CN114995521B - 多无人机分布式编队控制方法、装置及电子设备 - Google Patents
多无人机分布式编队控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114995521B CN114995521B CN202210941902.XA CN202210941902A CN114995521B CN 114995521 B CN114995521 B CN 114995521B CN 202210941902 A CN202210941902 A CN 202210941902A CN 114995521 B CN114995521 B CN 114995521B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- full
- aerial vehicle
- distributed
- formation
- 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
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000004891 communication Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000087 stabilizing effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 27
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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
本发明提供一种多无人机分布式编队控制方法、装置及电子设备,该方法涉及无人机技术领域,包括:建立无人机的动力学模型;对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。本发明提供的方法,实现了分布式编队控制器的设计,可以控制多无人机在有限时间内达成期望队形,为遂行协同任务提供支撑,使得分布式编队控制器的设计比较简单且容易实现。
Description
技术领域
本发明涉及无人机技术领域,尤其涉及一种多无人机分布式编队控制方法、装置及电子设备。
背景技术
近年来,随着微机电系统和无线通信技术的发展,无人机在情报搜集、监视、侦察,打击,电子对抗等军事领域和航拍、植保、地质监测、通信中继等民用领域都得到了广泛的应用。在军事电子对抗过程中,无人机代替人员执行“枯燥的、恶劣的和危险的”任务,能够在达成既定作战目标的同时实现“非接触、零伤亡”的战略目的。然而,受限于无人机载重较小,单架无人机的任务能力和适用范围会受到诸多方面的限制:1)一旦设备或载荷损坏无法继续执行任务;2)搭载传感器、设备数量有限无法胜任多样化复杂突发任务;3)受限于单个传感器能力,单机执行任务效率低下。
考虑到单无人机在遂行任务上的天然不足,采用多架无人机协同配合的方式开展任务被证明是行之有效的途径。与单无人机相比,多无人机可以通过搭载不同载荷及冗余设备,一方面可以提高任务执行的效率和可靠性,另一方面对复杂的突发任务具有更强的适应能力。多无人机以编队的形式遂行任务是多无人机协同的核心。
相关技术中,对多无人机的分布式编队控制方法将四旋翼编队控制问题分解为线运动编队控制和角运动跟踪控制两个子问题,分别针对两个子问题设计控制器,再通过反复调试参数使得两个子系统匹配。然而,相关技术中所使用的方法,使得多无人机的分布式编队控制器的设计变得比较复杂。
发明内容
本发明提供一种多无人机分布式编队控制方法、装置及电子设备,用以解决现有技术中多无人机的分布式编队控制器的设计变得比较复杂的缺陷,实现端到端的设计多无人机的分布式编队控制器,为遂行协同任务提供支撑,使得分布式编队控制器的设计比较简单且容易实现。
本发明提供一种多无人机分布式编队控制方法,包括:
建立无人机的动力学模型;
对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;
获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;
根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;
根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。
根据本发明提供的一种多无人机分布式编队控制方法,所述根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器,包括:
构造各所述全驱动子系统模型对应的分布式状态观测器,所述分布式状态观测器用于使多无人机中的跟随者无人机对领导者无人机在目标时间段内的状态进行估计;
基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的分布式编队控制器。
根据本发明提供的一种多无人机分布式编队控制方法,所述基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的分布式编队控制器,包括:
基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的编队控制误差;
