CN115639830A - 一种空地智能体协同编队控制系统及其编队控制方法 - Google Patents

一种空地智能体协同编队控制系统及其编队控制方法 Download PDF

Info

Publication number
CN115639830A
CN115639830A CN202211609270.3A CN202211609270A CN115639830A CN 115639830 A CN115639830 A CN 115639830A CN 202211609270 A CN202211609270 A CN 202211609270A CN 115639830 A CN115639830 A CN 115639830A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
vehicle
unmanned
ground
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.)
Granted
Application number
CN202211609270.3A
Other languages
English (en)
Other versions
CN115639830B (zh
Inventor
吕金虎
刘德元
刘克新
谷海波
王薇
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.)
Beihang University
Academy of Mathematics and Systems Science of CAS
Original Assignee
Beihang University
Academy of Mathematics and Systems Science of CAS
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 Beihang University, Academy of Mathematics and Systems Science of CAS filed Critical Beihang University
Priority to CN202211609270.3A priority Critical patent/CN115639830B/zh
Publication of CN115639830A publication Critical patent/CN115639830A/zh
Application granted granted Critical
Publication of CN115639830B publication Critical patent/CN115639830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种空地智能体协同编队控制系统及其编队控制方法，属于智能体编队控制技术领域。本发明的编队控制系统包括空地协同系统动态模块、标称控制模块、干扰抑制控制模块和控制指令融合模块。标称控制模块和干扰抑制控制模块能够实现期望的协同性能。相比于传统的空地协同系统，本发明可以执行更复杂的任务、有效抑制模型不匹配和外界干扰问题，能够实现空地智能体之间的安全稳定协同。

Description

一种空地智能体协同编队控制系统及其编队控制方法
技术领域
本发明属于智能体编队控制技术领域，具体涉及一种空地智能体协同编队控制系统及其编队控制方法。
背景技术
空地智能体协同控制是指具有功能差异性的空中智能体（如：无人机）和地面智能体（如：无人车）组成的协同整体，其相互间可通过协同控制、信息交互、任务分配与合作实现功能互补、能效倍增，从而提升面对复杂环境和复杂任务执行的应对能力。在信息化装备迅速发展的今天，“一域多层、空地一体”的空地多域智能体协同体系越来越受到国际上的广泛重视。
在这些复杂的任务中，空地协同控制的性能主要依赖于协同控制。目前，已经有关于空地协同控制的研究，如：公告号为CN109240331B和CN106054922B的中国专利申请，利用神经网络设计无人机-无人车联合编队控制器。但是神经网络需要一定的学习时间，而且运行复杂度高，不易于实现。
发明内容
鉴于上述问题，本发明提供了一种空地智能体协同编队控制系统及其编队控制方法，用以解决现有空地协同系统在执行任务过程中受到环境干扰和模型不匹配问题导致的不能安全稳定地完成复杂空地协同任务的问题。
为了解决上述技术问题，一方面，本发明提供的一种空地智能体协同编队控制方法，包括以下步骤：
步骤一、建立无人机和无人车的空地智能体协同编队的运动模型：
Figure 890643DEST_PATH_IMAGE001
其中，p ti 表示第i架无人机在飞行过程中的坐标向量，
Figure 520207DEST_PATH_IMAGE002
表示第i架无人机的飞行加速度向量；R ti 表示惯性坐标系与第i架无人机本体坐标系之间的转换矩阵；F if 表示第i架无人机机身产生的气动力；g表示引力常量；c 3,3表示三维列向量；D pi 表示第i架无人机因环境风力影响受到的外界干扰力和模型未知部分；ω ti 表示第i架无人机绕自身本体坐标系旋转的角速度；
Figure 615202DEST_PATH_IMAGE003
表示第i架无人机绕自身本体坐标系旋转的角加速度；
Figure 595796DEST_PATH_IMAGE004
表示将ω ti 做反对称矩阵运算；J ti 表示第i架无人机的转动惯量；u pi 表示第i架无人机的位置融合控制指令，u ai 表示第i架无人机姿态控制输入指令；M iw 为第i架无人机受到的气动力矩；
Figure 168860DEST_PATH_IMAGE005
表示第j辆无人车在OX轴和OY轴方向上的加速度和偏航方向角加速度组成的三维向量；u gj 表示第j辆无人车的位置融合控制指令；D ai 表示第i架无人机因环境风力影响受到的外界干扰力矩和模型未知部分；D gj 表示第j辆无人车因环境风力影响受到的外界干扰和模型未知部分；
B pi ，B ai 和B gj 分别表示第i架无人机位置的参数矩阵、第i架无人机姿态的参数矩阵和第j辆无人车位置的参数矩阵，E gj 表示第j辆无人车的加速度和偏航方向角加速度耦合的加速度向量；
