CN114609930A - 网络环境下基于混合事件触发的无人机空地跟踪控制方法 - Google Patents
网络环境下基于混合事件触发的无人机空地跟踪控制方法 Download PDFInfo
- Publication number
- CN114609930A CN114609930A CN202210292527.0A CN202210292527A CN114609930A CN 114609930 A CN114609930 A CN 114609930A CN 202210292527 A CN202210292527 A CN 202210292527A CN 114609930 A CN114609930 A CN 114609930A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- matrix
- unmanned
- observer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 230000007246 mechanism Effects 0.000 claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000013461 design Methods 0.000 claims abstract description 20
- 230000003416 augmentation Effects 0.000 claims abstract description 18
- 239000002131 composite material Substances 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 239000000126 substance Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种网络环境下基于混合事件触发机制的无人机空地跟踪控制方法。通过将无人车的测量输出和外部输入作为传输信号并设计了一个切换条件,提出了一种新型的混合事件触发方案,实现了减少数据传输频率和保持理想跟踪性能之间良好的平衡。根据无人车的触发信号和无人机的测量输出,设计一个观测器来估计无人车和无人机的状态、无人车的外部输入和无人机的外部扰动。基于上述估计值,构建无人机复合抗干扰跟踪控制器,以消除干扰和有界地跟踪无人车,并且建立由估计误差和跟踪误差组成的增广系统。然后,推导增广系统地稳定性判据,以线性矩阵不等式的形式建立混合事件触发机制、观测器和跟踪控制器联合设计方案。
Description
技术领域
本发明属于控制技术领域,尤其涉及一种网络环境下基于混合事件触发的无人机空地跟踪控制方法。
背景技术
近年来,无人载具系统被广泛应用于军事和民用领域,它在许多危险、严苛和复杂的任务中发挥着重要的作用。例如,空中无人机可以用于目标监视和空中侦察,地面无人车可以用于地面巡逻和补给运输。虽然这两种类型的无人载具系统在各自的应用领域都有一定的局限性,但它们在监控、通信和引导等方面都能实现性能的互补。因此,为了提高工作效率和任务效果,人们提出了无人机与无人车空地协同的概念。
空地跟踪控制是空地协同的基础,许多复杂的任务都是基于理想的空地跟踪控制来完成的。在战场或生产活动等环境下,可以利用无人机对无人车进行跟踪,从而完成特定的跟踪控制目标。此外,空地跟踪控制中无人机和无人车之间的信息传输通常需要借助无线通讯网络来实现。因此,针对在非理想网络环境下的无人机空地跟踪控制方法进行研究,具有十分重要的理论意义和应用价值。
一般来说,常见的非理想网络环境的因素包括网络诱导时延、丢包、有限的通讯资源和网络攻击。从实际应用的角度出发,在数据通过网络传输的过程中,时延通常是无法避免的,它主要由计算时延、网络访问时延以及传输时延等组成。网络诱导时延的存在会对系统性能造成一定的影响,严重时甚至会使得系统失去稳定性。