基于各所述全驱动子系统模型对应的所述编队控制误差和所述分布式状态观测器,确定各所述全驱动子系统模型对应的误差动力学模型;
根据各所述全驱动子系统模型对应的误差动力学模型,确定各所述全驱动子系统模型对应的分布式编队控制器。
根据本发明提供的一种多无人机分布式编队控制方法,所述根据各所述全驱动子系统模型对应的误差动力学模型,确定各所述全驱动子系统模型对应的分布式编队控制器,包括:
构造滑模面,所述滑模面用于使误差动力学模型稳定;
根据各所述全驱动子系统模型对应的所述误差动力学模型和所述滑模面,确定各所述全驱动子系统模型对应的分布式编队控制器。
根据本发明提供的一种多无人机分布式编队控制方法,所述构造各所述全驱动子系统模型对应的分布式状态观测器,包括:
基于构建的拓扑图,构造各所述全驱动子系统模型对应的分布式状态观测器,所述拓扑图用于描述所述多无人机之间的通信拓扑关系。
根据本发明提供的一种多无人机分布式编队控制方法,所述基于微分平坦理论,对所述动力学模型进行转化,得到针对所述无人机的全驱动系统模型,包括:
基于微分平坦理论,对所述动力学模型进行转化,采用公式(1),得到针对所述无人机的全驱动系统模型;
其中,x、y和z分别表示无人机在惯性坐标系中的三维位置,,,,,,,,,表示无人机相对于
惯性坐标系的俯仰角,表示无人机相对于惯性坐标系的滚转角,表示合力加速度,
表示偏航角加速度,表示无人机相对于惯性坐标系的偏航角,g表示当地的重力加速度。
根据本发明提供的一种多无人机分布式编队控制方法,所述对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型,包括:
基于微分平坦理论,对所述动力学模型进行转化,得到针对所述无人机的全驱动系统模型;
根据所述全驱动系统模型,确定所述无人机在不同状态下对应的多个全驱动子系统模型。
本发明还提供一种多无人机分布式编队控制装置,包括:
建立模块,用于建立无人机的动力学模型;
转化模块,用于对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;
获取模块,用于获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;
确定模块,用于根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;
控制模块,用于根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。
本发明还提供一种电子设备,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如上述任一种所述多无人机分布式编队控制方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述多无人机分布式编队控制方法。
本发明提供的多无人机分布式编队控制方法、装置及电子设备,通过建立无人机的动力学模型,再对该动力学模型进行转化,得到针对无人机的多个全驱动子系统模型;获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量,根据期望队形向量确定各全驱动子系统模型对应的分布式编队控制器;根据确定的各分布式编队控制器,对多无人机进行分布式编队控制,实现了分布式编队控制器的设计,可以控制多无人机在有限时间内达成期望队形,为遂行协同任务提供支撑,使得分布式编队控制器的设计比较简单且容易实现。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的多无人机分布式编队控制方法的流程示意图之一;
图2是本发明提供的四旋翼无人机的架构图;
图3是本发明提供的多无人机的期望队形示意图;
图4是本发明提供的多无人机分布式编队控制方法的流程示意图之二;
图5是本发明提供的多无人机分布式编队控制装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,通过一些实施例及其应用场景对本发明提供的多无人机分布式编队控制方法进行详细地说明。
本发明提供一种多无人机分布式编队控制方法,该多无人机分布式编队控制方法适用于多无人机的控制场景中,通过建立无人机的动力学模型;对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。本发明提供的方法,通过多个全驱动子系统模型实现了分布式编队控制器的设计,可以控制多无人机在有限时间内达成期望队形,为遂行协同任务提供支撑,使得分布式编队控制器的设计比较简单且容易实现。
下面结合图1-图4描述本发明的多无人机分布式编队控制方法。
图1是本发明提供的多无人机分布式编队控制方法的流程示意图之一,如图1所示,该方法包括步骤101-步骤105,其中:
步骤101,建立无人机的动力学模型。
需要说明的是,本发明提供的多无人机分布式编队控制方法适用于多无人机的控制场景中。该方法的执行主体可以为多无人机分布式编队控制装置,例如电子设备、或者该多无人机分布式编队控制装置中的用于执行多无人机分布式编队控制方法的控制模块。
具体地,以多四旋翼无人机的分布式编队控制为例,图2是本发明提供的四旋翼无
人机的架构图,如图2所示,表示惯性坐标系,表示四旋翼无人机的
机体坐标系,令表示四旋翼无人机在惯性坐标系中的三维位置,表示
四旋翼无人机相对于惯性坐标系的滚转角、俯仰角和偏航角。