步骤二、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型，建立无人机和无人车的标称控制律；
步骤三、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型，建立无人机和无人车的干扰抑制控制律；
步骤四、将步骤二和步骤三的标称控制律和干扰抑制控制律相结合，得到融合控制律。
可选地，步骤一中的第i架无人机位置的参数矩阵B pi 、第i架无人机姿态的参数矩阵B ai 和第j辆无人车位置的参数矩阵B gj ，以及第j辆无人车的加速度和偏航方向角加速度耦合的加速度向量E gj 分别表示如下：
Figure 918510DEST_PATH_IMAGE006
Figure 981144DEST_PATH_IMAGE007
Figure 58822DEST_PATH_IMAGE008
Figure 324325DEST_PATH_IMAGE009
其中，m ti 表示第i架无人机的质量；m gj 表示第j辆无人车的质量；V xj 表示第j辆无人车在OX轴方向上的速度；V yj 表示第j辆无人车在OY轴方向上的速度；J gj 表示第j辆无人车的转动惯量；Q gj 表示第j辆无人车的偏航方向的角速度；C gj 表示第j辆无人车在运行过程中的阻力系数。
可选地，步骤二中的无人机和无人车的标称控制律为：
Figure 803847DEST_PATH_IMAGE010
其中，u pi N ，u ai N 分别表示第i架无人机位置标称控制指令和姿态标称控制指令，u gj N 表示第j辆无人车位置控制标称指令；K tp ，K td 表示第i架无人机位置通道上标称控制器的两个3×3参数矩阵；K ap ，K ad 表示第i架无人机姿态通道上标称控制器的两个3×3标称控制器参数矩阵；K gp ，K gd 表示第j辆无人车标称控制器的两个3×3参数矩阵；q ti 表示第i架无人机位置通道上一个标称控制器参数常量；q ai 表示第i架无人机姿态通道上一个标称控制器参数常量；q gj 表示第j辆无人车的一个标称控制器参数常量；Z ti 表示第i架无人机在编队中位置运动误差；Z gj 表示第j辆无人车在编队中位置运动误差；
Figure 365279DEST_PATH_IMAGE011
表示空地协同编队的编队中心在惯性坐标系下的状态信息；e ai 表示第i架无人机的姿态误差，
Figure 664673DEST_PATH_IMAGE012
表示第i架无人机的姿态角速度误差；
Figure 704173DEST_PATH_IMAGE013
表示空地智能体协同编队标称控制的一阶滑模面。
可选地，步骤二中的第i架无人机在编队中位置运动误差Z ti 和第j辆无人车在编队中位置运动误差Z gj 表达式为：
Figure 100520DEST_PATH_IMAGE014
其中，w ik 表示第i架无人机与第i架无人机的第k架邻居无人机通信的权重系数；p ti 表示第i架无人机在地面坐标系中的坐标向量，p tk 表示第i架无人机的第k架邻居无人机在地面坐标系中的坐标向量；w jn 表示第j辆无人车与第j辆无人车的第n辆邻居无人车通信的权重系数，p gj 表示第j辆无人车在地面坐标系中的坐标向量，p gn 表示第j辆无人车的第n辆邻居无人车在地面坐标系中的坐标向量；h ti 表示第i架无人机与编队中心的位置偏差；h gj 表示第j辆无人车与编队中心的位置偏差；h tk 表示第i架无人机的第k架邻居无人机与编队中心的位置偏差；h gn 表示第j辆无人车的第n辆邻居无人车与编队中心的位置偏差；第i架无人机与第i架无人机的第k架邻居无人机的位置偏差为h tik =h ti -h tk ；第j辆无人车与第j辆无人车的第n辆邻居无人车的位置偏差为h gjn =h gj -h gn 。
可选地，步骤二中的空地智能体协同编队标称控制的一阶滑模面
Figure 36115DEST_PATH_IMAGE015
表达式为：
Figure 885122DEST_PATH_IMAGE016
其中，e ti ，e ai 和e gj 分别表示第i架无人机位置误差、第i架无人机姿态误差和第j辆无人车位置误差；
Figure 603679DEST_PATH_IMAGE017
分别表示第i架无人机速度误差、第i架无人机角加速度误差和第j辆无人车速度误差；K ti 表示第i架无人机位置通道上3×3参数矩阵；K ai 表示第i架无人机姿态通道上3×3参数矩阵；K gj 表示第j辆无人车运动通道上3×3参数矩阵；S ti ，S ai 和S gj 分别表示空地智能体协同编队标称控制的一阶滑模面
Figure 683893DEST_PATH_IMAGE015
的积分；τ表示时间积分变量，d τ 表示积分变量τ的增量，e ti (τ)，e ai (τ)和e gi (τ)分别表示第i架无人机位置误差积分函数，第i架无人机姿态误差积分函数和第j辆无人车位置误差积分函数。
可选地，步骤三中的无人机和无人车的干扰抑制控制律为：
Figure 196914DEST_PATH_IMAGE018
其中，u pi S 表示第i架无人机位置通道上干扰抑制控制指令，u ai S 表示第i架无人机姿态通道上干扰抑制控制指令，u gj S 表示第j辆无人车干扰抑制控制指令；l pi ，l ps 表示第i架无人机位置通道上两个一维干扰补偿控制参数常量，l ai ，l as 表示第i架无人机姿态通道上两个一维干扰补偿控制参数常量，l gj ，l gs 表示第j辆无人车两个一维干扰补偿控制的参数常量；
Figure 861113DEST_PATH_IMAGE019
表示阶跃函数，如果
Figure 383362DEST_PATH_IMAGE020
，
否则
Figure 488721DEST_PATH_IMAGE021
表示阶跃函数，如果
Figure 562856DEST_PATH_IMAGE022
，
否则
Figure 324139DEST_PATH_IMAGE023
表示阶跃函数，
如果
Figure 509132DEST_PATH_IMAGE024
。
另一方面，本发明提供的一种空地智能体协同编队控制系统，包括空地协同系统动态模块、标称控制模块、干扰抑制控制模块和控制指令融合模块；
标称控制模块，用于接收无人机和无人车的自身状态信息和邻居状态信息，对自身状态信息和邻居状态信息进行处理后获得标称控制指令；并将标称控制指令输出给控制指令融合模块；
