CN114637220A - 一种机器人操作系统应用验证的半实物测试系统与方法 - Google Patents
一种机器人操作系统应用验证的半实物测试系统与方法 Download PDFInfo
- Publication number
- CN114637220A CN114637220A CN202210107584.7A CN202210107584A CN114637220A CN 114637220 A CN114637220 A CN 114637220A CN 202210107584 A CN202210107584 A CN 202210107584A CN 114637220 A CN114637220 A CN 114637220A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- stress
- expected
- module
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012795 verification Methods 0.000 title claims abstract description 21
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims abstract description 55
- 230000001133 acceleration Effects 0.000 claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000013139 quantization Methods 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 42
- 238000004088 simulation Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 230000036541 health Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 230000035882 stress Effects 0.000 description 81
- 238000004891 communication Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 6
- 238000013031 physical testing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002023 wood Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种机器人操作系统应用验证的半实物测试系统与方法,包括GPS发射模块、状态监测模块、编队相似度计算模块、自主路径规划模块和效果评价模块。其中,GPS发射模块用于在室内环境模拟生成并发射GPS信号;状态监测模块用于监测各无人机的实测受力;编队相似度计算模块用于各无人机自主计算自身在编队中的期望目标位置;自主路径规划模块用于各无人机自主计算自身的期望控制加速度,并确定期望受力;效果评价模块用于排除各无人机硬件故障,并对机器人操作系统的功能和性能进行评价。本发明的应用可以减少大规模无人机搬运到外场试验频次,降低试验成本。
Description
技术领域
本发明涉及机器人操作系统的应用验证测试领域,具体涉及一种机器人操作系统应用验证的半实物测试系统与方法。
背景技术
机器人操作系统的功能是实现机器人的进程能接收、发布、聚合各种传感、控制、状态、规划等信息。现有的机器人操作系统面临的挑战有:多域异构资源管理,每一类机器人只能在特定环境中执行固定任务,难以建立机器人之间的互联互通,难以满足跨域协同的需求;复杂机器人的自主行为控制,受感知规划控制回路的影响,机器人在面对复杂环境,多变的任务时,其行为具有不确定性,机器人行为复杂多变。因此,研发群体智能机器人操作系统是必然趋势。
群体智能机器人操作系统研发的一个重要环节是开展实物测试应用验证,一种典型的应用是开展成百上千架固定翼或多旋翼无人机集群编队的协同控制飞行外场试验。搭载了机器人操作系统的无人机之间互联互通,通过无人机编队协同控制效果来评价机器人操作系统的功能和性能。但是,开展无人机编队协同控制的外场试验面临许多困难,比如,(1)大规模无人机的运输、布放和回收成本非常高;(2)现场调试准备阶段非常耗时,实际用于测试验证机器人操作系统的时间受限;(3)租赁飞行测试场地受天气、空域管控、运输距离等客观条件限制等。解决以上困难的一种可行方案是,可以在室内环境模拟外场无人机集群飞行,先期在室内开展预试验,及时排除发现尽可能多的无人机软硬件问题,避免频繁运输设备到外场开展试验。
目前,现有的无人机室内环境中测试方法、装置或系统,包括:半实物测试系统、飞控测试装置、动力系统测试台和风洞测试系统等。比如,专利1(授权号CN103838152B)公开了一种飞控测试装置及控制方法;专利2(申请号CN105083588A)公开了一种多旋翼无人飞行器性能测试平台及方法,该平台包括底座、立柱、顶架、性能测试仪器和计算处理中心等;专利3(申请号CN104990719A)公开了一种无人机试验台架系统,用于检测无人机在高温、低温和不同风速等情况下的飞行测试;专利4(授权号CN105784318B)公开了一种低速风洞模型飞行试验系统及方法;专利5(授权号CN105632271B)公开了一种低速风洞模型飞行试验地面模拟训练系统,可以逼真地模拟无人机模型在低速风洞六自由度无约束飞行的试验场景。
以上发明,虽然可以用于解决无人机的动态响应、推力测量、老化测试、组件性能测试等软硬件问题,为无人机的出厂设置与日常调试提供科学全面的数据支持,有着广泛灵活有效的应用。尤其是其中的静态或动态风洞试验,可以模拟无人机空中飞行运动环境,已经被用于研究飞行器的气动、飞行力学和飞行控制特性。但是,如果将这些发明应用于机器人操作系统的应用验证测试并对其评价,存在以下不足:
(1)现有测试系统或方法适用对象一般是单架无人机,成本昂贵,不适用于大规模无人机的试验,也不能直接用于无人机集群的协同控制有关的测试内容;
(2)现有测试系统或方法适用对象并未搭载机器人操作系统,没有给出量化指标来评价操作系统的功能和性能;
(3)现有测试系统或装置大多使用分离的各类仪器设备来测量收集数据,没有形成整体的方案与实施案例,测量数据不准确不全面,难以为固定翼或多旋翼无人机集群测试应用验证带来实质性的数据参考。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供一种机器人操作系统应用验证的半实物测试系统,所述测试系统布置于室内,包括:GPS发射模块、状态监测模块、编队相似度计算模块、自主路径规划模块和效果评价模块;