在通讯网络进行数据通信的过程中,时间触发的传输方式经常导致网络堵塞和能量短缺等问题,因此能够有效地减少通讯压力的事件触发机制受到了持续的关注和研究。随着研究的深入,研究者们针对各种需求和场景,提出了各种各样的事件触发机制。例如,文献“E.Tian,C.Peng,Memory-Based Event-Triggering H∞ Load Frequency Controlfor Power Systems Under Deception Attacks,IEEE Transactions on Cybernetics,50(11):4610-4618,2020”提出了一种基于多个已触发信号的记忆事件触发机制,使得采样数据在系统状态响应的波峰和波谷处更容易被触发,从而缩短瞬态过程和提高控制性能。然而,我们从文献中还可以得到,当响应快速变化的时候,记忆事件触发机制反而会增加事件触发的数量。
因此,要实现网络环境下基于混合事件触发机制的无人机空地跟踪控制,所需要解决的技术难题在于:
(1)为了无人车和无人机之间通讯资源有限的问题,针对混合事件触发机制设计的问题,如何合理地实现常规事件触发和记忆事件触发的切换;
(2)在考虑外部干扰、状态不可测和传输时延的情况下,如何设计观测器和复合抗干扰控制器,保证估计误差和跟踪误差的稳定性。
发明内容
发明目的:针对实际应用场景和上述现有技术的不足,本发明提供了一种网络环境下基于混合事件触发机制的无人机空地跟踪控制方法。
技术方案:本发明的网络环境下基于混合事件触发的无人机空地跟踪控制方法,包括如下步骤:
步骤1、建立无人车和无人机基于状态空间的离散模型;
步骤2、根据混合事件触发的设计,建立无人车和无人机之间数据传输机制,并且基于触发信号在无人机一侧设计观测器,利用观测器对无人车的状态和输入信号以及无人机的状态和外部干扰进行估计;
步骤3、基于观测器的估计值,构建无人机复合抗干扰跟踪控制器设计,并且建立由估计误差和跟踪误差组成的增广系统;
步骤4、建立增广系统指数有界稳定性判别条件,得到混合事件触发机制、观测器和跟踪控制器的联合设计方案,并通过Matlab LMI工具箱求解可行性问题。
进一步地,步骤1中,所述无人车和无人机基于状态空间的离散模型分别为:
其中,xa(k)∈Rn×1表示无人车的平面位置向量,ua(k)∈Rp×1和r(k)∈Rq×1分别表示无人车的控制输入和给定的外部有界输入,ya(k)∈Rf×1表示无人机的测量输出; xb(k)∈Rv ×1表示无人机的平面位置状态向量,ub(k)∈Rs×1和yb(k)∈Rg×1分别表示无人机的控制输入和测量输出;d(k)∈Rw×1表示无人机的外部有界干扰;Aa,Ba,Br,Ca和 Ab,Bb,Bd,Cb为已知的具有适当维度的常数矩阵。
进一步地,外部输入r(k)和外部干扰d(k)是有界的,它们满足||r(k)||≤η1和 ||d(k)||≤η2,其中η1和η2为两个正常数;变化量Δr(k)=r(k+1)-r(k)和Δd(k)=d(k+1)-d(k)也是有界的,且满足||Δr(k)||≤η3和||Δd(k)||≤η4,其中η3和η4为两个正常数;对于无人车和无人机的模型参数,rank(Bb)=rank(Bb,Bd),并且存在矩阵 X1,X2,X3和S满足SAb+SBbX1=(Aa+BaX2)S和SBbX3=Br。
进一步地,无人车的控制器为ua=Kaya(k)=KaCaxa(k)。
进一步地,步骤2中,所述混合事件触发机制的设计为:
其中,σn-i(k)=θy(k)-θy(tn-i),δ1和δ2为给定的触发阈值,Ω1和Ω2为正定的加权参数矩阵,μi∈(0,1](i=0,…,m-1)为给定的权值参数,f(k)是用于决定事件触发机制选择的切换函数,同时,μi(i=0,…,m-1)的和为1,切换函数f(k)满足以下等式:
其中,α为给定的正常数。
进一步地,步骤2中,观测器的设计为:
进一步地,步骤3中,复合抗干扰跟踪控制器的设计为:
进一步地,步骤3中,在传输时延的影响下,由观测误差和跟踪误差组成的增广系统为:
其中,
进一步地,步骤4中,增广系统的指数有界稳定性判别条件为:
对于时延上界τM,正标量η1,η2,η3,η4,δ1,δ2,μi(i=0,…m-1)和矩阵Ka,Sb,Kb1,Kb2,如果存在正定矩阵P1,P2,P3,P4,Q,R1,R2,S,Ω1,Ω2和适当维度的矩阵T1,T2,T3,T4,使得如下矩阵不等式成立:
其中,
Σ1=[0,0,T1,-T1+T2,-T2,0,0,0,0,0],Σ2=[0,0,T3,-T3+T4,-T4,0,…,0],
Γ2=[P1E3Aθ,0,0,0,0,0,0,0,0,0],Γ3=[0,0,P2Aθ,-P2HθCθ,0,0,0,P2Hθ,P2E1,0],
Γ7=[P1E3Aθ,0,…,0],Γ8=[0,0,P2Aθ,-P2HθCθ,0,0,0,P2Hθ,0,…0,P2E1,0],
在混合事件触发机制、观测器和跟踪控制器作用下,增广系统是指数有界稳定的。
进一步地,步骤4中,混合事件触发机制、观测器和跟踪控制器的联合设计方案为:
对于时延上界τM,正标量η1,η2,η3,η4,δ1,δ2,μi(i=0,…m-1)和矩阵 Ka,Sb,Kb1,Kb2,G,如果存在正定矩阵P1,P2,P3,P4,Q,R1,R2,S,Ω1,Ω2,适当维度的矩阵 T1,T2,T3,T4和标量σ1>0,σ2>0,满足如下线性矩阵不等式:
Ψ2=[P1E3Aθ,0,0,0,0,0,0,0,0,0,0,0],Ψ3=[0,0,P2Aθ,-XCθ,0,0,0,X,P2E1,0,0,0],
Ψ7=[P1E3Aθ,0,…,0],Ψ8=[0,0,P2Aθ,-XCθ,0,0,0,X,0,…,0,P2E1,0,0,0],
有益效果:与现有技术相比,本发明具有如下显著优点:
(1)本发明将外部干扰、状态不可测和传输时延的影响综合考虑到无人机和无人车的空地跟踪控制问题中,更加具有现实意义和实际价值。
(2)本发明为了克服现有事件触发机制的缺点,利用常规事件触发机制和记忆事件触发机制进行切换的思想,提出了一种新型的混合事件触发机制,在降低传输频率和保持理想的跟踪性能之间取得了良好的平衡。
(3)本发明以线性矩阵不等式的形式给出了混合事件触发机制参数、观测器增益和控制器增益的联合设计方案,方案对于无人机系统输入矩阵没有列满秩的限制,具有较大的应用范围。
附图说明
图1为本发明实施例中的空地跟踪控制结构框图;
图2为空地跟踪控制的轨迹运动曲线;
图3为空地跟踪控制的X轴的位置坐标随时间变化的曲线;
图4为空地跟踪控制的Y轴的位置坐标随时间变化的曲线;
图5为混合事件触发机制的数据传输的瞬时和间隔;
图6为混合事件触发机制中切换函数的变化曲线。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明公开了一种网络环境下基于混合事件触发机制的无人机空地跟踪控制方法,包括以下具体步骤:
步骤1、建立无人车和无人机基于状态空间的离散模型。
在本发明的实施例中,只考虑了无人车在二维平面运动的情况,因此建立无人车的线性离散时间系统模型为:
其中,xa(k)=[xax(k),xay(k)]T∈R2×1表示无人车的平面位置向量,ua(k)∈R2×1和r(k)∈R2×1分别表示无人车的控制输入和给定的外部有界输入,ya(k)∈R2×1表示无人机的测量输出;Aa,Ba,Br和Ca为已知的具有适当维度的常数矩阵。
假设无人机处于近地悬停状态,则无人机的线性离散时间系统模型可以描述为:
其中,xb(k)=[xbx(k),vbx(k),xby(k),vby(k)]T∈R4×1表示无人机的位置状态向量,ub(k)∈R2×1和yb(k)∈R2×1分别表示无人机的控制输入和测量输出;d(k)∈Rw×1表示无人机的外部有界干扰;Ab,Bb,Bd和Cb为已知的具有适当维度的常数矩阵。
对于无人车和无人机的跟踪控制问题,无人机的姿态控制是跟踪控制的基础,但是本实施例主要针对非理想网络环境的不利影响,设计抗干扰跟踪控制方案。因此,这里合理地忽略了姿态控制的过程,只考虑无人车和无人机的平面位置控制。
假设1:对于外部有界输入r(k)和外部有界干扰d(k),它们满足||r(k)||≤η1和||d(k)||≤η2,其中η1和η2为两个正常数。同时,定义r(k+1)=r(k)+Δr(k)和 d(k+1)=d(k)+Δd(k),可以得到Δr(k)和Δd(k)也是有界的,且满足||Δr(k)||≤η3和 ||Δd(k)||≤η4,其中η3和η4为两个正常数。