干扰补偿控制模块，用于接收无人机和无人车的自身状态信息，对自身状态信息进行处理后获得干扰抑制控制指令；并将干扰抑制控制指令输出给控制指令融合模块；
控制指令融合模块，用于处理标称控制指令和干扰抑制控制指令得到融合控制指令；并将融合控制指令输出给空地协同系统动态模块；
空地协同系统动态模块包括无人机动态模块和无人车动态模块，用于接收融合控制指令，控制无人机和无人车运行。
与现有技术相比，本发明具有以下有益效果：
（1）本发明的空地智能体协同编队控制方法复杂度低，易于空地多域智能体之间协同编队的实现。
（2）本发明的空地智能体协同编队控制系统的干扰抑制控制模块能够在模型不匹配和外部干扰影响下运行，实现了空地智能体协同编队控制在多种影响下的编队协同任务技术效果。
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，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制。
图1是传统空地智能体协同系统的结构图。
图2是智能体在惯性坐标系和本体坐标系的示意图。
图3是本发明的空地智能体协同编队控制系统的结构图。
图4是本发明的实施例中2架无人机和2辆无人车的三维空间位置示意图。
图5a是本发明的实施例中2架无人机X轴方向的位置跟踪误差曲线。
图5b是本发明的实施例中2架无人机Y轴方向的位置跟踪误差曲线。
图5c是本发明的实施例中2架无人机Z轴方向的位置跟踪误差曲线。
图6a是本发明的实施例中2辆无人车X轴方向的位置跟踪误差曲线。
图6b是本发明的实施例中2辆无人车Y轴方向的位置跟踪误差曲线。
附图标记说明：
100-空地智能体协同系统动态模块；200-标称控制模块；300-干扰抑制控制模块；400-控制指令融合模块。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在本发明中，为了实现对无人机和无人车的状态表征，使用惯性坐标系E 地-OXYZ和智能体的本体坐标系E 体-O b X b Y b Z b ；
其中，惯性坐标系E 地-OXYZ为与地球表面固连的坐标系，坐标系原点O选取在地平面一点上，OX轴为指向目标的方向，OY轴垂直于OX轴，OZ轴与其它两轴垂直并构成右手直角坐标系；智能体的本体坐标系E 体-O b X b Y b Z b 为与智能体本体固连，本体坐标系原点O b 在智能体的质心处（质心）；O b X b 轴在智能体对称平面内并平行于智能体的轴线指向前方；O b Y b 轴垂直于O b X b 轴；O b Z b 轴在智能体对称平面内，与O b X b 轴和O b X b 轴垂直并构成右手直角坐标系。
如图2所示，无人机在惯性坐标系E 地-OXYZ中所在的位置，定义如下：
p ti 表示第i架无人机在地面坐标系E 地-OXYZ中的坐标向量，p ti =[x ti ,y ti ,z ti ]；
x ti 表示第i架无人机在地面坐标系E 地-OXYZ中X方向上的坐标；
y ti 表示第i架无人机在地面坐标系E 地-OXYZ中Y方向上的坐标；
z ti 表示第i架无人机在地面坐标系E 地-OXYZ中Z方向上的坐标。
无人车在惯性坐标系E 地-OXYZ中所在的位置，定义如下：
p gj 表示第j辆无人车在地面坐标系E 地-OXYZ中的坐标向量，p gj =[x gj ,y gj ,z gj ]；
x gj 表示第j辆无人车在地面坐标系E 地-OXYZ中X方向上的坐标；
y gj 表示第j辆无人车在地面坐标系E 地-OXYZ中Y方向上的坐标；
z gj 表示第j辆无人车在地面坐标系E 地-OXYZ中Z方向上的坐标。
空地智能体协同编队的编队中心为整个编队系统提供参考轨迹，编队中心在惯性坐标系中的位置为p 0=[x 0,y 0,z 0]；编队中心为空地智能体中的无人机或无人车，其他无人机和无人车分别与编队中心保持相对的运动轨迹，完成协同编队任务。
本发明的一个实施例，如图1-图3，公开了一种空地智能体协同编队控制方法，包括以下步骤：
步骤一、建立无人机和无人车的空地智能体协同编队运动模型：
Figure 672260DEST_PATH_IMAGE025
其中，p ti 表示第i架无人机在飞行过程中的坐标向量，
Figure 589401DEST_PATH_IMAGE026
表示第i架无人机的飞行加速度向量；R ti 表示惯性坐标系与第i架无人机本体坐标系之间的转换矩阵；F if 表示第i架无人机机身产生的气动力； g表示引力常量；c 3,3表示三维列向量，c 3,3 =[0 0 1] T ；D pi 表示第i架无人机因环境风力影响受到的外界干扰力和模型未知部分；ω ti 表示第i架无人机绕自身本体坐标系旋转的角速度；
Figure 726728DEST_PATH_IMAGE027
表示第i架无人机绕自身本体坐标系旋转的角加速度；
Figure 325199DEST_PATH_IMAGE028
表示将ω ti 做反对称矩阵运算；J ti 表示第i架无人机的转动惯量；u pi 表示第i架无人机位的位置融合控制指令，u ai 表示第i架无人机姿态控制输入指令；M iw 为第i架无人机受到的气动力矩；
Figure 467468DEST_PATH_IMAGE005
表示第j辆无人车在OX轴和OY轴方向上的加速度和偏航方向角加速度组成的三维向量；u gi 表示第j辆无人车的位置融合控制指令；D ai 表示第i架无人机因环境风力影响受到的外界干扰力矩和模型未知部分；D gj 表示第j辆无人车因环境风力影响受到的外界干扰和模型未知部分；B pi ，B ai 和B gj 表示第i架无人机位置的参数矩阵、第i架无人机姿态的参数矩阵和第j辆无人车位置的参数矩阵，E gj 表示第j辆无人车由OX轴和OY轴方向上的加速度和偏航方向角加速度耦合的加速度向量，分别表示如下：
Figure 821089DEST_PATH_IMAGE006
Figure 556964DEST_PATH_IMAGE007
Figure 818181DEST_PATH_IMAGE008
Figure 955901DEST_PATH_IMAGE009
其中，m ti 表示第i架无人机的质量；m gj 表示第j辆无人车的质量；V xj 表示第j辆无人车在OX轴方向上的速度；V yj 表示第j辆无人车在OY轴方向上的速度；J gj 表示第j辆无人车的转动惯量；Q gj 表示第j辆无人车的偏航方向的角速度；C gj 表示第j辆无人车在运行过程中的阻力系数。