所述GPS发射模块用于:在室内环境模拟生成并发射GPS信号;所述室内环境包括:时间和空间;
每个状态监测模块对应一架被测无人机,所述状态监测模块用于:监测各被测无人机的实测受力;
所述编队相似度计算模块用于:各无人机自主计算在编队中的期望目标位置;
所述自主路径规划模块用于:各无人机采用自主路径规划算法自主计算从其被固定位置到达期望目标位置的路径,同时获得所需的期望控制加速度,并基于所述期望控制加速度确定各自的期望受力;
所述效果评价模块用于:基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机硬件故障,基于仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能;
所述仿真标准受力是指,效果评价模块通过仿真计算各无人机从被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩的统称。
优选的,所述状态监测模块安装于支撑底座的底部,包括:固定支撑部件、传感器和数据采集系统;
所述无人机固定于所述固定支撑部件的顶部;
所述传感器设置于所述固定支撑部件的底部;
所述数据采集系统与传感器连接;
所述传感器用于测量无人机的升力、推力和扭矩;
所述数据采集系统基于所述监测到的各被测无人机的升力、推力和扭矩,计算出各无人机的实际受力。
优选的,所述传感器为三轴力和力矩传感器。
优选的,所述编队相似度计算模块具体用于:各无人机基于编队相似性指标计算自身在编队中的期望目标位置;其中,所述的编队相似性指标采用的是Frobenius范数。
优选的,所述路径规划包括:基于莱维启发式搜索的Kinodynamic A*算法。
优选的,所述GPS发射模块安装于室内,其具体用于,通过数据模拟实现生成室内GPS信号,并在室内发射;无人机采用GPS定位时,无人机能够自主计算出自身在期望编队中的目标位置坐标。
优选的,所述系统还包括GPS转发器;所述GPS转发器由接收端和发射端组成;所述GPS转发器的接收端布放在室外,发射端布放在室内;所述GPS转发器用于接收室外GPS信号,并将室外GPS信号处理后发射到室内;所述GPS信号处理包括但不限于:GPS信号静态偏置和按照确定规律动态变化的处理方式。
优选的,所述固定支撑部件从下到上依次包括:支撑底座、连接杆、球面副和支架底板;所述连接杆竖直放置,连接杆的顶端与支架底板通过所述球面副连接;所述无人机固定于支架底板上;所述连接杆设置于支撑底座上;所述的支撑底座需要牢靠固定在地面上。
优选的,所述自主路径规划模块还用于:单架无人机基于所述其在被固定位置的期望控制加速度,来确定自身的控制指令。
优选的,所述计算出各无人机应当执行的推力、升力和扭矩包括:所述无人机执行自主飞行控制指令,获得升力和推进力,进而向所述支撑底座施加下述中的一种或多种反作用力:升力、推力和扭矩。
基于同一种发明构思,本发明还提供一种机器人操作系统应用验证的半实物测试方法,包括:
利用本发明提供的一种机器人操作系统应用验证的半实物测试系统执行:
步骤1:
基于期望目标位置,各无人机采用自主路径规划算法计算自身从被固定位置到达期望目标位置的期望控制加速度,并基于所述期望控制加速度确定自身的期望受力;
监测集群中各无人机在被固定位置的实测受力;
基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机的硬件故障;
步骤2:
效果评价模块通过仿真计算各无人机从被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩,统称为仿真标准受力;
监测集群中各无人机在被固定位置的实测受力;
基于所述仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能。
优选的,所述各无人机采用自主路径规划算法计算自身从被固定位置到达期望目标位置的期望控制加速度,包括:
基于室内地图,将室内空间映射到一个配置空间,将无人机抽象成点,并投影到所述配置空间中;
基于在室内模拟的GPS信号定位,确定下一个期望目标位置坐标;
无人机为了到达下一个期望目标位置,所搭载的机器人操作系统调用路径规划算法执行自主计算,得到其在被固定位置的期望控制加速度,并生成控制指令;
所述室内地图为无障碍地图,或者为包含静态障碍物的地图。
优选的,所述路径规划包括:
各无人机基于编队相似性指标自主计算自身在编队中的期望目标位置;从被固定位置飞行到达期望目标位置的路径规划,采用的路径规划算法是基于莱维启发式搜索的Kinodynamic A*算法。
优选的,所述基于莱维启发式搜索的Kinodynamic A*算法,包括:
各无人机从其被固定位置到达编队中的期望目标位置的总路径;所述总路径是由许多段局部路径首尾相连组成的。
优选的,所述各无人机从其被固定位置到达编队中的期望目标位置的总路径包括:
基于莱维启发式搜索方法对路径搜索计算,得到各个航点的多个候选加速度解;
根据无人机的动力学原理,基于候选加速度计算得到无人机在各航迹点的坐标;
基于各航迹点的坐标,构建目标损失函数迭代计算或基于采样搜索方式就得到一条长度最短的可行总路径。
优选的,所述候选加速度计算式为:
其中,L(s,λ)的计算式为:
式中,s0为最小步长。
优选的,所述编队相似性指标的表达式为:
优选的,所述基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机的硬件故障,包括:
将各无人机的期望受力向量作为输入向量,以最小量化误差为输出,对自组织特征映射模型进行训练得到第一个自组织特征映射模型;其中,所述最小量化误差为所述输入向量与最佳匹配单元之间的欧氏距离;
将实测受力向量带入预先训练的第一个自组织特征映射模型,得到最小量化误差曲线;
当所述最小量化误差变化曲线发生明显的阶梯或跳跃变化时,则说明所述集群中某一架或多架无人机发生了硬件故障,否则所述集群不存在发生硬件故障的无人机。
优选的,所述基于所述仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能,包括:
将各无人机的仿真标准受力向量作为输入向量,以最小量化误差为输出,对自组织特征映射模型进行训练得到第二个自组织特征映射模型;其中,所述最小量化误差为所述输入向量与最佳匹配单元之间的欧氏距离;
将所述实测受力向量带入预先训练的第二个自组织特征映射模型得到最小量化误差;
通过判断最小量化误差是否超过阈值,对机器人操作系统的性能评价。
优选的,所述自组织特征映射模型采用如下学习函数:
Wi(t+1)=Wi(t)-α(t)·hci(t)·(Fi(t)-Wi(t))
