CN116149193B - 一种基于视觉的旋翼无人机抗扰动控制方法及系统 - Google Patents

一种基于视觉的旋翼无人机抗扰动控制方法及系统 Download PDF

Info

Publication number
CN116149193B
CN116149193B CN202310443703.0A CN202310443703A CN116149193B CN 116149193 B CN116149193 B CN 116149193B CN 202310443703 A CN202310443703 A CN 202310443703A CN 116149193 B CN116149193 B CN 116149193B
Authority
CN
China
Prior art keywords
control
aerial vehicle
unmanned aerial
disturbance
error vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310443703.0A
Other languages
English (en)
Other versions
CN116149193A (zh
Inventor
钟杭
范泷文
王耀南
张辉
江一鸣
毛建旭
朱青
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.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202310443703.0A priority Critical patent/CN116149193B/zh
Publication of CN116149193A publication Critical patent/CN116149193A/zh
Application granted granted Critical
Publication of CN116149193B publication Critical patent/CN116149193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于视觉的旋翼无人机抗扰动控制方法及系统，相机实时采集周围环境图像，惯性里程计实时采集旋翼无人机的角速度，机载处理器接收周围环境图像并处理得到第一控制误差向量，设计扰动观测器，扰动观测器根据第一控制误差向量和角速度估计旋翼无人机的外部扰动力和外部扰动力矩；根据第一控制误差向量和预设的虚拟控制力设置视觉外环控制器，将外部扰动力输入视觉外环控制器，得到期望推力；根据预设的虚拟控制力设置姿态内环控制器，将外部扰动力矩输入姿态内环控制器，得到期望控制力矩；飞行控制器根据期望推力和期望控制力矩控制旋翼无人机飞行。该方法对场景具有很强的鲁棒性，在复杂环境下也能实现旋翼无人机自主飞行。

Description

一种基于视觉的旋翼无人机抗扰动控制方法及系统
技术领域
本发明涉及旋翼无人机自主控制领域，特别涉及一种存在外界扰动下基于视觉的旋翼无人机扰动控制方法及系统。
背景技术
旋翼无人机是一种通过旋转叶片产生升力的飞行器，广泛应用于空中摄影、农业、科学研究和军事任务等领域。与固定翼无人机不同，旋翼无人机具有垂直起降和在狭小空间内悬停和飞行等优势。随着技术的不断进步，旋翼无人机在一些人类难以到达的环境和具有挑战的项目中表现出越来越强大的能力，逐渐取代载人飞行器。但是，旋翼无人机在应用过程中也面临着一些挑战，如外界扰动的影响以及高效的自我姿态控制问题。因此，采用基于机载视觉传感器的自抗扰技术和姿态控制技术成为旋翼无人机在复杂环境中实现自主飞行的关键。
旋翼无人机在飞行过程中可能会受到各种扰动，这些扰动可能来自外界环境或无人机本身的动力系统，包括风扰动、气流扰动、操纵系统扰动以及负载扰动等，这些扰动都会影响旋翼无人机的稳定性。在旋翼无人机自主飞行过程中，受到的外界扰动是一个不可测量的量。对于旋翼无人机来说，如何获取外部扰动量仍然是一个悬而未决的问题。同时，旋翼无人机是一个欠驱动的系统，位置和姿态变化是高度耦合的。只有在姿态快速稳定的前提下，旋翼无人机的整个系统才会快速稳定。
在受到扰动的环境中，旋翼无人机需要具备高动态鲁棒性的姿态控制能力。然而，传统的控制器已经无法满足这种需求。因此，需要采用新的控制方法，以使旋翼无人机在更为复杂的环境下仍能保持高鲁棒性的控制能力。
发明内容