假设2:对于无人车和无人机的模型参数,rank(Bb)=rank(Bb,Bd),并且存在矩阵X1,X2,X3和S满足SAb+SBbX1=(Aa+BaX2)S和SBbX3=Br。
由于无人车系统的状态是不可测的,为了保持无人车系统的稳定性,设计一个输出反馈控制器为:ua=Kaya(k)=KaCaxa(k)。将输出反馈控制器代入式(1)中,无人车系统可以重写为:
xa(k+1)=(Aa+BaKaCa)xa(k)+Brr(k). (3)
在外部输入r(k)有界的条件下,如果存在一个控制器增益Ka使得矩阵Aa+BaKaCa的所有特征值都在单位圆内,则系统(3)是有界稳定的。
步骤2、设计混合事件触发机制,建立无人车和无人机之间数据传输机制,并且基于触发信号在无人机一侧设计观测器,利用观测器对无人车的状态和输入信号以及无人机的状态和外部干扰进行估计。
数据传输机制考虑将由无人车的测量输出ya(k)和已知的外部输入r(k)组成的数据发送给无人机,因此定义θy(k)=[ya T(k),rT(k)]T为无人车向无人机传输的合成信号。假设θy(tn)为
最新发送的合成信号,{0,1,2,…,k,…}和{0,t1,t2,…,tn,…}分别表示采样时刻和触发时刻的序列。
基于常规事件触发机制和记忆事件触发机制的优点,通过结合上述两种事件触发机制,设计一种混合事件触发机制:
其中,σn-i(k)=θy(k)-θy(tn-i),δ1和δ2为给定的触发阈值,Ω1和Ω2为正定的加权参数矩阵,μi∈(0,1](i=0,…,m-1)为给定的权值参数,f(k)是用于决定事件触发机制选择的切换函数。同时,μi(i=0,…,m-1)的和为1,切换函数f(k)满足以下等式:
其中,α为给定的正常数。
通过合适设置常数α,当合成信号处于波峰或者波谷时f(k)<0,当合成信号快速变换时f(k)≥0。换句话说,混合事件触发机制能够在合成信号的波峰或者波谷处选择记忆事件触发,从而使得采样数据更容易触发。同时,混合事件触发机制也能够在合成信号快速变化的阶段选择常规事件触发,避免因采用记忆事件触发而导致的触发数量过度且无意义的增加。因此,混合事件触发机制充分利用了记忆事件触发机制的优点,并且有效地避开了记忆事件触发机制的缺点。
假设无人车和无人机之间通讯网络的传输时延为τn,且由于传输时延的存在,无人机会在时间点tn+τn接收到事件触发输出信号θy(tn),并且无人机一侧的观测器会在区间[tn+τn,tn+1+τn+1)内利用触发信号对无人车的状态和外部输入进行估计。在上述分析的基础上,记j=min{l|tn+l+τn≥tn+1+τn+1},并将区间[tn+τn,tn+1+τn+1)划分为如下子区间:
同时,定义如下函数:
为了估计不可测的状态xa(k),xb(k),外部输入r(k)和外部干扰d(k),并用于无人机抑制干扰和跟踪无人车,设计如下观测器:
其中,
步骤3、基于观测器的估计值,构建无人机复合抗干扰跟踪控制器设计,并且建立由估计误差和跟踪误差组成的增广系统。
定义跟踪误差为e(k)=Sbxb(k)-xa(k),并且进一步可以得到 e(k+1)=Sbxb(k+1)-xa(k+1)
=SbAbxb(k)+SbBbub(k)+SbBdd(k)-[(Aa+BaKaCa)xa(k)+Brr(k)]. (13)基于观测器(10),设计一个复合抗干扰跟踪控制器为:
步骤4、建立增广系统指数有界稳定性判别条件,得到混合事件触发机制、观测器和跟踪控制器的联合设计方案,并通过Matlab LMI工具箱求解可行性问题。
为了方便得到进一步的推导,给出如下的定义和引理:
定义1:对于增广系统(16),如果存在标量π>0,κ>0和0<ρ<1使得
则系统(16)是指数有界稳定的,其中,
ΔrT(k),ΔdT(k)]T
此外。定义一个增广向量为
ΔrT(k),ΔdT(k)]T.
引理1:对于任意的向量a,b∈Rn×1和矩阵N>0∈Rn×n,则如下不等式成立
2aTb≤aTNa+bTN-1b.