式中,t+1和t分别为两个相邻的运行周期,Wi为组织特征映射模型的第i个神经元的权值向量,Fi(t)为训练时输入向量,hci(t)为t运行周期获取邻近神经元的方式;a(t)为学习率,随着学习的进展而减小。
优选的,所述输入向量与最佳匹配单元之间的欧氏距离的计算表达式为:
Et=min||F(t)-BMU||2
式中,Et为第t运行周期时的最小量化误差,F(t)为第t运行周期时输入向量,BMU为最佳匹配单元。
与现有技术相比,本发明的有益效果为:
1、本发明的一种机器人操作系统应用验证的半实物测试系统与方法,由GPS发射模块、状态监测模块、编队相似度计算模块、自主路径规划模块和效果评价模块组成。其中,GPS发射模块用于在室内环境中生成并发射GPS信号;状态监测模块用于实现每架无人机通过其支撑底座安装的力传感器来其监测受力;编队相似度计算模块用于各无人机自主计算在编队中的期望目标位置;自主路径规划模块用于各无人机自主计算从其被固定位置到达期望目标位置的路径,同时获得所需的期望控制加速度,并基于所述期望控制加速度确定期望受力;效果评价模块基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机硬件故障,基于仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能;
2、本发明实现在室内环境中应用于验证或评价机器人操作系统的功能和性能,作为外场试验前的预试验,能够及时解决发现的各无人机潜在软硬件问题,减少搬运大规模无人机到外场的频次,有效降低外场试验成本;
3、利用本发明提供的技术方案构建了效果评价模块,单架无人机应用基于莱维启发式搜索的Kinodynamic A*算法进行路径规划算法和编队相似性指标,这些方法的应用可以更好地评价机器人操作系统系统用于集群控制的效果。基于莱维启发式搜索的Kinodynamic A*算法可以实现单架无人机高效的自主路径规划。编队相似性指标可以实现无人机集群编队的去中心化自组织协同控制。
附图说明
图1为本发明的机器人操作系统应用验证测试系统构成示意图;
图2为本发明的判断各无人机的硬件是否存在故障的测试方法流程图;
图3为本发明的机器人操作系统应用验证的半实物测试方法流程图;
图4为本发明的机器人操作系统功能与性能评价方法;
图5为实施例3的应用案例搭建的系统平台示意图;
图6为实施例3的应用案例判断无人机硬件的健康指标变化曲线;
图7为实施例3的应用案例机器人操作系统的性能评价指标变化曲线。
其中,1-安全防护网;2-工业风机;3-支撑底座;4-被测固定翼无人机,共有4架;5-效果评价模块;6-GPS发射模块;7-传感器数据采集卡;8-三维力和力矩传感器。
具体实施方式
本发明提供的一种机器人操作系统应用验证的半实物测试系统,硬件从功能上可以归为四类,分别为:
(1)测试工作站。其功能是运行地面站软件、效果评价模块、状态监测模块;
(2)无人机及固定支撑结构。各无人机自主运行编队相似度计算模块和路径规划模块软件;
(3)监测传感器和数据采集系统。输出数据被测试工作站接收。
(4)GPS发射模块。生成室内GPS信号。
本发明提供的一种机器人操作系统的功能和性能方法,其流程如下:
步骤1:给各无人机设置“保持编队队形的任务”,用于判断各无人机的硬件是否存在故障。
此时,效果评价模块的输入为各无人机的期望受力和实测受力,输出为健康指标,用于判断各无人机是否存在硬件故障。效果评价模块的运行载体是测试工作站。
集群中所有无人机将自身的期望受力数据发布到效果评价模块。在效果评价模块中,期望受力U1:t向量的行存储的是运行周期,列存储的是各无人机三维受力数据,每架无人机的三轴受力为一组,顺次存储。实测受力Ft向量与期望受力向量数据结构相同。
将一段运行周期1:t内,集群中所有无人机的期望受力U1:t组成向量作为训练数据,也称正样本,用于训练SOM的参数,这里采用的学习函数的表达式为:
Wi(t+1)=Wi(t)-α(t)·hci(t)·(Fi(t)-Wi(t))
式中,t+1和t分别为两个相邻的运行周期,Wi为SOM的第i个神经元的权值向量,Fi(t)为输入向量,hci(t)为t运行周期获取邻近神经元的方式。
测试时,SOM的输入为实测受力向量,输出为最小量化误差。最小量化误差定义为输入向量F(t)与最佳匹配单元(BMU)之间的欧氏距离,计算表达式为:
Et=min||F(t)-BMU||2
最小量化误差Et被作为健康指标用于判断是否有无人机硬件存在故障。
当最小量化误差变化曲线发生明显阶梯或跳跃变化时,则说明监测到有无人机发生了故障。
在排除无人机硬件,比如控制和执行系统,无故障的条件下,再开展机器人操作系统的功能和性能评价。
步骤2:给无人机集群中的各无人机设置“编队队形变换任务”,该任务用于评价机器人操作系统的功能和性能。
效果评价模块(运行在测试工作站)通过仿真计算各无人机从被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩,统称为仿真标准受力。
最小量化误差的计算方法同步骤1,区别在于训练模型参数的训练数据不同,此处采用的是仿真标准受力。测试时,SOM的输入为各无人机的实测受力,输出为机器人操作系统的功能和性能评价结果。比如,可以定义四种等级分别为:D1-高等,D2-警告,D3-中等,D4-低等。D的数值越高,机器人操作系统的性能越差。
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
本发明提供一种机器人操作系统应用验证的半实物测试系统,该测试系统布置于室内,如图1所示,包括:GPS发射模块、状态监测模块、编队相似度计算模块、自主路径规划模块和效果评价模块;
所述GPS发射模块用于:在室内模拟生成并发射GPS信号;所述室内环境包括:时间和空间;
每个状态监测模块对应一架被测无人机,所述状态监测模块用于:监测各被测无人机的实测受力;
编队相似度计算模块用于:各无人机自主计算在编队中的期望目标位置;
自主路径规划模块用于:各无人机采用自主路径规划算法计算从其被固定位置到达期望目标位置的路径,同时获得所需的期望控制加速度,并基于所述期望控制加速度确定期望受力;
所述效果评价模块用于:对机器人操作系统的功能和性能进行应用验证评价。
所述仿真标准受力是指,效果评价模块(运行在测试工作站)通过仿真计算各无人机从其被固定位置到达期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩的统称。
(1)GPS发射模块作用是,在室内时间和空间环境中生成并发射GPS信号。无人机获取室内GPS并进行导航定位。虽然无人机不在期望目标位置,但是无人机能做出朝向期望目标位置的飞行位姿动作。