步骤二、根据步骤一中的无人机和无人车的空地协同编队的运动模型，建立无人机和无人车的标称控制律，实现期望的编队控制。
无人机和无人车的标称控制输入指令为：
Figure 808319DEST_PATH_IMAGE010
其中，u pi N ，u ai N 分别表示第i架无人机位置标称控制指令和姿态标称控制指令，u gj N 表示第j辆无人车位置控制标称指令；K tp ，K td 表示第i架无人机位置通道上标称控制器的两个3×3参数矩阵；K ap ，K ad 表示第i架无人机姿态通道上标称控制器的两个3×3标称控制器参数矩阵；K gp ，K gd 表示第j辆无人车标称控制器的两个3×3参数矩阵；q ti 表示第i架无人机位置通道上一个标称控制器参数常量；q ai 表示第i架无人机姿态通道上一个标称控制器参数常量；q gj 表示第j辆无人车的一个标称控制器参数常量；Z ti 表示第i架无人机在编队中位置运动误差；Z gj 表示第j辆无人车在编队中位置运动误差；
Figure 765911DEST_PATH_IMAGE029
表示空地协同编队的编队中心在惯性坐标系下的状态信息；e ai 表示第i架无人机的姿态误差，
Figure 863442DEST_PATH_IMAGE030
表示第i架无人机的姿态角速度误差；
Figure 652407DEST_PATH_IMAGE031
表示空地协同编队标称控制的一阶滑模面；
其中，
Figure 285513DEST_PATH_IMAGE032
；w ik 表示第i架无人机与第i架无人机的第k架邻居无人机通信的权重系数；p ti 表示第i架无人机在地面坐标系中的坐标向量，p tk 表示第i架无人机的第k架邻居无人机在地面坐标系中的坐标向量；w jn 表示第j辆无人车与第j辆无人车的第n辆邻居无人车通信的权重系数，p gj 表示第j辆无人车在地面坐标系中的坐标向量，p gn 表示第j辆无人车的第n辆邻居无人车在地面坐标系中的坐标向量；h ti 表示第i架无人机与编队中心的位置偏差；h gj 表示第j辆无人车与编队中心的位置偏差；h tk 表示第i架无人机的第k架邻居无人机与编队中心的位置偏差；h gn 表示第j辆无人车的第n辆邻居无人车与编队中心的位置偏差；第i架无人机与第i架无人机的第k架邻居无人机的位置偏差为h tik =h ti -h tk ；第j辆无人车与第j辆无人车的第n辆邻居无人车的位置偏差为h gjn =h gj -h gn 。
Figure 855035DEST_PATH_IMAGE031
的表达式为：
Figure 864579DEST_PATH_IMAGE033
其中，e ti ，e ai 和e gj 分别表示第i架无人机位置误差、第i架无人机姿态误差和第j辆无人车位置误差；
Figure 508050DEST_PATH_IMAGE034
分别表示第i架无人机速度误差、第i架无人机角加速度误差和第j辆无人车速度误差；K ti 表示第i架无人机位置通道上3×3参数矩阵；K ai 表示第i架无人机姿态通道上3×3参数矩阵；K gj 表示第j辆无人车运动通道上3×3参数矩阵；S ti ，S ai 和S gj 分别表示空地智能体协同编队标称控制的一阶滑模面
Figure 702271DEST_PATH_IMAGE031
的积分；τ表示时间积分变量，d τ 表示时间积分变量τ的增量，e ti (τ)，e ai (τ)和e gi (τ)分别表示第i架无人机位置误差积分函数，第i架无人机姿态误差积分函数和第j辆无人车位置误差积分函数。
步骤三、根据步骤一中的无人机和无人车的空地协同编队的运动模型，建立无人机和无人车的干扰抑制控制指令：
Figure 368876DEST_PATH_IMAGE018
其中，u pi S 表示第i架无人机位置通道上干扰抑制控制指令，u ai S 表示第i架无人机姿态通道上干扰抑制控制指令，u gj S 表示第j辆无人车干扰抑制控制指令；l pi ，l ps 表示第i架无人机位置通道上两个一维干扰补偿控制参数常量，l ai ，l as 表示第i架无人机姿态通道上两个一维干扰补偿控制参数常量，l gj ，l gs 表示第j辆无人车两个一维干扰补偿控制的参数常量；
Figure 306745DEST_PATH_IMAGE019
表示阶跃函数，如果
Figure 70301DEST_PATH_IMAGE020
，
否则
Figure 45211DEST_PATH_IMAGE021
表示阶跃函数，如果
Figure 353439DEST_PATH_IMAGE022
，
否则
Figure 439207DEST_PATH_IMAGE023
表示阶跃函数，
如果
Figure 385166DEST_PATH_IMAGE024
。
步骤四、将步骤二和步骤三的标称控制指令和干扰抑制控制指令相结合，得到融合控制指令，进而实现对无人机和无人车的控制。参见图3所示，融合控制指令为：
Figure 327714DEST_PATH_IMAGE035
本发明的另一个具体实施例，如图3，公开了一种空地智能体协同编队控制系统，使用前述控制方法生成标称控制指令、干扰抑制指令和融合控制指令，包括空地协同系统动态模块100、标称控制模块200、干扰抑制控制模块300和控制指令融合模块400，其中，空地智能体为无人机和无人车。
标称控制模块200，用于接收无人机和无人车的自身状态信息和邻居状态信息，对自身状态信息和邻居状态信息进行处理后获得标称控制指令（如：控制精度）；并将标称控制指令输出给控制指令融合模块400；
干扰补偿控制模块300，用于接收无人机和无人车的自身状态信息，对自身状态信息进行处理后获得干扰抑制控制指令，用于抑制外界干扰和模型未知部分；并将干扰抑制控制指令输出给控制指令融合模块400；
控制指令融合模块400，用于处理标称控制指令和干扰抑制控制指令得到融合控制指令；并将融合控制指令输出给空地协同系统动态模型100。
空地协同系统动态模块100包括无人机动态模块和无人车动态模块，用于接收融合控制指令，控制无人机和无人车运行。
为了便于理解本发明，下面举例详细阐述本发明方法，但是本发明还可以应用于其他不同于此实施例来实施，因此，本发明保护范围不限于下述实例。
在本发明中，有2架无人机和2辆无人车在执行任务时，按照前述空地智能体协同编队控制方法进行协同编队控制。