本发明的目的在于针对当前旋翼无人机系统的在扰动环境下控制鲁棒性不足，提出了一种基于视觉的旋翼无人机抗扰动控制方法及系统，该方法中旋翼无人机无需知道自身的位置信息，仅通过视觉信息就可以实现悬停、降落、目标跟踪以及抗外界扰动等多项任务。采用一个视野向下摄像头的图像输入，通过求解一幅参考图像和当前图像的单应性矩阵作为视觉特征，提出了一种新的自适应滑膜几何姿态控制器用以控制旋翼无人机的姿态，同时设计了一个自身的扰动观测器来观测各种扰动，提高控制器的鲁棒性，实现了在扰动环境下的鲁棒控制，解决了传统旋翼无人机在扰动环境中实现悬停、降落、跟踪等多种任务中鲁棒性不足的问题。
本发明的目的在于提供一种基于视觉的旋翼无人机抗扰动控制方法，包括如下步骤：
S1、通过相机实时采集周围环境图像，通过飞行控制器中的惯性里程计实时采集旋翼无人机的角速度，机载处理器接收周围环境图像并处理得到单应性矩阵，根据单应性矩阵和预设的虚拟控制误差函数得到第一控制误差向量；
S2、根据单应性矩阵设置扰动观测器，扰动观测器根据第一控制误差向量和角速度估计旋翼无人机的外部扰动量，外部扰动量包括外部扰动力和外部扰动力矩；
S3、设置虚拟控制输入力，根据第一控制误差向量和虚拟控制输入力设置视觉外环控制器，将外部扰动力输入至视觉外环控制器，经过处理，得到期望推力，将期望推力通过机载处理器输出；
S4、根据虚拟控制输入力设置姿态内环控制器，将外部扰动力矩输入至姿态内环控制器，经过处理，得到期望控制力矩，将期望控制力矩通过机载处理器输出；
S5、飞行控制器接收机载处理器输出的期望推力和期望控制力矩，并根据期望推力和期望控制力矩控制旋翼无人机的鲁棒飞行。
优选地，S1中根据单应性矩阵和预设的虚拟控制误差函数得到第一控制误差向量，第一控制误差向量具体为：
Figure SMS_1
其中，
Figure SMS_2
式中，
Figure SMS_3
为第一控制误差向量，/>
Figure SMS_4
为/>
Figure SMS_5
单位矩阵，/>
Figure SMS_6
为图像间的虚拟单应性矩阵，/>
Figure SMS_7
为三维向量，/>
Figure SMS_8
为俯仰旋转矩阵和翻滚旋转矩阵的乘积，/>
Figure SMS_9
为图像间的单应性矩阵。
优选地，S2中根据单应性矩阵设置扰动观测器，具体包括：
S21、根据单应性矩阵和旋翼无人机的数学模型设置旋翼无人机的视觉伺服模型；
S22、重写旋翼无人机的视觉伺服模型，得到包含扰动的动力学模型；
S23、设置包含扰动的动力学模型趋于稳定时对应的扰动观测器。
优选地，S23设置包含扰动的动力学模型趋于稳定时对应的扰动观测器，扰动观测器具体为：
Figure SMS_10
Figure SMS_11
其中，
Figure SMS_12
式中，
Figure SMS_14
为中间变量/>
Figure SMS_19
的一阶导数，/>
Figure SMS_25
为旋翼无人机受到的扰动量/>
Figure SMS_16
的估计，
Figure SMS_21
、/>
Figure SMS_24
、/>
Figure SMS_26
均为对角正定增益矩阵，参数/>
Figure SMS_13
、/>
Figure SMS_17
、/>
Figure SMS_20
、/>
Figure SMS_23
、/>
Figure SMS_15
、/>
Figure SMS_18
均为过程变量，/>
Figure SMS_22
为过程变量
Figure SMS_27
的一阶导数。
优选地，S3中根据第一控制误差向量和虚拟控制输入力设置视觉外环控制器，具体包括：
S31、根据第一控制误差向量构建第二控制误差向量；
S32、分别对第一控制误差向量和第二控制误差向量求一阶导数，并结合虚拟控制力得到视觉外环动态方程；
S33、设置视觉外环动态方程趋于稳定时对应的视觉外环控制器。
优选地，S33设置视觉外环动态方程趋于稳定时对应的视觉外环控制器，视觉外环控制器具体为：
Figure SMS_28
其中，
Figure SMS_29
其中，
Figure SMS_30
为设置的虚拟控制输入力，是一个中间变量，/>
Figure SMS_31
为正定矩阵，/>
Figure SMS_32
为扰动观测器估计的外部扰动力，/>
Figure SMS_33
为第二控制误差向量，/>
Figure SMS_34
为第一控制误差向，/>
Figure SMS_35
为一个正的控制常量，/>
Figure SMS_36
为虚拟坐标系的线速度。
优选地，S4中根据虚拟控制输入力设置姿态内环控制器，具体包括：
S41、根据虚拟控制输入力构建期望姿态矩阵；
S42、根据期望姿态矩阵在李群空间定义姿态误差向量和姿态角速度误差向量；
S43、分别对姿态误差向量和姿态角速度误差向量求一阶导数，得到姿态内环动态方程；