为了解决室内没有GPS信号的问题,本发明在室内启动GPS发射模块。在室内生成GPS的方法有两种:
1)第一种方法是在室内布放GPS发射模块,模拟生成GPS信号,并在室内发射;
2)第二种方法是采用GPS转发器将室外GPS信号引入室内作为基础信号。GPS转发器由接收端和发射端组成;GPS转发器的接收端布放在室外,用于接收GPS;GPS转发器的发射端布放在室内,用于发射GPS。GPS转发器支持GPS+GLONASS+北斗的其中一种或几种组合,全方位多点经纬寻点。
第二种方法与现有GPS转发器区别在于,是在获得室外GPS信号基础上,对室外静态GPS信号处理,处理方法是偏置和叠加动态规律信号。
以上方法得到的室内GPS信号可以是静止的,也可以是确定规律动态变化的。
(2)状态监测模块的作用是,实现让每架无人机通过其支撑底座安装的力传感器来监测无人机的受力状态。
状态监测模块包括固定支撑部件、传感器和数据采集系统;
无人机固定于所述固定支撑部件的顶部;
传感器设置于所述固定支撑部件的底部;
传感器可以是三轴力和力矩传感器;数据采集系统与传感器连接;
传感器用于测量无人机的升力、推力和扭矩;
数据采集系统基于所述监测到的各被测无人机升力、推力和扭矩,计算出各无人机的实际受力。
固定支撑部件从下到上依次包括:支撑底座、连接杆、球面副和支架底板,竖直布置;所述连接杆的顶端与支架底板通过所述球面副连接;所述无人机固定于支架底板上,所述连接杆设置于支撑底座上。
(3)集群为了保持期望的编队队形,各自主无人机基于编队相似性指标来计算在编队中的期望目标位置;各无人机从其被固定位置到达编队中的期望目标位置,采用自主路径规划算法计算得到期望控制加速度,并基于所述期望控制加速度确定期望受力。
(4)效果评价模块的作用是,基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机硬件故障,基于仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能。
本发明不用考虑存通信延迟误差问题。GPS发射模块生成的是室内静态或慢变GPS信号,此时不用考虑通信延迟问题。状态监测模块采用的是常见的三轴力和力矩数据采集系统,现有的技术水平,延迟误差很小,不影响数据采集。无人机在感知、规划控制软件系统框架下实现自主飞行,现有的技术水平,通信延迟在几十或几百毫秒级,不影响本发明实施。
实施例2:
基于同一种发明构思,本发明还提供一种机器人操作系统应用验证的半实物测试方法,包括:
利用本发明提供的一种机器人操作系统应用验证的半实物测试系统执行:
步骤1,给各无人机设置“保持编队队形的任务”,用于判断各无人机的硬件是否存在故障;
步骤2,给无人机集群中的各无人机设置“编队队形变换任务”,该任务用于评价机器人操作系统的功能和性能。
步骤1,具体如图2所示,包括:
S1-1、基于期望目标位置,各无人机采用自主路径规划算法计算各自从被固定位置到达期望目标位置的期望控制加速度,并基于所述期望控制加速度确定期望受力;
S1-2、监测集群中各无人机在被固定位置的实测受力;
S1-3、基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机硬件故障。
步骤2,具体如图3所示,包括:
S2-1、效果评价模块(运行在测试工作站)通过仿真计算各无人机从其被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩,统称为仿真标准受力;
S2-2、监测集群中各无人机在被固定位置的实测受力;
S2-3、基于所述仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能。
其中,步骤S1-1具体包括:
基于室内地图,将室内空间映射到一个配置空间,将无人机抽象成点,并投影到所述配置空间中;
基于在室内模拟的GPS信号定位,确定下一个期望目标位置坐标;
各无人机为了到达下一个期望目标位置,所搭载的机器人操作系统调用路径规划算法执行计算,得到其在被固定位置的期望控制加速度,并生成控制指令;
所述室内地图为无障碍地图,或包含静态障碍物的地图。
本实施例的路径规划算法包括:
各无人机基于莱维启发式搜索的Kinodynamic A*算法,自主计算从被固定位置到达编队中期望目标位置的总路径;
这里,总路径是由许多段局部路径首尾相连组成的,其具体计算过程如下:
基于莱维启发式搜索方法对路径搜索计算,得到各个航点的多个候选加速度解;
根据无人机的动力学原理,基于候选加速度计算得到无人机在各航迹点的坐标;
基于各候选航迹点的坐标,采用目标损失函数迭代计算或者基于采样搜索方式就得到一条长度最短的可行总路径。
下面对本发明用到的算法进行具体介绍:
(一)为了提高无人机路径规划的效率,本发明基于莱维(Lévy)搜索启发的Kinodynamic A*算法。该方法与现有的A*类路径规划算法相比,路径搜索时间更短,适合快速飞行的固定翼无人机。
基于莱维启发式搜索的Kinodynamic A*算法,简称LIK-A*。该算法是将莱维随机搜索用于Kinodynamic A*算法的路径搜索过程。实现步骤为:
步骤1):将已知的无人机编队的飞行空间映射到一个配置空间C。
步骤3):利用公式(1)和(2)更新解,计算损失函数值。如果更新后的解优于上次迭代解,则将其作为当前解。
求解加速度解的数学表达式为:
步骤4):生成正态分布的随机数r∈(0,1),与阈值pa=[0,1]进行比较。如果r>pa,那么一些候选解将被更新,否则,原来的解就会被保留下来。
步骤5):计算当前的损失函数值,与前一步解的损失函数值进行比较,如果损失函数较小的解作为当前全局最优解。
(二)效果评价模块中的编队相似性评价。
编队相似性指标的作用是实现无人机集群的自组织协同控制,各无人机自主计算在编队中的期望目标位置。编队中的每一架无人机为了保持编队飞行,顺利躲避障碍物,利用机载电脑搭载的机器人操作系统调度运行编队控制算法自适应控制。
采用无向图G=(ν,ε)表示N架无人机构成的编队形状,其中ν={1,2,…,N}是一组顶点集合,是边集。图G的每条边都是关联的,非负数作为权重。在无向图G中,顶点i表示第i个无人机的位置向量。无向图的边eij表示无人机i和j之间的几何距离。
对于无向图矩阵,拉普拉斯算子包含关于图结构的信息。无向图G的邻接矩阵A和隶属度矩阵D,相应的拉普拉斯矩阵为:
L=D-A (4)
无向图G的对称正规化拉普拉斯矩阵定义为:
式中,I∈RN×N为单位矩阵。
采用Frobenius范数表征无人机编队相似性指标,表达式为:
(三)机器人操作系统的功能和性能评价。
机器人操作系统应用验证的半实物测试系统的硬件从功能上可以归为四类,分别为:
(1)测试工作站。其功能是运行地面站软件、效果评价模块、状态监测模块;