假设无人机为刚体,具有确定的结构和气动参数,其中,气动参数可以为阻力系数,也可以为升力系数。根据牛顿第二定律,可以为四旋翼无人机构建动力学模型,采用如下公式(2)表示:
其中,表示由四旋翼无人机的四个螺旋桨的拉力确定的控制
输入,表示合力加速度,表示滚转角加速度,表示俯仰角加速度,表示偏航角
加速度,表示四旋翼无人机相对于惯性坐标系的滚转角,表示四旋翼无人机相对于惯
性坐标系的俯仰角,表示四旋翼无人机相对于惯性坐标系的偏航角,g表示当地的重力
加速度。
根据上述公式(2)可以看出,该四旋翼无人机的动力学模型的输入包括四个控制输入,输出包括六个自由度,即四旋翼无人机具有六个自由度,但只有四个控制输入,因此,四旋翼无人机的动力学模型为典型的欠驱动系统。
步骤102,对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型。
具体地,通过对动力学模型进行转化,可以得到针对无人机的多个全驱动子系统模型。
步骤103,获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量。
需要说明的是,根据多个全驱动子系统模型,采用领导者无人机-跟随者无人机编队控制框架,可以建立多无人机编队控制问题数学模型,根据多无人机编队控制问题数学模型,获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;也可以通过预先设计多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量,在实际的控制过程中,直接获取该期望队形向量。
其中,t表示第t时刻,表示有限时间,表示跟随者无人机在
惯性坐标系中的三维位置,表示领导者无人机在惯性坐标系中的三维
位置,表示领导者无人机指向跟随者无人机的期望队形向量,表
示跟随者无人机相对于惯性坐标系的偏航角,表示领导者无人机相对于惯性坐标系
的偏航角,。
图3是本发明提供的多无人机的期望队形示意图,如图3所示,总共包括领导者无
人机0(Quadrotor 0)、跟随者无人机1(Quadrotor 1)、跟随者无人机2(Quadrotor 2)、跟随
者无人机3(Quadrotor 3)和跟随者无人机4(Quadrotor 4)等5个无人机,其中,领导者无人
机0指向跟随者无人机1的期望队形向量为,领导者无人机0指向跟随者
无人机2的期望队形向量为,领导者无人机0指向跟随者无人机3的期
望队形向量为,领导者无人机0指向跟随者无人机4的期望队形向量为。
步骤104,根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器。
具体地,根据领导者无人机在目标时间段内指向跟随者无人机的期望队形向量,可以确定各全驱动子系统模型对应的分布式编队控制器。
步骤105,根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。
具体地,根据确定的各分布式编队控制器,可以对多无人机进行分布式编队控制,实现多无人机在有限时间内达成期望队形。
本发明提供的多无人机分布式编队控制方法,通过建立无人机的动力学模型,再对该动力学模型进行转化,得到针对无人机的多个全驱动子系统模型;获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量,根据期望队形向量确定各全驱动子系统模型对应的分布式编队控制器;根据确定的各分布式编队控制器,对多无人机进行分布式编队控制,实现了分布式编队控制器的设计,可以控制多无人机在有限时间内达成期望队形,为遂行协同任务提供支撑,使得分布式编队控制器的设计比较简单且容易实现。
可选地,上述步骤102的具体实现方式包括以下步骤:
步骤1)基于微分平坦理论,对所述动力学模型进行转化,得到针对所述无人机的全驱动系统模型。
具体地,由于动力学模型是欠驱动系统,因此基于微分平坦理论,对动力学模型进行转化,可以得到针对无人机的全驱动系统模型。
可选地,上述步骤1)的具体实现方式包括:
基于微分平坦理论,对所述动力学模型进行转化,采用公式(1),得到针对所述无人机的全驱动系统模型;
其中,x、y和z分别表示无人机在惯性坐标系中的三维位置,,,,,,,,,表示无人机相对
于惯性坐标系的俯仰角,表示无人机相对于惯性坐标系的滚转角,表示合力加速度,表示偏航角加速度,表示无人机相对于惯性坐标系的偏航角,g表示当地的重力加速
度。
步骤2)根据所述全驱动系统模型,确定所述无人机在不同状态下对应的多个全驱动子系统模型。
具体地,以领导者无人机-跟随者无人机的编队控制框架为例,假设有N+1架四旋
翼无人机参与编队,令表示第i架无人机在惯性坐标系下的三维位
置和偏航角,,其中,下标0表示领导者无人机,下标表示跟随者无
人机。根据上述公式(1)表示的全驱动系统模型,将领导者无人机动力学可以分为如下四个
独立全驱动子系统模型,采用如下公式(4)表示:
同理,可以将跟随者者无人机动力学可以分为如下四个独立全驱动子系统模型,采用如下公式(5)表示:
本发明提供的多无人机分布式编队控制方法,通过基于微分平坦理论,对动力学模型进行转化,得到针对无人机的全驱动系统模型,实现了无人机由欠驱动的动力学模型转化为全驱动系统模型,有助于后续分布式编队控制器的设计,进而可以直接根据全驱动系统模型进行分布式编队控制器的设计,使得分布式编队控制器的设计比较简单且容易实现。