引理2:考虑Lyapunov函数V(ξk),如果存在标量λ≥0,μ>0,ν>0和0<ψ<1,使得
μ||ξk||2≤V(ξk)≤ν||ξk||2,
V(ξk+1)-V(ξk)≤λ-ψV(ξk),
则向量ξk满足
引理3:如果矩阵F(k)满足FT(k)F(k)≤I,则对于矩阵E,G和标量σ>0,使得 EF(k)G+GTFT(k)ET≤σEET+σ-1GTG.
引理4:对于任意矩阵A,以下两个不等式是等价的
(a)存在矩阵P>0满足
(b)存在矩阵Y和P>0满足
其中,Sym{Y}=Y+YT。
定理1:对于正标量τM,η1,η2,η3,η4,δ1,δ2,μi(i=0,…m-1)和由式(3)和假设2得到的矩阵Ka,Sb,Kb1,Kb2,如果存在正定矩阵P1,P2,P3,P4,Q,R1,R2,S,Ω1,Ω2和适当维度的矩阵T1,T2,T3,T4,使得如下矩阵不等式成立:
其中,
Σ1=[0,0,T1,-T1+T2,-T2,0,0,0,0,0],Σ2=[0,0,T3,-T3+T4,-T4,0,…,0],
Γ2=[P1E3Aθ,0,0,0,0,0,0,0,0,0],Γ3=[0,0,P2Aθ,-P2HθCθ,0,0,0,P2Hθ,P2E1,0],
Γ7=[P1E3Aθ,0,…,0],Γ8=[0,0,P2Aθ,-P2HθCθ,0,0,0,P2Hθ,0,…0,P2E1,0],
则在混合事件触发机制(4)、观测器(10)和跟踪控制器(14)作用下,增广系统(16)是指数有界稳定的。
V(k)=V1(k)+V2(k)+V3(k), (18)
其中,
对于V(k)和||ξ(k)||,存在两个标量λ1>0和λ2>0满足λ1||ξ(k)||2≤V(k)≤λ2||ξ(k)||2。接着,对V1(k),V2(k)和V3(k)进行差分处理,可以得到
对于任意具有适当维数的矩阵T1,T2,T3和T4,如下方程组成立
根据引理1,进一步可得
根据混合事件触发机制(9)和假设1,如下不等式成立
当f(k)≥0时,利用式(19)-(23),(26),(27),(30)和(31)可以推导出
当f(k)<0时,通过结合式(19)-(21),(24),(25),(28)-(31),可以得到
基于上述两种情况,由式(17)和舒尔补引理,可以确保Φ1<0和Φ2<0。通过定义标量0<β<min{λ2,-λmax(Φ1),-λmax(Φ2)},可得如下不等式
根据引理2,可以得到
||ξ(k)||2≤π+κ||ξ(0)||2ρ2,
针对非线性项S-1,P2Hθ,P3Hbd导致式(17)难以利用Matlab LMI工具箱求解的问题,定理2将解决耦合的问题,以得到混合事件触发机制、观测器和跟踪控制器联合设计的可行解。
定理2:对于正标量τM,η1,η2,η3,η4,e,δ1,δ2,μi(i=0,…m-1)和矩阵Ka,Sb,Kb1,Kb2,G,如果存在正定矩阵P1,P2,P3,P4,Q,R1,R2,S,Ω1,Ω2,适当维度的矩阵T1,T2,T3,T4和标量σ1>0,σ2>0,满足如下线性矩阵不等式:
Ψ2=[P1E3Aθ,0,0,0,0,0,0,0,0,0,0,0],Ψ3=[0,0,P2Aθ,-XCθ,0,0,0,X,P2E1,0,0,0],
Ψ7=[P1E3Aθ,0,…,0],Ψ8=[0,0,P2Aθ,-XCθ,0,0,0,X,0,…,0,P2E1,0,0,0],
证明:对于正定矩阵P2和S,存在标量e>0满足
-P2S-1P2≤-2eP2+e2S. (33)
定义如下耦合项为
接着,在Λ1左右同乘W1=diag(I42+w,P2,I2,I4,I6,I2),在Λ2左右同乘 W2=diag(I38+4m+w,P2,I2,I4,I6,I2)。通过将式(33)和(34)代入到W1Λ1W1和W2Λ2W2的表达式中,可以推导出如下两个不等式可以保证式(17)成立
其中,
θ1=0(58+w)×2,θ2=I2,θ3=I42+w,θ4=0(42+w)×18,
θ5=0(54+4m+w)×2,θ6=I2,θ7=I38+4m+w,θ8=0(38+4m+w)×18,
N1=[0,0,L-1JE3,0,0,-L-1JSbE4,L-1J,0,0,0,0,0],