(2)无人机及固定支撑结构。各无人机自主运行编队相似度计算模块和自主路径规划模块;
(3)监测传感器和数据采集系统。输出数据被测试工作站接收。
(4)GPS发射模块。生成室内GPS信号。
如图4所示为机器人操作系统的功能和性能评价方法,具体流程如下:
步骤S1-3中基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机的硬件故障,包括:
给无人机集群中的各无人机设置“保持编队队形的任务”,用于判断各无人机的硬件是否存在故障。
此时,效果评价模块软件的输入为各无人机的期望受力和实测受力,输出为健康指标,用于排除各无人机硬件故障。
集群中所有无人机将自身的期望受力数据发布给效果评价模块。在效果评价模块中,期望受力U1:t向量的行存储的是运行周期,列存储的是各无人机三维受力数据,每架无人机的三轴受力为一组,顺次存储。实测受力Ft向量与期望受力向量数据结构相同。
将一段运行周期1:t内,集群中所有无人机的期望受力U1:t组成向量作为正样本,用于训练SOM参数,这里采用的学习函数的表达式为:
Wi(t+1)=Wi(t)-α(t)·hci(t)·(Fi(t)-Wi(t)) (7)
式中,t+1和t分别为两个相邻的运行周期,Wi为SOM的第i个神经元的权值向量,Fi(t)为输入向量,hci(t)为t运行周期获取邻近神经元的方式。
测试时,SOM的输入为实测受力向量,输出为最小量化误差。最小量化误差定义为输入向量F(t)与最佳匹配单元(BMU)之间的欧氏距离,计算表达式为:
Et=min||F(t)-BMU||2 (8)
最小量化误差Et被作为健康指标用于判断各无人机硬件是否存在故障。
当最小量化误差变化曲线发生明显阶梯或跳跃变化时,则说明监测到有无人机发生了故障。
在排除无人机控制和执行系统无故障的条件下,再评价机器人操作系统的功能和性能。
步骤S2-3中:基于所述仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能,包括:
给无人机集群中的各无人机设置“编队队形变换任务”,该任务用于评价机器人操作系统的功能和性能。
效果评价模块(运行在测试工作站)通过仿真计算各无人机从被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩,统称为仿真标准受力。最小量化误差的计算方法同步骤S1-3,区别在于训练SOM参数的正样本不同,此处采用的是仿真标准受力。
效果评价模块中的SOM的输入为各无人机的实测受力,输出为采用性能评价指标对机器人操作系统的功能和性能评价的结果。这里定义四种等级分别为:D1-高等,D2-警告,D3-中等,D4-低等。D的数值越高,机器人操作系统的性能越差。
实施例3:
本实施例采用具体的例子对发明提供的机器人操作系统应用验证的半实物测试系统与方法进行介绍。
对于无人机硬件故障、机器人操作系统软件界面的报错等肉眼容易判断的代码错误,本案例不做叙述讨论。
(一)室内半实物测试系统平台搭建。
如图5所示,在室内矩形区域搭建测试系统,设置区域长度、宽度和高度分别为8m、7m和2.4m。测试系统由GPS发射模块、状态监测模块、编队相似度计算模块、自主路径规划模块和效果评价模块组成。
本案例的实施对象是适配了机器人操作系统的4架固定翼无人机,编号分别记为UAV_1,UAV_2,UAV_3和UAV_4。无人机的主要技术指标为:翼展1.95m,机身长度1.287m,空机(无电池)重量小于1kg,最大起飞重量5kg,飞行速度8-20m/s,空载工作时间可达80分钟。每架无人机的主要零部件有:电机、电调、桨叶、电池、遥控器、PIXHAWK飞控、机载传感器。机载传感器包括加速度计/陀螺仪、磁强计、气压计、空速差压传感器。遥控器为2.4GHz,8通道软件,制式接收机,遥控距离大于500m。每架无人机安装了一套P900通信链路,用于无人机之间的通信。无人机均可以把自身的位姿信息打包成mavlink协议数据,通过P900传输给其他无人机。每架无人机获取其他无人机的位姿信息,利用编队相似性指标计算出自身在编队中的期望目标位置。虽然,各无人机期望飞行到自身的期望目标位置,但是,由于自身被固定而只能执行要飞行的动作。
本方案对所有固定翼无人机进行改造升级和软件适配,主要措施有:改装了无人机的内部结构;设计调整了整机的重心位置;内部走线布局重新设计;通过机加工木板材质的底座安装了机载电脑NVIDIA Jetson TX2、定制通信板、视觉传感器等;对无人机的软件,包括通信协议适配、数据采集、数据分发等软件功能开发。具体措施为:
(1)结构方面,升级关键部件的预留安装位置,比如机载电脑NVIDIA Jetson TX2、工业级通信板、通信转换器、分路降压模块、起落架、走线布局等;
(2)硬件方面,安装了机载电脑、工业级通信板、通信转接器、分路降压模块、信号调理模块等部件;
(3)软件方面,打通飞控与机载电脑之间的通信适配协议工具链,安装通信数据协议转换软件及其相关依赖工具链。
固定翼无人机执行起飞、巡航和降落等动作,均需要正向迎风面才能获得适当的浮力,否则易因风速与机速相同时浮力骤降,造成失速坠毁。但是,由于室内空间一般受限,不满足固定翼无人机飞行空间要求。为了解决该问题,将无人机机体牢靠固定在支撑底座上,利用工业风机产生风源,当产生的风速足够大时,无人机正面迎风时就会获得浮力,做出飞向期望目标位置的姿态和执行动作。
室内半实物测试系统平台还包括供电系统,用于给室内测试系统内的各个部件提供外部电源,各模块也可单独被供电。
无人机采用的支撑底座结构,底部安装了三轴力和力矩传感器,主要作用是采集无人机的三轴受力,构建数据采集系统。
工业风机的作用是给固定翼无人机提供正向迎风面,使无人机获得浮力。选择的工业风机输出风速为30m/s,满足固定翼无人机的最低飞行速度要求。
为了解决室内没有GPS信号的问题,在室内安装或布放GPS发射模块,地面站电脑模拟生成GPS信号并通过发射模块发射到室内。室内GPS信号是静止的。
(二)测试任务
设置无人机集群为菱形编队飞行。每架无人机可以通过通信链路把自身的位置和速度打包成mavlink数据,通过飞控TELEM2接口发送给其他无人机。其他无人机在接收到编队信息后进行解析。
各无人机可以根据编队相似性指标,自主计算在编队中的期望目标位置,并采用自主路径规划算法计算从其被固定位置到达期望目标位置的路径,同时获得所需的期望控制加速度,各无人机基于所述期望控制加速度确定期望受力,基于期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机硬件故障。
效果评价模块(运行在测试工作站)通过仿真计算各无人机从其被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩,统称所述仿真标准受力;基于仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能。