图4是本发明提供的虚拟医疗会诊中虚拟形象的驱动方法的流程示意图之二,如图4所示,该方法包括步骤401-步骤405,其中:
步骤401,建立无人机的动力学模型。
步骤402,对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型。
步骤403,获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量。
可选地,关于步骤401-403的说明和解释,可以参照上述针对步骤101-103的说明和解释,且能达到相同的技术效果,为避免重复,这里不再赘述。
步骤404,构造各所述全驱动子系统模型对应的分布式状态观测器,所述分布式状态观测器用于使多无人机中的跟随者无人机对领导者无人机在目标时间段内的状态进行估计。
具体地,可以根据各全驱动子系统模型,构造各全驱动子系统模型对应的分布式状态观测器,其中,分布式状态观测器用于使多无人机中的跟随者无人机对领导者无人机在目标时间段内的状态进行估计。
步骤405,基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的分布式编队控制器。
具体地,可以根据各全驱动子系统模型对应的估计值和期望队形向量,进一步确定各全驱动子系统模型对应的分布式编队控制器。
步骤406,根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。
可选地,关于步骤406的说明和解释,可以参照上述针对步骤105的说明和解释,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明提供的多无人机分布式编队控制方法,通过构造各全驱动子系统模型对应的分布式状态观测器,分布式状态观测器用于使多无人机中的跟随者无人机对领导者无人机在目标时间段内的状态进行估计;基于各全驱动子系统模型对应的估计值和期望队形向量,确定各全驱动子系统模型对应的分布式编队控制器,通过跟随者无人机对领导者无人机在目标时间段内的状态的估计值和期望队形向量,实现了分布式编队控制器的设计,可以使得跟随者无人机在目标时间段内与领导者无人机保持期望的队形,从而使得分布式编队控制器的设计比较简单且容易实现。
可选地,上述步骤404的具体实现方式包括以下步骤:
基于构建的拓扑图,构造各所述全驱动子系统模型对应的分布式状态观测器,所述拓扑图用于描述所述多无人机之间的通信拓扑关系。
具体地,分布式编队中的无人机仅通过和其相邻的无人机之间进行通信,从而获取局部信息实现控制。为描述无人机之间的通信关系,采用图论构建多无人机之间通信网络的拓扑图。
图5本发明提供的多无人机之间通信网络的拓扑图,如图5所示,以5架无人机编队
为例,假设无人机构成图,其中,V表示由无人机构成
的节点集合,为边集合。若无人机和无人机可以通信,则为图
中的一条边。令表示图的邻接矩阵,其中,若则;否则。进一步可定义图的拉普拉斯矩阵
,采用如下公式(6)表示:
在领导者无人机-跟随者无人机的编队框架中,领导者无人机通常仅负责引导整
个编队的运动方向,无需获得跟随者无人机的任何信息,而跟随者无人机主要负责形成队
形并保持期望队形,因而至少一个跟随者无人机需要获取领导者无人机的信息。通过上述
分析,图的拉普拉斯矩阵可以如下分块形式,采用如下公式(7)表示:
1、x或y方向
由于x和y方向对应的全驱动子系统模型具有完全一致的结构,因此,仅以x方向对
分布式状态观测器进行说明。令表示跟随者无人机对领导者无人机的状态的估计值,,可以为跟随者无人机构造分布式状态观测
器,采用如下公式(8)表示:
其中,,表示局部
误差,表示跟随者无人机与跟随者无人机之间通信,表示跟随者无人机与领导者
无人机之间的通信,表示跟随者无人机i对领导者无人机状态的估计值,表示跟随者
无人机j对领导者无人机状态的估计值,表示领导者状态的真实值。和为大于零
的待设计观测器参数,和为正奇数且取值满足,表示对上界的
估计,并由自适应控制律获得,自适应控制律采用如下公式(9)表示:
需要说明的,将上述公式(8)-公式(12)中的x替换为y,即可以实现在y方向上的分布式状态观测器的设计。
由于z或方向对应的全驱动子系统模型具有完全一致的结构,因此,仅以z方向
对分布式状态观测器进行说明。令表示跟随者无人机对领导者无人机的状态的估计,则有限时间分布式状态观测器可以采用如下公式(13)表示:
其中,,
表示局部观测误差,表示跟随者无人机与跟随者无人机之间通信,表示跟随者无
人机与领导者无人机之间的通信,表示跟随者无人机i对领导者无人机状态的估计值,表示跟随者无人机j对领导者无人机状态的估计值,表示领导者状态的真实值,和为大于零的待设计观测器参数,和为正奇数且取值满足。
根据上述的描述,实现了所有跟随者无人机对领导者无人机的状态的分布式估计。
本发明提供的多无人机分布式编队控制方法,通过根据构建的拓扑图,构造各全驱动子系统模型对应的分布式状态观测器,拓扑图用于描述多无人机之间的通信拓扑关系,通过分布式状态观测器实现所有跟随者无人机对领导者无人机的状态的分布式估计,使得所有跟随者无人机与领导者无人机保持期望的队形,从而使得跟随者无人机能够在目标时间段内以较快的速度与领导者无人机之间编成期望的队形,进而使得分布式编队控制器的设计比较简单且容易实现。
可选地,上述步骤405的具体实现方式包括以下步骤:
步骤1)基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的编队控制误差。