S44、根据姿态误差向量和姿态角速度误差向量设置滑膜面，结合姿态内环动态方程设置滑膜面趋于稳定时对应的姿态内环控制器。
优选地，S44根据姿态误差向量和姿态角速度误差向量设置滑膜面，滑膜面具体为：
Figure SMS_37
其中，
Figure SMS_38
Figure SMS_39
式中，
Figure SMS_40
为滑膜面，/>
Figure SMS_43
为正值，/>
Figure SMS_45
为姿态误差向量，/>
Figure SMS_41
为姿态角速度误差向量，/>
Figure SMS_44
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure SMS_46
为期望姿态矩阵，/>
Figure SMS_47
为旋翼无人机相在机体坐标系的角速度，/>
Figure SMS_42
为期望角速度。
优选地，S44结合姿态内环动态方程设置滑膜面趋于稳定时对应的姿态内环控制器，姿态内环控制器具体为：
Figure SMS_48
其中，
Figure SMS_49
Figure SMS_50
Figure SMS_51
式中，
Figure SMS_55
为期望控制力矩，/>
Figure SMS_56
为自适应控制率，/>
Figure SMS_60
为三维符号函数，
Figure SMS_52
，/>
Figure SMS_58
为滑膜面，/>
Figure SMS_61
为正常数，/>
Figure SMS_64
为扰动力矩/>
Figure SMS_54
的估计，/>
Figure SMS_59
为反对称矩阵，/>
Figure SMS_66
为旋翼无人机相在机体坐标系的角速度，/>
Figure SMS_69
为旋翼无人机的惯性矩阵，/>
Figure SMS_68
为中间变量，/>
Figure SMS_70
为正值，/>
Figure SMS_73
为包含姿态误差向量/>
Figure SMS_75
的表达式，/>
Figure SMS_67
为单位矩阵，/>
Figure SMS_71
为姿态角速度误差向量，/>
Figure SMS_72
为自适应控制率/>
Figure SMS_74
的一阶导数，/>
Figure SMS_53
为一个正常数，/>
Figure SMS_57
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure SMS_62
为期望姿态矩阵，/>
Figure SMS_63
为期望角速度/>
Figure SMS_65
的一阶导数。
一种基于视觉的旋翼无人机抗扰动控制系统，使用基于视觉的旋翼无人机抗扰动控制方法对旋翼无人机进行控制，系统包括：旋翼无人机、相机、机载处理器和飞行控制器，
相机设置于旋翼无人机的正下方，用于实时采集周围环境图像；
飞行控制器设置于旋翼无人机上，飞行控制器包括惯性测量单元，惯性测量单元用于实时测量旋翼无人机的角速度；
机载处理器设置于旋翼无人机上，机载处理器中设置了视觉外环控制器和姿态内环控制器，机载处理器通过视觉外环控制器和姿态内环控制器对周围环境图像和旋翼无人机的角速度进行处理，得到期望推力和期望控制力矩；
飞行控制器与机载处理器网络连接，用于接收机载处理器输出的期望推力和期望控制力矩，并通过期望推力和期望控制力矩控制旋翼无人机的飞行。
上述一种基于视觉的旋翼无人机抗扰动控制方法及系统，通过设计基于视觉特征的扰动观测器，可以快速精准的估计自身的受到的扰动量大小；提出了一种基于自适应滑膜理论的姿态内环控制器，通过姿态内环控制器输出的期望控制力矩可以快速控制旋翼无人机的姿态；利用单应性特征法作为基础，相较于采用特征和光流等方法，其具有更强的鲁棒性和更高的效率。该方法控制的旋翼无人机能够在外界存在扰动的条件下稳定运行，仅由旋翼无人机自身的机载处理器进行自主控制，相比于传统的控制方法，该方法对场景具有很强的鲁棒性，即使在更复杂环境的条件下也能实现自主飞行。
附图说明
图1是本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制方法的流程图；
图2是本发明一实施例中机载处理器抗扰动控制方法框架示意图；
图3是本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制方法及系统的框架示意图；
图4是本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制系统中各坐标系间的关系示意图；
图5是本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