(三)测试步骤
1、准备阶段。
(1)搭建好测试系统,所有设备上电至稳定待机状态;
(2)按无人机编号UAV_1至UAV_4依次进行上电,每架无人机通电启动的间隔时间大于30秒,等待所有无人机进入稳定状态。
(3)每架无人机进入GPS稳定状态后,地面站(本案例采用的是QGroundControl软件)会语音报出每个无人机的模拟绝对海拔高度。当所有无人机的绝对海拔高度最小量化误差不超过3米时是正常状态,所有无人机的初始高度最小量化误差越小越好。
2、测试阶段。
(1)最后一架无人机通电之后3分钟,此时已经能够在地面站软件上看到所有无人机的状态数据,现在需要在地面站上检查无人机的数据状态,确保所有无人机状态正常。
(2)动力解锁上锁测试。使用遥控器逐个对所有无人机执行解锁上锁测试。所有无人机应能够正常解锁、上锁;
(3)逐个测试无人机的舵面位姿反馈和位姿操纵,确保manual和stablize下舵面响应全部正常,确认所有无人机能正常切换模式。
3、任务设置。
(1)每架无人机配备一台遥控器用于最高优先级保护,遥控器飞行模式可设置为mission。
(2)检查所有无人机的mission模式的航线和安全返航高度。注意所有无人机在mission模式时应预留足够的高度差。高度是无人机GPS接收到的虚拟值。UAV_1航线设置为55米高度,而且UAV_1的返航高度和飞行高度都设置成55米。UAV_2的mission航点高度设置为60米,返航高度和留待高度设置为60米。UAV_3机mission航点高度设置为65米,返航高度和留待高度设置为65米。UAV_4机mission航点高度设置为70米,返航高度和留待高度设置为70米。
4、编队飞行阶段,开展机器人操作系统的功能和性能评价。
UAV_2至UAV_4依次加入任务后,起飞阶段完成后进入编队飞行阶段。队形由UAV_1参数FORM_TYPE决定,设置为菱形队形。各无人机可以自主计算在编队中的期望目标位置,并采用自主路径规划算法计算从其被固定位置到达期望目标位置的路径,同时自身获得所需的期望控制加速度,并基于所述期望控制加速度确定期望受力。效果评价模块用于基于所述期望受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能。
(1)排除各无人机的硬件是否存在故障。
给各无人机设置“保持编队队形的任务”。此时,效果评价模块软件的输入为各无人机的期望受力和实测受力,输出为除各无人机的硬件是否存在故障。SOM的输入为实测受力向量,输出为最小量化误差。
当最小量化误差变化曲线发生明显的阶梯或跳跃变化时,则说明监测到集群中某一架或多架无人机发生了故障。
图6为判断无人机硬件是否存在故障的健康指标变化曲线,采用最小量化误差作为健康指标,没有大幅阶跃变化,并且变化范围非常小,说明无人机的硬件,比如飞控和执行机构,没有故障。
在排除无人机控制和执行系统无故障的条件下,再评价机器人操作系统的功能和性能。
(2)评价机器人操作系统的功能完整性。
如果软件功能不完整,各个无人机机载电脑界面有代码报错日志,并高亮提醒,开发人员是容易肉眼判断。
(3)评价机器人操作系统的性能等级。
给各无人机设置“编队队形变换任务”。效果评价模块(运行在测试工作站)通过计算各无人机从其被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩,统称为仿真标准受力。最小量化误差的计算方法同步骤1,区别在于训练SOM参数的正样本不同,此处采用的是仿真标准受力。效果评价模块中的SOM的输入为各无人机的实测受力,输出为采用性能评价指标对机器人操作系统的功能和性能评价的结果。此案中定义四种等级分别为:D1-高等,D2-警告,D3-中等,D4-低等。等级数值越高,说明机器人操作系统的性能越差。此处,取值D1=0.25,D2=0.5,D3=0.75,D4=1。
效果评价模块实时显示机器人操作系统的运行状态,在已知无人机状态良好的情况下,判断操作系统软件性能是否达标。最小量化误差作为性能评价指标,用于评价机器人操作系统应用层的算法计算结果错误、无人机之间的通信不稳定等不容易肉眼发现错误。最小量化误差值越大说明机器人操作系统软件运行错误,此时需要调试代码修复问题,直到期望受力与实测受力的最小量化误差在允许范围才能应用试验通过。
人为修改路径规划算法的输出结果,让无人机的实测受力偏离仿真标准受力,如图7所示的机器人操作系统的性能评价指标变化曲线,性能评价指标取值说明机器人操作系统的性能等级为D3,此时不满足外场试验的要求,需要继续调试优化机器人操作系统程序。
5:任务结束阶段。
编队任务结束后,从UAV_4先退出编队,再一次退出UAV_3和UAV_2无人机,UAV_1最后停机。
Claims (10)
1.一种机器人操作系统应用验证的半实物测试系统,其特征在于,所述测试系统布置于室内,包括:GPS发射模块、状态监测模块、编队相似度计算模块、自主路径规划模块和效果评价模块;
所述GPS发射模块用于:在室内环境模拟生成并发射GPS信号;所述室内环境包括:时间和空间;
每个状态监测模块对应一架被测无人机,所述状态监测模块用于:监测各被测无人机的实测受力;
所述编队相似度计算模块用于:各无人机自主计算在编队中的期望目标位置;
所述自主路径规划模块用于:各无人机采用自主路径规划算法自主计算从其被固定位置到达期望目标位置的路径,同时获得所需的期望控制加速度,并基于所述期望控制加速度确定期望受力;
所述效果评价模块用于:基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机硬件故障,基于仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能;
所述仿真标准受力是指,效果评价模块通过仿真计算各无人机从被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩的统称。
2.如权利要求1所述的系统,其特征在于,所述状态监测模块安装于支撑底座的底部,包括:固定支撑部件、传感器和数据采集系统;
所述无人机固定于所述固定支撑部件的顶部;
所述传感器设置于所述固定支撑部件的底部;
所述数据采集系统与传感器连接;
所述传感器用于测量无人机的升力、推力和扭矩;
所述数据采集系统基于所述监测到的各被测无人机升力、推力和扭矩大小,计算出各无人机的实际受力。
优选的,所述传感器为三轴力和力矩传感器。
3.如权利要求1所述的系统,其特征在于,所述编队相似度计算模块具体用于:各无人机基于编队相似性指标计算自身在编队中的期望目标位置;其中,所述编队相似性指标采用的是Frobenius范数。
优选的,所述路径规划包括:基于莱维启发式搜索的Kinodynamic A*算法。