1、x或y方向
由于x和y方向对应的全驱动子系统模型具有完全一致的结构,因此,仅以x方向对编队控制误差进行说明。具体地,根据各全驱动子系统模型对应的估计值和期望队形向量,可以定义编队控制误差,采用如下公式(14)表示:
需要说明的,将上述公式(14)中的x替换为y,即可以实现在y方向上的编队控制误差的设计。
步骤2)基于各所述全驱动子系统模型对应的所述编队控制误差和所述分布式状态观测器,确定各所述全驱动子系统模型对应的误差动力学模型。
1、x或y方向
由于x和y方向对应的全驱动子系统模型具有完全一致的结构,因此,仅以x方向对误差动力学模型进行说明。具体地,x方向的误差动力学模型采用如下公式(16)表示:
需要说明的是,将上述公式(16)中的x替换为y,即可以实现在y方向上的误差动力学模型的设计。
步骤3)根据各所述全驱动子系统模型对应的误差动力学模型,确定各所述全驱动子系统模型对应的分布式编队控制器。
具体地,可以根据各全驱动子系统模型对应的误差动力学模型,确定各全驱动子系统模型对应的分布式编队控制器。
本发明提供的多无人机分布式编队控制方法,通过基于各全驱动子系统模型对应的估计值和期望队形向量,确定各全驱动子系统模型对应的编队控制误差;基于各全驱动子系统模型对应的编队控制误差和分布式状态观测器,确定各全驱动子系统模型对应的误差动力学模型;根据各全驱动子系统模型对应的误差动力学模型,确定各全驱动子系统模型对应的分布式编队控制器,通过编队控制误差和分布式状态观测器的设计,可以确定误差动力学模型,使得跟随者无人机与领导者无人机之间的队形在误差范围之内,从而使得跟随者无人机能够在目标时间段内以较快的速度与领导者无人机之间编成期望的队形,进而使得分布式编队控制器的设计比较简单且容易实现。
可选地,上述步骤3)的具体实现方式包括以下步骤:
步骤3-1)构造滑模面,所述滑模面用于使误差动力学模型稳定。
1、x或y方向
由于x和y方向对应的全驱动子系统模型具有完全一致的结构,因此,仅以x方向对滑模面进行说明。具体地,x方向的滑模面可以采用如下公式(18)表示:
需要说明的是,将上述公式(18)中的x替换为y,即可以实现在y方向上的滑膜面的设计。
步骤3-2)根据各所述全驱动子系统模型对应的所述误差动力学模型和所述滑模面,确定各所述全驱动子系统模型对应的分布式编队控制器。
1、x或y方向
由于x和y方向对应的全驱动子系统模型具有完全一致的结构,因此,仅以x方向对分布式编队控制器进行说明。具体地,x方向的分布式编队控制器可以采用如下公式(20)表示:
从而可以得到如下公式(25):
上述公式(25)表明实现了多无人机在x方向上有限时间分布式编队控制。
需要说明的是,将上述公式(25)中的x替换为y,即可以得到y方向上有限时间分布式编队控制器。
本发明提供的多无人机分布式编队控制方法,通过构造滑模面,滑模面用于使误差动力学模型稳定;根据各全驱动子系统模型对应的误差动力学模型和滑模面,确定各全驱动子系统模型对应的分布式编队控制器,实现了分布式编队控制器的设计,使得分布式编队控制器的设计比较简单且容易实现,同时,分布式编队控制器可以使得多无人机在有限时间内达成期望的编队构型,从而使得多无人机编队具备遂行有严格时序约束的多阶段任务的能力。
需要说明的是,本发明提供的多无人机分布式编队控制方法适用于包括但不局限于以下应用场景,其中:
1)协同搬运。随着电子商务的井喷式发展,快递物流网络的配送能力逐渐出现瓶颈,特别是在末端配送环节。为了提高末端配送的效率,同时,降低人力成本,基于无人机的末端快递配送是物流配送的趋势之一。然而,客户需要快递送货上门的一大品类是体积较大的包裹,单一无人机由于尺寸和承载能力的限制,无法满足客户对较大体积的包裹送货上门的服务需求。因此,可以采用本发明提供的方法,根据大件包裹的尺寸和重量,合理规划多无人机的数量和队形,从而以多无人机协同编队的形式完成较大体积的包裹的末端配送。
2)协同搜索。在武装冲突中,情报、监视、侦察(ISR)是拨开战争迷雾,获取敌方态势,并为我方遂行作战计划提供有力支撑的重要手段,而对作战任务区域的搜索则是实现ISR的前提。采用本发明提供的方法,可以形成多无人机的编队,实现对任务区域的搜索,可以通过搭载多个传感器增大瞬态搜索面积,从而提高搜索效率,降低无人机在敌方作战半径内的停留时间,进而提高任务成功率。因此,基于多无人机编队的协同搜索,已成为军事冲突中获取敌方情报的重要手段。
下面对本发明提供的多无人机分布式编队控制装置进行描述,下文描述的多无人机分布式编队控制装置与上文描述的多无人机分布式编队控制方法可相互对应参照。
图5是本发明提供的多无人机分布式编队控制装置的结构示意图,如图5所示,该多无人机分布式编队控制装置500包括:建立模块501、转化模块502、获取模块503、确定模块504和控制模块505;其中,
建立模块501,用于建立无人机的动力学模型;
转化模块502,用于对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;
获取模块503,用于获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;
确定模块504,用于根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;
控制模块505,用于根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。