建立无人机和无人车的空地协同编队的运动模型，设置模型参数设置如下：
引力常量g=10；第i架无人机位置的参数矩阵B pi 、第i架无人机姿态的参数矩阵B ai 和第j辆无人车位置的参数矩阵B gj 设置为：B pi =diag{0.02,0.02,0.02}，B ai =diag{5,5,2.5}，B gj =diag{0.001,0.001,0.002}。
系统受到的外界自然风干扰设置如下：
Figure 234490DEST_PATH_IMAGE036
Figure 248583DEST_PATH_IMAGE037
其中，t表示时间，本实施例考虑的外界环境干扰为随着时间变化的；模型参数不确定性考虑为理想参数的25%。
标称控制律参数设置为：K tp =diag{132.6,132.6,132.6}，K td =diag{55.2, 55.2,55.2}，K ap =diag{160.5, 160.5, 160.5}，K ad =diag{110.8, 110.8, 110.8}，K gp =diag{330,330, 330}，K gd =diag{155.1, 155.1, 155.1}；K ti = K ai =K gj =diag{2, 2, 2}；q ti =q ai =q gj =15。通过所设置的干扰抑制控制律参数和编队的位置状态信息，即可得到无人机和无人车的标称制控制指令u pi N ，u ai N ，u gj N 。
无人机和无人车的干扰抑制参数设置为：l pi =l ai =l gj =10，l ps = l as =l gs =60。通过所设置的干扰抑制控制律参数和编队的位置状态信息，即可得到无人机和无人车的干扰抑制控制指令u pi S ，u ai S ，u gj S 。
将步骤二和步骤三的标称控制指令和干扰抑制控制指令相结合，得到融合控制指令u pi ，u ai ，u gj ，从而实现对空地协同编队的控制。
仿真结果分析，2架无人机和2辆无人车通过Matlab控制系统进行仿真；设置两架无人机和两辆无人车初始位置为如下：p t1(0)=[0 6 0] T ，p t2(0)=[-6 0 0] T ，p g1(0)=[0 6 0] T ，p g2(0)=[-6 0 0] T 。
无人机与无人车分别与编队中心的期望状态偏差设置如下：当飞行时间t<10s时时，h t1(0)=[0 6 0] T ，h t2(0)=[0 0 0] T ，h g1(0)=[0 6 0] T ，h g2(0)=[0 0 0] T ；当飞行时间t≥10s时，h t1(0)=[0 6 0] T ，h t2(0)=[12-12e -(t -10) 0 0] T ，h g1(0)=[0 6 0] T ，h g2(0)=[ 12-12e -(t -10) 0 0] T 。
从图4可以看出，本发明能够使无人机和无人车编队实现较好的协同，能够有效抑制系统模型未知和外界干扰的影响，具有很好的鲁棒性。从图5a-图6b可以看出，本发明的空地智能体协同的误差较小，能够满足控制精度要求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种空地智能体协同编队控制方法，其特征在于，包括以下步骤：
步骤一、建立无人机和无人车的空地智能体协同编队的运动模型：
Figure 59972DEST_PATH_IMAGE001
其中，p ti 表示第i架无人机在飞行过程中的坐标向量，
Figure 194150DEST_PATH_IMAGE002
表示第i架无人机的飞行加速度向量；R ti 表示惯性坐标系与第i架无人机本体坐标系之间的转换矩阵；F if 表示第i架无人机机身产生的气动力；g表示引力常量；c 3,3表示三维列向量；D pi 表示第i架无人机因环境风力影响受到的外界干扰力和模型未知部分；ω ti 表示第i架无人机绕自身本体坐标系旋转的角速度；
Figure 103200DEST_PATH_IMAGE003
表示第i架无人机绕自身本体坐标系旋转的角加速度；
Figure 907208DEST_PATH_IMAGE004
表示将ω ti 做反对称矩阵运算；J ti 表示第i架无人机的转动惯量；u pi 表示第i架无人机的位置融合控制指令，u ai 表示第i架无人机姿态控制输入指令；M iw 为第i架无人机受到的气动力矩；
Figure 964026DEST_PATH_IMAGE005
表示第j辆无人车在OX轴和OY轴方向上的加速度和偏航方向角加速度组成的三维向量；u gj 表示第j辆无人车的位置融合控制指令；D ai 表示第i架无人机因环境风力影响受到的外界干扰力矩和模型未知部分；D gj 表示第j辆无人车因环境风力影响受到的外界干扰和模型未知部分；
B pi ，B ai 和B gj 分别表示第i架无人机位置的参数矩阵、第i架无人机姿态的参数矩阵和第j辆无人车位置的参数矩阵，E gj 表示第j辆无人车的加速度和偏航方向角加速度耦合的加速度向量；
步骤二、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型，建立无人机和无人车的标称控制律；
步骤三、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型，建立无人机和无人车的干扰抑制控制律；
步骤四、将步骤二和步骤三的标称控制律和干扰抑制控制律相结合，得到融合控制律。
2.根据权利要求1所述的空地智能体协同编队控制方法，其特征在于，步骤一中的第i架无人机位置的参数矩阵B pi 、第i架无人机姿态的参数矩阵B ai 和第j辆无人车位置的参数矩阵B gj ，以及第j辆无人车的加速度和偏航方向角加速度耦合的加速度向量E gj 分别表示如下：
Figure 511682DEST_PATH_IMAGE006
Figure 275238DEST_PATH_IMAGE007
Figure 876246DEST_PATH_IMAGE008
Figure 295726DEST_PATH_IMAGE009
其中，m ti 表示第i架无人机的质量；m gj 表示第j辆无人车的质量；V xj 表示第j辆无人车在OX轴方向上的速度；V yj 表示第j辆无人车在OY轴方向上的速度；J gj 表示第j辆无人车的转动惯量；Q gj 表示第j辆无人车的偏航方向的角速度；C gj 表示第j辆无人车在运行过程中的阻力系数。
