechlioulis et al. Decentralized robust synchronization of unknown high order nonlinear multi-agent systems with prescribed transient and steady state performance
Baumann et al. Deep reinforcement learning for event-triggered control
Dutta et al. A decentralized formation and network connectivity tracking controller for multiple unmanned systems
CN110376900B (zh) 参数优化方法、终端设备以及计算机存储介质
CN114661069B (zh) 一种群体智能系统的编队控制方法
Gong et al. Necessary and sufficient conditions of formation-containment control of high-order multiagent systems with observer-type protocols
CN113900380A (zh) 一种异构集群系统鲁棒输出编队跟踪控制方法及系统
Shao et al. Distributed adaptive formation control for underactuated quadrotors with guaranteed performances
Conde et al. Time-varying formation controllers for unmanned aerial vehicles using deep reinforcement learning
Hu et al. Formation tracking for nonlinear multi-agent systems with input and output quantization via adaptive output feedback control
Abouheaf et al. Dynamic graphical games: online adaptive learning solutions using approximate dynamic programming
Shi et al. Distributed event-triggered consensus control for leaderless heterogeneous multiagent systems
CN114489142B (zh) 一种基于自适应滑模的无人机编队控制方法及相关装置
Scola et al. Limbic system-inspired performance-guaranteed control for nonlinear multi-agent systems with uncertainties
Li et al. Active disturbance rejection formation tracking control for uncertain nonlinear multi-agent systems with switching topology via dynamic event-triggered extended state observer
Vamvoudakis et al. Event-triggered H-infinity control for unknown continuous-time linear systems using Q-learning
DeVries et al. Kernel design and distributed, self-triggered control for coordination of autonomous multi-agent configurations
van Eekelen et al. Experimental validation of an event-triggered policy for remote sensing and control with performance guarantees
CN114265315A (zh) 异构线性集群系统时变输出编队跟踪控制方法及系统
Fernando et al. Co-Regulated Information Consensus with Delays for Multi-Agent UAS
Wang et al. Trajectory and Attitude Cooperative Formation Control for Air-Ground Collaborative Systems under Communication Faults
Toyota et al. Event-triggered formation control of a generalized multi-agent system
Xiong et al. Distributed coordination of heterogeneous multi-agent systems with output feedback control
Djamari et al. Scalable formation control of double integrator agents: A distributed observer approach

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