本发明提供的多无人机分布式编队控制装置,通过建立无人机的动力学模型,再对该动力学模型进行转化,得到针对无人机的多个全驱动子系统模型;获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量,根据期望队形向量确定各全驱动子系统模型对应的分布式编队控制器;根据确定的各分布式编队控制器,对多无人机进行分布式编队控制,实现了分布式编队控制器的设计,可以控制多无人机在有限时间内达成期望队形,为遂行协同任务提供支撑,使得分布式编队控制器的设计比较简单且容易实现。
可选地,所述确定模块504,具体用于:
构造各所述全驱动子系统模型对应的分布式状态观测器,所述分布式状态观测器用于使多无人机中的跟随者无人机对领导者无人机在目标时间段内的状态进行估计;
基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的分布式编队控制器。
可选地,所述确定模块504,具体用于:
基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的编队控制误差;
基于各所述全驱动子系统模型对应的所述编队控制误差和所述分布式状态观测器,确定各所述全驱动子系统模型对应的误差动力学模型;
根据各所述全驱动子系统模型对应的误差动力学模型,确定各所述全驱动子系统模型对应的分布式编队控制器。
可选地,所述确定模块504,具体用于:
构造滑模面,所述滑模面用于使误差动力学模型稳定;
根据各所述全驱动子系统模型对应的所述误差动力学模型和所述滑模面,确定各所述全驱动子系统模型对应的分布式编队控制器。
可选地,所述确定模块504,还用于:
基于构建的拓扑图,构造各所述全驱动子系统模型对应的分布式状态观测器,所述拓扑图用于描述所述多无人机之间的通信拓扑关系。
可选地,所述转化模块502,具体用于:
基于微分平坦理论,对所述动力学模型进行转化,得到针对所述无人机的全驱动系统模型;
根据所述全驱动系统模型,确定所述无人机在不同状态下对应的多个全驱动子系统模型。
可选地,所述转化模块502,具体用于:
基于微分平坦理论,对所述动力学模型进行转化,采用公式(1),得到针对所述无人机的全驱动系统模型;
其中,x、y和z分别表示无人机在惯性坐标系中的三维位置,,,,,,,,,表示无人
机相对于惯性坐标系的俯仰角,表示无人机相对于惯性坐标系的滚转角,表示合力加
速度,表示偏航角加速度,表示无人机相对于惯性坐标系的偏航角,g表示当地的重
力加速度。
图6是本发明提供的一种电子设备的实体结构示意图,如图6所示,该电子设备600可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行多无人机分布式编队控制方法,该方法包括:建立无人机的动力学模型;对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。
此外,上述的存储器630中的逻辑指令可以通过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-Only Memory)、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。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的多无人机分布式编队控制方法,该方法包括:建立无人机的动力学模型;对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (8)
1.一种多无人机分布式编队控制方法,其特征在于,包括:
建立无人机的动力学模型;
对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;
获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;
根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;
根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制;
所述对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型,包括:
基于微分平坦理论,对所述动力学模型进行转化,得到针对所述无人机的全驱动系统模型;
根据所述全驱动系统模型,确定所述无人机在不同状态下对应的多个全驱动子系统模型;
所述基于微分平坦理论,对所述动力学模型进行转化,得到针对所述无人机的全驱动系统模型,包括:
基于微分平坦理论,对所述动力学模型进行转化,采用公式(1),得到针对所述无人机的全驱动系统模型;
2.根据权利要求1所述的多无人机分布式编队控制方法,其特征在于,所述根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器,包括:
构造各所述全驱动子系统模型对应的分布式状态观测器,所述分布式状态观测器用于使多无人机中的跟随者无人机对领导者无人机在目标时间段内的状态进行估计;
基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的分布式编队控制器。