3.根据权利要求1所述的空地智能体协同编队控制方法，其特征在于，步骤二中的无人机和无人车的标称控制律为：
Figure 771707DEST_PATH_IMAGE010
其中，u pi N ，u ai N 分别表示第i架无人机位置标称控制指令和姿态标称控制指令，u gj N 表示第j辆无人车位置控制标称指令；K tp ，K td 表示第i架无人机位置通道上标称控制器的两个3×3参数矩阵；K ap ，K ad 表示第i架无人机姿态通道上标称控制器的两个3×3标称控制器参数矩阵；K gp ，K gd 表示第j辆无人车标称控制器的两个3×3参数矩阵；q ti 表示第i架无人机位置通道上一个标称控制器参数常量；q ai 表示第i架无人机姿态通道上一个标称控制器参数常量；q gj 表示第j辆无人车的一个标称控制器参数常量；Z ti 表示第i架无人机在编队中位置运动误差；Z gj 表示第j辆无人车在编队中位置运动误差；
Figure 389770DEST_PATH_IMAGE011
表示空地协同编队的编队中心在惯性坐标系下的状态信息；e ai 表示第i架无人机的姿态误差，
Figure 801160DEST_PATH_IMAGE012
表示第i架无人机的姿态角速度误差；
Figure 566991DEST_PATH_IMAGE013
表示空地智能体协同编队标称控制的一阶滑模面。
4.根据权利要求3所述的空地智能体协同编队控制方法，其特征在于，步骤二中的第i架无人机在编队中位置运动误差Z ti 和第j辆无人车在编队中位置运动误差Z gj 表达式为：
Figure 456449DEST_PATH_IMAGE014
其中，w ik 表示第i架无人机与第i架无人机的第k架邻居无人机通信的权重系数；p ti 表示第i架无人机在地面坐标系中的坐标向量，p tk 表示第i架无人机的第k架邻居无人机在地面坐标系中的坐标向量；w jn 表示第j辆无人车与第j辆无人车的第n辆邻居无人车通信的权重系数，p gj 表示第j辆无人车在地面坐标系中的坐标向量，p gn 表示第j辆无人车的第n辆邻居无人车在地面坐标系中的坐标向量；h ti 表示第i架无人机与编队中心的位置偏差；h gj 表示第j辆无人车与编队中心的位置偏差；h tk 表示第i架无人机的第k架邻居无人机与编队中心的位置偏差；h gn 表示第j辆无人车的第n辆邻居无人车与编队中心的位置偏差；第i架无人机与第i架无人机的第k架邻居无人机的位置偏差为h tik =h ti -h tk ；第j辆无人车与第j辆无人车的第n辆邻居无人车的位置偏差为h gjn =h gj -h gn 。
5.根据权利要求3所述的空地智能体协同编队控制方法，其特征在于，步骤二中的空地智能体协同编队标称控制的一阶滑模
Figure 194598DEST_PATH_IMAGE013
表达式为：
Figure 635944DEST_PATH_IMAGE015
其中，e ti ，e ai 和e gj 分别表示第i架无人机位置误差、第i架无人机姿态误差和第j辆无人车位置误差；
Figure 764437DEST_PATH_IMAGE016
分别表示第i架无人机速度误差、第i架无人机角加速度误差和第j辆无人车速度误差；K ti 表示第i架无人机位置通道上3×3参数矩阵；K ai 表示第i架无人机姿态通道上3×3参数矩阵；K gj 表示第j辆无人车运动通道上3×3参数矩阵；S ti ，S ai 和S gj 分别表示空地智能体协同编队标称控制的一阶滑模面
Figure 80755DEST_PATH_IMAGE013
的积分；τ表示时间积分变量，d τ 表示积分变量τ的增量，e ti (τ)，e ai (τ)和e gi (τ)分别表示第i架无人机位置误差积分函数，第i架无人机姿态误差积分函数和第j辆无人车位置误差积分函数。
6.根据权利要求1所述的空地智能体协同编队控制方法，其特征在于，步骤三中的无人机和无人车的干扰抑制控制律为：
Figure 673411DEST_PATH_IMAGE017
其中，u pi S 表示第i架无人机位置通道上干扰抑制控制指令，u ai S 表示第i架无人机姿态通道上干扰抑制控制指令，u gj S 表示第j辆无人车干扰抑制控制指令；l pi ，l ps 表示第i架无人机位置通道上两个一维干扰补偿控制参数常量，l ai ，l as 表示第i架无人机姿态通道上两个一维干扰补偿控制参数常量，l gj ，l gs 表示第j辆无人车两个一维干扰补偿控制的参数常量；
Figure 426603DEST_PATH_IMAGE018
表示阶跃函数，如果
Figure 167026DEST_PATH_IMAGE019
，
否则
Figure 398287DEST_PATH_IMAGE020
表示阶跃函数，如果
Figure 173345DEST_PATH_IMAGE021
，
否则
Figure 317013DEST_PATH_IMAGE022
表示阶跃函数，
如果
Figure 685677DEST_PATH_IMAGE023
。
7.一种空地智能体协同编队控制系统，包括空地协同系统动态模块、标称控制模块、干扰抑制控制模块和控制指令融合模块；
标称控制模块，用于接收无人机和无人车的自身状态信息和邻居状态信息，对自身状态信息和邻居状态信息进行处理后获得标称控制指令；并将标称控制指令输出给控制指令融合模块；
干扰补偿控制模块，用于接收无人机和无人车的自身状态信息，对自身状态信息进行处理后获得干扰抑制控制指令；并将干扰抑制控制指令输出给控制指令融合模块；
控制指令融合模块，用于处理标称控制指令和干扰抑制控制指令得到融合控制指令；并将融合控制指令输出给空地协同系统动态模块；
空地协同系统动态模块包括无人机动态模块和无人车动态模块，用于接收融合控制指令，控制无人机和无人车运行。
CN202211609270.3A 2022-12-15 2022-12-15 一种空地智能体协同编队控制系统及其编队控制方法 Active CN115639830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211609270.3A CN115639830B (zh) 2022-12-15 2022-12-15 一种空地智能体协同编队控制系统及其编队控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211609270.3A CN115639830B (zh) 2022-12-15 2022-12-15 一种空地智能体协同编队控制系统及其编队控制方法