N2=[0,0,L-1JE3,0,0,-L-1JSbE4,L-1J,0,…,0,0,0,0,0].
根据引理3,存在标量σ1>0和σ2>0,使得如下不等式成立
将式(36)和(37)代入式(35)中,并且采用舒尔补引理和引理4,可以得到
可以看出,上式中的项和式(32)中的线性矩阵不等式是相同的。因此,式(32)成立可以确保式(17)是成立的,即保证了闭环系统(16)的指数有界稳定性。证明完毕。
仿真验证:
设定重力加速度g=10m/s2和采样周期h=0.02s,考虑无人地面车和无人直升机模型参数为
由假设2,部分可以通过假设得到矩阵如下:
设定混合事件触发机制的参数m=3,μ1=0.7,μ2=0.2,μ3=0.1,δ1=0.01,δ2=0.007和时延上界τM=3,设置外部干扰为
通过求解定理2中的线性矩阵不等式,可得控制增益K、观测器增益H1,H2,H3,H4和混合事件触发参数矩阵Ω1,Ω2为
图2、图3和图4分别为空地跟踪控制的轨迹运动曲线和位置坐标随时间变化的曲线。由此可以得到,在外部干扰、状态不可测和传输时延的影响下,无人机和无人车能够实现有界的跟踪。此外,图5和图6分别展示了混合事件触发机制的数据传输瞬时和传输间隔和切换函数f(k)曲线。从图5可以看出,混合事件触发机制能够在信号的波峰或者波谷处选择记忆事件触发,在信号快速变化的阶段选择常规事件触发。同时,图6 也展示了切换函数在大于0和小于0之间变换的曲线。因此,图5和图6证明了混合事件触发机制能够有效地工作。
综合上述图片可以得到,本发明提出的网络环境下基于混合事件触发机制的无人机空地跟踪控制方法在考虑外部干扰、状态不可测和传输时延的情况下,能够实现无人机和无人车有界跟踪控制目标。
Claims (10)
1.一种网络环境下基于混合事件触发的无人机空地跟踪控制方法,其特征在于,包括如下步骤:
步骤1、建立无人车和无人机基于状态空间的离散模型;
步骤2、根据混合事件触发的设计,建立无人车和无人机之间数据传输机制,并且基于触发信号在无人机一侧设计观测器,利用观测器对无人车的状态和输入信号以及无人机的状态和外部干扰进行估计;
步骤3、基于观测器的估计值,构建无人机复合抗干扰跟踪控制器设计,并且建立由估计误差和跟踪误差组成的增广系统;
步骤4、建立增广系统指数有界稳定性判别条件,得到混合事件触发机制、观测器和跟踪控制器的联合设计方案,并通过Matlab LMI工具箱求解可行性问题。
3.根据权利要求2所述的网络环境下基于混合事件触发的无人机空地跟踪控制方法,其特征在于,外部输入r(k)和外部干扰d(k)是有界的,它们满足||r(k)||≤η1和||d(k)||≤η2,其中η1和η2为两个正常数;变化量Δr(k)=r(k+1)-r(k)和Δd(k)=d(k+1)-d(k)也是有界的,且满足||Δr(k)||≤η3和||Δd(k)||≤η4,其中η3和η4为两个正常数;对于无人车和无人机的模型参数,rank(Bb)=rank(Bb,Bd),并且存在矩阵X1,X2,X3和S满足SAb+SBbX1=(Aa+BaX2)S和SBbX3=Br。
4.根据权利要求2所述的网络环境下基于混合事件触发的无人机空地跟踪控制方法,其特征在于,无人车的控制器为ua=Kaya(k)=KaCaxa(k)。
9.根据权力要求1所述的网络环境下基于混合事件触发的无人机空地跟踪控制方法,其特征在于,步骤4中,增广系统的指数有界稳定性判别条件为:
对于时延上界τM,正标量η1,η2,η3,η4,δ1,δ2,μi(i=0,…m-1)和矩阵Ka,Sb,Kb1,Kb2,如果存在正定矩阵P1,P2,P3,P4,Q,R1,R2,S,Ω1,Ω2和适当维度的矩阵T1,T2,T3,T4,使得如下矩阵不等式成立:
其中,
Σ1=[0,0,T1,-T1+T2,-T2,0,0,0,0,0],Σ2=[0,0,T3,-T3+T4,-T4,0,…,0],
Γ2=[P1E3Aθ,0,0,0,0,0,0,0,0,0],Γ3=[0,0,P2Aθ,-P2HθCθ,0,0,0,P2Hθ,P2E1,0],
Γ7=[P1E3Aθ,0,…,0],Γ8=[0,0,P2Aθ,-P2HθCθ,0,0,0,P2Hθ,0,…0,P2E1,0],