3.根据权利要求2所述的多无人机分布式编队控制方法,其特征在于,所述基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的分布式编队控制器,包括:
基于各所述全驱动子系统模型对应的估计值和所述期望队形向量,确定各所述全驱动子系统模型对应的编队控制误差;
基于各所述全驱动子系统模型对应的所述编队控制误差和所述分布式状态观测器,确定各所述全驱动子系统模型对应的误差动力学模型;
根据各所述全驱动子系统模型对应的误差动力学模型,确定各所述全驱动子系统模型对应的分布式编队控制器。
4.根据权利要求3所述的多无人机分布式编队控制方法,其特征在于,所述根据各所述全驱动子系统模型对应的误差动力学模型,确定各所述全驱动子系统模型对应的分布式编队控制器,包括:
构造滑模面,所述滑模面用于使误差动力学模型稳定;
根据各所述全驱动子系统模型对应的所述误差动力学模型和所述滑模面,确定各所述全驱动子系统模型对应的分布式编队控制器。
5.根据权利要求2-4任一项所述的多无人机分布式编队控制方法,其特征在于,所述构造各所述全驱动子系统模型对应的分布式状态观测器,包括:
基于构建的拓扑图,构造各所述全驱动子系统模型对应的分布式状态观测器,所述拓扑图用于描述所述多无人机之间的通信拓扑关系。
6.一种多无人机分布式编队控制装置,其特征在于,包括:
建立模块,用于建立无人机的动力学模型;
转化模块,用于对所述动力学模型进行转化,得到针对所述无人机的多个全驱动子系统模型;
获取模块,用于获取多无人机中的领导者无人机在目标时间段内指向跟随者无人机的期望队形向量;
确定模块,用于根据所述期望队形向量确定各所述全驱动子系统模型对应的分布式编队控制器;
控制模块,用于根据各所述分布式编队控制器,对所述多无人机进行分布式编队控制;
所述转化模块,具体用于:
基于微分平坦理论,对所述动力学模型进行转化,得到针对所述无人机的全驱动系统模型;
根据所述全驱动系统模型,确定所述无人机在不同状态下对应的多个全驱动子系统模型;
所述转化模块,具体用于:
基于微分平坦理论,对所述动力学模型进行转化,采用公式(1),得到针对所述无人机的全驱动系统模型;
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述多无人机分布式编队控制方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述多无人机分布式编队控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941902.XA CN114995521B (zh) | 2022-08-08 | 2022-08-08 | 多无人机分布式编队控制方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941902.XA CN114995521B (zh) | 2022-08-08 | 2022-08-08 | 多无人机分布式编队控制方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114995521A CN114995521A (zh) | 2022-09-02 |
CN114995521B true CN114995521B (zh) | 2022-10-28 |
Family
ID=83023286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210941902.XA Active CN114995521B (zh) | 2022-08-08 | 2022-08-08 | 多无人机分布式编队控制方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114995521B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116860002B (zh) * | 2023-08-01 | 2023-12-22 | 北京航空航天大学 | 基于流网络模型的无人机集群任务资源调度方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943071B (zh) * | 2017-11-03 | 2020-02-07 | 中国科学院自动化研究所 | 无人车的编队保持控制方法及系统 |
CN111694365B (zh) * | 2020-07-01 | 2021-04-20 | 武汉理工大学 | 一种基于深度强化学习的无人船艇编队路径跟踪方法 |
CN112099517B (zh) * | 2020-09-11 | 2022-09-27 | 南京工程学院 | 基于力觉和视觉反馈的协作吊运系统双边遥操作控制方法 |
CN112241125B (zh) * | 2020-10-29 | 2021-08-13 | 北京理工大学 | 一种基于微分平坦特性的无人机轨迹跟踪方法 |
-
2022
- 2022-08-08 CN CN202210941902.XA patent/CN114995521B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114995521A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Finite-time formation control for a group of quadrotor aircraft | |