Publications (2)

Publication Number Publication Date
CN115639830A true CN115639830A (zh) 2023-01-24
CN115639830B CN115639830B (zh) 2023-03-14

Family

ID=84949400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211609270.3A Active CN115639830B (zh) 2022-12-15 2022-12-15 一种空地智能体协同编队控制系统及其编队控制方法

Country Status (1)

Country Link
CN (1) CN115639830B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880571A (zh) * 2023-09-07 2023-10-13 北京航空航天大学 一种网络攻击下的无人机编队鲁棒控制系统及控制方法
CN116929350A (zh) * 2023-08-23 2023-10-24 南京理工大学 一种基于数据链测距的快速临机重构协同导航系统及方法
CN117193368A (zh) * 2023-10-07 2023-12-08 中国电子科技集团公司第五十四研究所 一种多无人机协同编队避障保性能控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140096718A (ko) * 2013-01-29 2014-08-06 한국항공우주산업 주식회사 다기종 무인기 비행제어법칙 설계장치 및 그 제어방법
CN108628345A (zh) * 2018-06-28 2018-10-09 北京航空航天大学 一种电磁航天器编队悬停协同控制方法及系统
CN110096073A (zh) * 2019-04-18 2019-08-06 北京航空航天大学 仿信鸽智能行为的超大规模无人机集群控制系统及方法
US20200174502A1 (en) * 2018-12-04 2020-06-04 Thales Electronical device, and method, for automatically determining piloting information of a mobile machine accompanying a leader mobile machine, associated computer program
CN112947086A (zh) * 2021-03-09 2021-06-11 南京航空航天大学 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
CN114815830A (zh) * 2022-04-27 2022-07-29 北京理工大学 一种基于一致性算法的空地集群协同组网控制系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439975B (zh) * 2013-09-09 2016-04-06 北京理工大学 一种分布式指数时变滑模姿态协同跟踪控制方法
CN108919835B (zh) * 2018-09-25 2021-02-02 北京航空航天大学 无人飞行器编队的控制方法、装置及控制器
CN114326781B (zh) * 2020-12-08 2024-03-15 北京航空航天大学 完全分布式导弹编队协同自适应容错补偿控制器
CN112904723B (zh) * 2021-01-19 2022-07-22 南京航空航天大学 非匹配干扰下的空地固定时间协同容错编队控制方法
CN115357048A (zh) * 2022-09-15 2022-11-18 北京航空航天大学 一种不确定性下多无人机时变编队协同跟踪控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140096718A (ko) * 2013-01-29 2014-08-06 한국항공우주산업 주식회사 다기종 무인기 비행제어법칙 설계장치 및 그 제어방법
CN108628345A (zh) * 2018-06-28 2018-10-09 北京航空航天大学 一种电磁航天器编队悬停协同控制方法及系统
US20200174502A1 (en) * 2018-12-04 2020-06-04 Thales Electronical device, and method, for automatically determining piloting information of a mobile machine accompanying a leader mobile machine, associated computer program
CN110096073A (zh) * 2019-04-18 2019-08-06 北京航空航天大学 仿信鸽智能行为的超大规模无人机集群控制系统及方法
CN112947086A (zh) * 2021-03-09 2021-06-11 南京航空航天大学 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
CN114815830A (zh) * 2022-04-27 2022-07-29 北京理工大学 一种基于一致性算法的空地集群协同组网控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI WANG 等 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116929350A (zh) * 2023-08-23 2023-10-24 南京理工大学 一种基于数据链测距的快速临机重构协同导航系统及方法
CN116929350B (zh) * 2023-08-23 2023-11-21 南京理工大学 一种基于数据链测距的快速临机重构协同导航系统及方法