一种基于视觉的旋翼无人机抗扰动控制方法，具体包括：
S1、通过相机实时采集周围环境图像，通过飞行控制器中的惯性里程计实时采集旋翼无人机的角速度，机载处理器接收周围环境图像并处理得到单应性矩阵，根据单应性矩阵和预设的虚拟控制误差函数得到第一控制误差向量；
S2、根据单应性矩阵设置扰动观测器，扰动观测器根据第一控制误差向量和角速度估计旋翼无人机的外部扰动量，外部扰动量包括外部扰动力和外部扰动力矩；
S3、设置虚拟控制输入力，根据第一控制误差向量和虚拟控制输入力设置视觉外环控制器，将外部扰动力输入至视觉外环控制器，经过处理，得到期望推力，将期望推力通过机载处理器输出；
S4、根据虚拟控制输入力设置姿态内环控制器，将外部扰动力矩输入至姿态内环控制器，经过处理，得到期望控制力矩，将期望控制力矩通过机载处理器输出；
S5、飞行控制器接收机载处理器输出的期望推力和期望控制力矩，并根据期望推力和期望控制力矩控制旋翼无人机的鲁棒飞行。
具体地，参见图1、图2和图3，图1为本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制方法的流程图；图2为本发明一实施例中机载处理器抗扰动控制方法框架示意图；图3为本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制方法及系统的框架示意图。
首先通过旋翼无人机上的相机实时采集周围环境图像，飞行控制器中的惯性里程计实时采集旋翼无人机的角速度，机载处理器接收周围环境图像并处理得到单应性矩阵，根据单应性矩阵和预设的虚拟控制误差函数得到第一控制误差向量；然后根据单应性矩阵设计扰动观测器，扰动观测器根据第一控制误差向量和角速度估计旋翼无人机的外部扰动量，外部扰动量包括外部扰动力和外部扰动力矩；接着设置虚拟控制输入力，根据第一控制误差向量和虚拟控制输入力设置视觉外环控制器，将外部扰动力输入视觉外环控制器，经过处理，得出期望推力；接着根据虚拟控制输入力设置姿态内环控制器，将外部扰动力矩输入姿态内环控制器，经过处理，得到期望控制力矩；扰动观测器、视觉外环控制器和姿态内环控制器均设置在机载处理器中，在旋翼无人机自主飞行途中，机载处理器通过不断地解算期望推力和期望控制力矩，同时将得到的期望推力和期望控制力矩输入飞行控制器中，飞行控制器对旋翼无人机进行姿态的控制，从而实现旋翼无人机的自主飞行。在该实施例中，带有惯性里程计的飞行控制器的型号为PX4。
在一个实施例中，S1中根据单应性矩阵和预设的虚拟控制误差函数得到第一控制误差向量，第一控制误差向量具体为：
Figure SMS_76
其中，
Figure SMS_77
式中，
Figure SMS_78
为第一控制误差向量，/>
Figure SMS_79
为/>
Figure SMS_80
单位矩阵，/>
Figure SMS_81
为图像间的虚拟单应性矩阵，/>
Figure SMS_82
为三维向量，/>
Figure SMS_83
为俯仰旋转矩阵和翻滚旋转矩阵的乘积，/>
Figure SMS_84
为图像间的单应性矩阵。
具体地，在求解得出图像间的单应性矩阵
Figure SMS_85
后，根据单应性矩阵设计第一控制误差向量：
Figure SMS_86
（1）
式中，
Figure SMS_87
为第一控制误差向量，/>
Figure SMS_88
为/>
Figure SMS_89
单位矩阵，/>
Figure SMS_90
为图像间的虚拟单应性矩阵，/>
Figure SMS_91
为图像间的单应性矩阵，/>
Figure SMS_92
为俯仰旋转矩阵和翻滚旋转矩阵的乘积，/>
Figure SMS_93
为三维向量。
在一个实施例中，S2中根据单应性矩阵设置扰动观测器，具体包括：
S21、根据单应性矩阵和旋翼无人机的数学模型设置旋翼无人机的视觉伺服模型；
S22、重写旋翼无人机的视觉伺服模型，得到包含扰动的动力学模型；
S23、设置包含扰动的动力学模型趋于稳定时对应的扰动观测器。
在一个实施例中，S23设置包含扰动的动力学模型趋于稳定时对应的扰动观测器，扰动观测器具体为：
Figure SMS_94
Figure SMS_95
其中，
Figure SMS_96
式中，
Figure SMS_99
为中间变量/>
Figure SMS_103
的一阶导数，/>
Figure SMS_107
为旋翼无人机受到的扰动量/>
Figure SMS_97
的估计，
Figure SMS_102
、/>
Figure SMS_106
、/>
Figure SMS_110
均为对角正定增益矩阵，参数/>
Figure SMS_98
、/>