在混合事件触发机制、观测器和跟踪控制器作用下,增广系统是指数有界稳定的。
10.根据权力要求9所述的网络环境下基于混合事件触发的无人机空地跟踪控制方法,其特征在于,混合事件触发机制、观测器和跟踪控制器的联合设计方案为:
对于时延上界τM,正标量η1,η2,η3,η4,δ1,δ2,μi(i=0,…m-1)和矩阵Ka,Sb,Kb1,Kb2,G,如果存在正定矩阵P1,P2,P3,P4,Q,R1,R2,S,Ω1,Ω2,适当维度的矩阵T1,T2,T3,T4和标量σ1>0,σ2>0,满足如下线性矩阵不等式:
Ψ2=[P1E3Aθ,0,0,0,0,0,0,0,0,0,0,0],Ψ3=[0,0,P2Aθ,-XCθ,0,0,0,X,P2E1,0,0,0],
Ψ7=[P1E3Aθ,0,…,0],Ψ8=[0,0,P2Aθ,-XCθ,0,0,0,X,0,…,0,P2E1,0,0,0],
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210292527.0A CN114609930A (zh) | 2022-03-24 | 2022-03-24 | 网络环境下基于混合事件触发的无人机空地跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210292527.0A CN114609930A (zh) | 2022-03-24 | 2022-03-24 | 网络环境下基于混合事件触发的无人机空地跟踪控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114609930A true CN114609930A (zh) | 2022-06-10 |
Family
ID=81865521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210292527.0A Pending CN114609930A (zh) | 2022-03-24 | 2022-03-24 | 网络环境下基于混合事件触发的无人机空地跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114609930A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590745A (zh) * | 2023-11-14 | 2024-02-23 | 江南大学 | 一种非线性间歇过程的二维复合模糊迭代学习控制方法 |
-
2022
- 2022-03-24 CN CN202210292527.0A patent/CN114609930A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590745A (zh) * | 2023-11-14 | 2024-02-23 | 江南大学 | 一种非线性间歇过程的二维复合模糊迭代学习控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522361B (zh) | 主-从模式的多无人机编队一致性控制方法 | |
Wang et al. | Distributed cooperative control for multiple quadrotor systems via dynamic surface control | |
CN110703795B (zh) | 一种基于切换拓扑的无人机群协同安全控制方法 | |
CN109189091B (zh) | 基于积分滑模与模型预测控制的多航天器协同控制方法 | |
CN114020042A (zh) | 一种异构无人集群编队合围跟踪控制方法及系统 | |
Yang et al. | Event-triggered finite-time formation control for multiple unmanned aerial vehicles with input saturation | |