优选的,所述GPS发射模块安装于室内,具体用于,通过数据模拟实现生成室内GPS信号,并在室内发射;无人机采用GPS定位时,无人机能够自主计算在期望编队中的目标位置坐标。
优选的,所述系统还包括GPS转发器;所述GPS转发器由接收端和发射端组成;所述GPS转发器的接收端布放在室外,发射端布放在室内;所述GPS转发器用于接收室外GPS信号,并将室外GPS信号处理后发射到室内;所述GPS信号处理包括但不限于:GPS信号静态偏置和按照确定规律动态变化的处理方式。
4.如权利要求2所述的系统,其特征在于,所述固定支撑部件从下到上依次包括:支撑底座、连接杆、球面副和支架底板;所述连接杆竖直放置,连接杆的顶端与支架底板通过所述球面副连接;所述无人机固定于支架底板上;所述连接杆设置于支撑底座上;所述的支撑底座需要牢靠固定在地面上。
5.如权利要求1所述的系统,其特征在于,所述自主路径规划模块还用于:单架无人机基于所述其在被固定位置的期望控制加速度,来确定自主飞行控制指令。
优选的,所述无人机执行自主飞行控制指令,获得升力和推进力,进而向所述支撑底座施加下述中的一种或多种反作用力:升力、推力和扭矩。
6.一种机器人操作系统应用验证的半实物测试方法,其特征在于,包括:
利用权利要求1至5任意项提供的一种机器人操作系统应用验证的半实物测试系统执行:
步骤1:
基于期望目标位置,各无人机采用自主路径规划算法计算自身从被固定位置到达期望目标位置的期望控制加速度,并基于所述期望控制加速度确定期望受力;
监测集群中各无人机在被固定位置的实测受力;
基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机的硬件故障;
步骤2:
效果评价模块通过仿真计算各无人机从被固定位置飞行到期望目标位置的路径,计算出各无人机应当执行的推力、升力和扭矩,统称为仿真标准受力;
监测集群中各无人机在被固定位置的实测受力;
基于所述仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能。
7.如权利要求6所述的方法,其特征在于,所述各无人机采用自主路径规划算法计算自身从被固定位置到达期望目标位置的期望控制加速度,包括:
基于室内地图,将室内空间映射到一个配置空间,将无人机抽象成点,并投影到所述配置空间中;
基于在室内模拟的GPS信号定位,确定下一个期望目标位置坐标;
无人机为了到达下一个期望目标位置,所搭载的机器人操作系统调用路径规划算法执行计算,得到其在被固定位置的期望控制加速度,并生成控制指令;
所述室内地图为无障碍地图,或包含静态障碍物的地图。
优选的,所述路径规划包括:
各无人机基于编队相似性指标自主计算自身在编队中的期望目标位置;从被固定位置飞行到达期望目标位置的路径规划,采用的路径规划算法是基于莱维启发式搜索的Kinodynamic A*算法。
优选的,所述基于莱维启发式搜索的Kinodynamic A*算法,包括:
各无人机从其被固定位置到达编队中的期望目标位置的总路径;所述总路径是由许多段局部路径首尾相连组成的。
优选的,所述各无人机从其被固定位置到达编队中的期望目标位置的总路径包括:
基于莱维启发式搜索方法对路径搜索计算,得到各个航点的多个候选加速度解;
根据无人机的动力学原理,基于候选加速度计算得到无人机在各航迹点的坐标;
基于各航迹点的坐标,构建目标损失函数迭代计算或基于采样搜索方式就得到一条长度最短的可行总路径。
优选的,所述候选加速度计算式为:
其中,L(s,λ)的计算式为:
式中,s0为最小步长。
优选的,所述编队相似性指标的表达式为:
8.如权利要求6所述的方法,其特征在于,所述基于所述期望受力与实测受力的最小量化误差作为健康指标,用于排除无人机的硬件故障,包括:
将各无人机的期望受力向量作为输入向量,以最小量化误差为输出,对自组织特征映射模型进行训练,得到第一个自组织特征映射模型;其中,所述最小量化误差为所述输入向量与最佳匹配单元之间的欧氏距离;
将实测受力向量带入预先训练的第一个自组织特征映射模型,得到最小量化误差曲线;
当所述最小量化误差变化曲线发生明显的阶梯或跳跃变化时,则说明所述集群中某一架或多架无人机发生了硬件故障,否则所述集群不存在发生硬件故障的无人机。
9.如权利要求6所述的方法,其特征在于,所述基于所述仿真标准受力与实测受力的最小量化误差作为性能评价指标,用于评价机器人操作系统的功能和性能,包括:
将各无人机的仿真标准受力向量作为输入向量,以最小量化误差为输出,对自组织特征映射模型进行训练得到第二个自组织特征映射模型;其中,所述最小量化误差为所述输入向量与最佳匹配单元之间的欧氏距离;
将所述实测受力向量带入预先训练的第二个自组织特征映射模型得到最小量化误差;
通过判断最小量化误差是否超过设定的阈值范围,对机器人操作系统的性能评价。
10.如权利要求8或9所述的方法,其特征在于,所述自组织特征映射模型采用如下学习函数:
Wi(t+1)=Wi(t)-α(t)·hci(t)·(Fi(t)-Wi(t))
式中,t+1和t分别为两个相邻的运行周期,Wi为自组织特征映射模型的第i个神经元的权值向量,Fi(t)为训练时输入向量,hci(t)为t运行周期获取邻近神经元的方式;a(t)为学习率,随着学习的进展而减小。
优选的,所述输入向量与最佳匹配单元之间的欧氏距离的计算表达式为:
Et=min||F(t)-BMU||2
式中,Et为第t运行周期时的最小量化误差,F(t)为第t运行周期时输入向量,BMU为最佳匹配单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107584.7A CN114637220A (zh) | 2022-01-28 | 2022-01-28 | 一种机器人操作系统应用验证的半实物测试系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107584.7A CN114637220A (zh) | 2022-01-28 | 2022-01-28 | 一种机器人操作系统应用验证的半实物测试系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114637220A true CN114637220A (zh) | 2022-06-17 |
Family
ID=81946782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210107584.7A Pending CN114637220A (zh) | 2022-01-28 | 2022-01-28 | 一种机器人操作系统应用验证的半实物测试系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637220A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687167A (zh) * | 2023-01-05 | 2023-02-03 | 军事科学院系统工程研究院网络信息研究所 | 一种群体智能操作系统的形式化验证方法及装置 |