CN116880571A (zh) * 2023-09-07 2023-10-13 北京航空航天大学 一种网络攻击下的无人机编队鲁棒控制系统及控制方法
CN116880571B (zh) * 2023-09-07 2023-12-08 北京航空航天大学 一种网络攻击下的无人机编队鲁棒控制系统及控制方法
CN117193368A (zh) * 2023-10-07 2023-12-08 中国电子科技集团公司第五十四研究所 一种多无人机协同编队避障保性能控制方法
CN117193368B (zh) * 2023-10-07 2024-02-27 中国电子科技集团公司第五十四研究所 一种多无人机协同编队避障保性能控制方法

Also Published As

Publication number Publication date
CN115639830B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN115639830B (zh) 一种空地智能体协同编队控制系统及其编队控制方法
CN109324636A (zh) 基于二阶一致性和自抗扰的多四旋翼主从式协同编队控制方法
Yan et al. Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control
CN115639841B (zh) 一种基于鲁棒牵制的无人机集群编队控制系统及控制方法
Yu et al. Attitude tracking control of a quadrotor UAV in the exponential coordinates
CN113296507B (zh) 一种基于时空解耦的多动力定位船舶协同编队控制方法
Yang et al. Distributed optimal consensus with obstacle avoidance algorithm of mixed-order UAVs–USVs–UUVs systems
Imanberdiyev et al. A fast learning control strategy for unmanned aerial manipulators
CN109507890A (zh) 一种基于eso的无人机动态逆广义预测控制器
Carrillo et al. Deep-learning tracking for autonomous flying systems under adversarial inputs
Ansari et al. Development and experimental investigation of a Quadrotor’s robust generalized dynamic inversion control system
Vieira et al. Unified backstepping sliding mode framework for airship control design
Jeong et al. Control System Design for a Ducted‐Fan Unmanned Aerial Vehicle Using Linear Quadratic Tracker
Kim et al. Control of multi-agent collaborative fixed-wing UASs in unstructured environment
Huang et al. Adaptive backstepping control for autonomous shipboard landing of a quadrotor with input saturation
Thomas et al. Collaborative control in a flying-boom aerial refueling simulation
Tan et al. Tracking of ground mobile targets by quadrotor unmanned aerial vehicles
Yamasaki et al. Integrated guidance and autopilot for a path-following UAV via high-order sliding modes
Ghommam et al. Distance‐Based Formation Control for Quadrotors with Collision Avoidance via Lyapunov Barrier Functions
Enjiao et al. Finite-time control of formation system for multiple flight vehicles subject to actuator saturation
Chen et al. Decoupling attitude control of a hypersonic glide vehicle based on a nonlinear extended state observer
Wang et al. Distributed formation flight control with translational and rotational maneuvering
Ali et al. Control system analysis and design of quadcopter in the presence of unmodelled dynamics and disturbances
Keviczky et al. Coordinated autonomous vehicle formations: decentralization, control synthesis and optimization
Wang et al. Integrated 3‐D flight trajectory tracking control with aerodynamic constraints on attitude and control surfaces

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