Zhang et al. | A globally fixed-time solution of distributed formation control for multiple hypersonic gliding vehicles | |
CN112631335A (zh) | 一种基于事件触发的多四旋翼无人机固定事件编队方法 | |
CN116331518B (zh) | 一种基于安全自适应动态规划的星群智能编队避碰控制方法 | |
Dou et al. | Distributed finite‐time formation control for multiple quadrotors via local communications | |
CN114609930A (zh) | 网络环境下基于混合事件触发的无人机空地跟踪控制方法 | |
CN112947086A (zh) | 一种无人机和无人车组成的异构多智能体系统编队控制中执行器故障的自适应补偿方法 | |
Yu et al. | UIF-based cooperative tracking method for multi-agent systems with sensor faults | |
Liao et al. | Hybrid event-triggered tracking control for unmanned autonomous helicopter under disturbance and deception attacks | |
Hou et al. | Event-triggered integral sliding mode formation control for multiple quadrotor UAVs with unknown disturbances | |
Mu et al. | Memory-event-triggered consensus control for multi-UAV systems against deception attacks | |
Babazadeh et al. | Event-triggered surrounding adaptive control of nonlinear multi-agent systems | |
CN111596688B (zh) | 基于连续通信的多无人机编队一致性控制方法 | |
Luo et al. | Adaptive affine formation maneuver control of second-order multi-agent systems with disturbances | |
CN115167451A (zh) | 一种离散异构多自主体编队合围跟踪控制方法及系统 | |
CN113050697A (zh) | 基于时间Petri网的无人机群一致性协同控制方法 | |
Whitacre et al. | Cooperative estimation using mobile sensor nodes in the presence of communication loss | |
Enjiao et al. | Distributed cooperative guidance law for multiple flight vehicles of saturation attack | |
Lu et al. | Distributed multi-UAV cooperation for path planning by an NTVPSO-ADE algorithm | |
Guo et al. | Event-Triggered Adaptive Sliding Mode Attitude Containment Control for Microsatellite Cluster under Directed Graph |
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 |