CN117325186A (zh) * | 2023-11-30 | 2024-01-02 | 宁德思客琦智能装备有限公司 | 一种基于采样机械臂路径规划的方法及系统 |
-
2022
- 2022-01-28 CN CN202210107584.7A patent/CN114637220A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687167A (zh) * | 2023-01-05 | 2023-02-03 | 军事科学院系统工程研究院网络信息研究所 | 一种群体智能操作系统的形式化验证方法及装置 |
CN117325186A (zh) * | 2023-11-30 | 2024-01-02 | 宁德思客琦智能装备有限公司 | 一种基于采样机械臂路径规划的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114637220A (zh) | 一种机器人操作系统应用验证的半实物测试系统与方法 | |
Lu et al. | Real-time simulation system for UAV based on Matlab/Simulink | |
CN114063474A (zh) | 一种无人机集群的半物理仿真系统 | |
KR20150002626A (ko) | 테더 자이로글라이더 제어 시스템 | |
Chamoso et al. | Modeling oil-spill detection with multirotor systems based on multi-agent systems | |
CN114802640A (zh) | 无人艇测试系统及方法 | |
Ilarslan et al. | Avionics system design of a mini VTOL UAV | |
Antenucci et al. | A ROS based automatic control implementation for precision landing on slow moving platforms using a cooperative fleet of rotary-wing UAVs | |
Dantsker et al. | Electric propulsion system optimization for long-endurance and solar-powered unmanned aircraft | |
Mancini et al. | A framework for simulation and testing of uavs in cooperative scenarios | |
Hong et al. | Ground control station development for autonomous UAV | |
CN112987794A (zh) | 一种飞行集群模拟器 | |
Liu et al. | Mission capability estimation of multicopter uav for low-altitude remote sensing | |
Dantsker et al. | Propulsion System Design, Optimization, Simulation, and Testing for a Long-Endurance Solar-Powered Unmanned Aircraft | |
CN210072405U (zh) | 一种无人机协同控制验证平台 | |
Roldán et al. | Determining mission evolution through UAV telemetry by using decision trees | |
Wang et al. | An Embedded Instrument for Online Condition Monitoring of Unmanned and Autonomous Systems | |
Mora et al. | Flight performance assessment of land surveying trajectories for multiple UAV platforms | |
Zogopoulos-Papaliakos et al. | A fault diagnosis framework for mavlink-enabled uavs using structural analysis | |
CN111736487A (zh) | 一种旋翼无人机协同控制系统用的半实物仿真系统及方法 | |
Baião | Energy monitoring system for low-cost UAVs | |
Trainelli et al. | Development and testing of innovative solutions for helicopter in-flight noise monitoring and enhanced control based on rotor state measurements | |
RU2774479C1 (ru) | Способ идентификации и валидации математической модели динамики полета и системы управления беспилотных воздушных судов вертикального взлета и посадки (БВС ВВП) с использованием роботизированного стенда полунатурного моделирования | |
Ou et al. | Integrated flight dynamics modelling for unmanned aerial vehicles | |
Guerra et al. | Mobile ground control station development for fault tolerant UAV research |
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 |