Wang et al. | Distributed cooperative control for multiple quadrotor systems via dynamic surface control | |
Ghommam et al. | Three-dimensional distributed tracking control for multiple quadrotor helicopters | |
CN109582036B (zh) | 四旋翼无人机一致性编队控制方法 | |
CN110703795B (zh) | 一种基于切换拓扑的无人机群协同安全控制方法 | |
Yang et al. | Distributed optimal consensus with obstacle avoidance algorithm of mixed-order UAVs–USVs–UUVs systems | |
CN110658821A (zh) | 一种多机器人抗干扰分组时变编队控制方法及系统 | |
Rekabi et al. | Distributed nonlinear H∞ control algorithm for multi-agent quadrotor formation flying | |
Ortega et al. | Implementation of leader-follower linear consensus algorithm for coordination of multiple aircrafts | |
CN114995521B (zh) | 多无人机分布式编队控制方法、装置及电子设备 | |
CN112947086B (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 | |
Dou et al. | Distributed finite‐time formation control for multiple quadrotors via local communications | |
Yang et al. | Cooperative group formation control for multiple quadrotors system with finite-and fixed-time convergence | |
CN114610072A (zh) | 一种无人机集群系统分布式时变编队跟踪控制方法及系统 | |
CN115639830A (zh) | 一种空地智能体协同编队控制系统及其编队控制方法 | |
Koung et al. | Consensus-based formation control and obstacle avoidance for nonholonomic multi-robot system | |
Xu et al. | Distributed fixed-time time-varying formation-containment control for networked underactuated quadrotor UAVs with unknown disturbances | |
Saied et al. | Unmanned aerial vehicles fleet control via artificial bee colony algorithm | |
Su et al. | A robust adaptive formation control methodology for networked multi-UAV systems with applications to cooperative payload transportation | |
Sun et al. | Nonlinear MPC for full-pose manipulation of a cable-suspended load using multiple UAVs | |
Ping et al. | Collaborative Control Based on Payload-leading for the Multi-quadrotor Transportation Systems | |
Chai et al. | Energy-based nonlinear adaptive control for collaborative transportation systems | |
Ghommam et al. | Distance‐Based Formation Control for Quadrotors with Collision Avoidance via Lyapunov Barrier Functions | |
CN116610106B (zh) | 一种多无人机容错跟踪控制方法 | |
Guo et al. | Collision-free formation tracking control for multiple quadrotors under switching directed topologies: Theory and experiment |
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 |