Figure SMS_104
、/>
Figure SMS_108
、/>
Figure SMS_111
、/>
Figure SMS_100
、/>
Figure SMS_101
均为过程变量，/>
Figure SMS_105
为过程变量
Figure SMS_109
的一阶导数。
具体地，根据单应性矩阵设置扰动观测器，过程如下：
1）选取
Figure SMS_112
，根据第一控制误差向量以及旋翼无人机的数学模型可以得到旋翼无人机的视觉伺服模型：
Figure SMS_113
（2）-1
Figure SMS_114
（2）-2
Figure SMS_115
（2）-3
Figure SMS_116
（2）-4
Figure SMS_117
（2）-5
其中，
Figure SMS_135
为第一控制误差向量/>
Figure SMS_137
的一阶导数，/>
Figure SMS_140
为反对称矩阵，/>
Figure SMS_118
为旋翼无人机相对机体坐标系的角速度，/>
Figure SMS_122
，/>
Figure SMS_126
为惯性坐标系下Z轴的单位向量，
Figure SMS_130
，/>
Figure SMS_120
为旋翼无人机受到的扰动量，扰动量包括扰动力和扰动力矩，/>
Figure SMS_124
为旋翼无人机在虚拟坐标系受到的扰动力，/>
Figure SMS_129
为旋翼无人机在机体坐标系上的外部扰动力，/>
Figure SMS_133
为旋翼无人机在机体坐标系下的扰动力矩，是一个三维向量，
Figure SMS_136
是一个正常数，/>
Figure SMS_139
为旋翼无人机在虚拟坐标系的线速度/>
Figure SMS_141
的一阶导数，/>
Figure SMS_142
为作用在旋翼无人机上的推力和重力之和，是一个三维向量，/>
Figure SMS_127
为作用在旋翼无人机上的推力和重力之和/>
Figure SMS_131
在虚拟坐标系上的表示，/>
Figure SMS_134
为旋翼无人机的重量，/>
Figure SMS_138
为重力加速度，/>
Figure SMS_121
为旋翼无人机的惯性矩阵，/>
Figure SMS_125
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure SMS_128
为机体坐标系下的力矩，/>
Figure SMS_132
为推力，是一个一维的正值，/>
Figure SMS_119
为目标平面相对于参考坐标系的法向量，/>
Figure SMS_123
为参位置到目标平面的距离。
参见图4，图4是本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制系统中各坐标系间的关系示意图。
图4中示出了虚拟坐标系（
Figure SMS_143
）和旋翼无人机的机体坐标系（/>
Figure SMS_144
）的关系，虚拟坐标系的原点和偏航角与旋翼无人机的机体坐标系的原点和偏航角一样，虚拟坐标系的俯仰角和翻滚角与参考坐标系（/>
Figure SMS_145
）的俯仰角和翻滚角一样，（不因旋翼无人机俯仰和翻滚运动改变），/>
Figure SMS_146
为惯性坐标系。
2）对旋翼无人机的视觉伺服模型进行重写，得到包含扰动的动力学模型：
Figure SMS_147
（3）
其中，
Figure SMS_148
Figure SMS_149
Figure SMS_150
Figure SMS_151
Figure SMS_152
Figure SMS_153
式中，
Figure SMS_155
为旋翼无人机受到的扰动量，参数/>
Figure SMS_158
、/>
Figure SMS_162
、/>
Figure SMS_157
、/>
Figure SMS_161
、/>
Figure SMS_164
、/>
Figure SMS_166
均为过程变量，用于方便书写公式，无具体含义，/>
Figure SMS_154
为过程变量/>
Figure SMS_160
的二阶导数，/>
Figure SMS_165
为角速度积分量，/>
Figure SMS_167
为偏航旋转矩阵，/>
Figure SMS_156
为俯仰旋转矩阵和翻滚旋转矩阵的乘积，/>
Figure SMS_159
为推力，是一个一维的正值，/>
Figure SMS_163
为机体坐标系下的力矩。
3）设置包含扰动的动力学模型趋于稳定时对应的扰动观测器：
Figure SMS_168
（4）
Figure SMS_169
其中，
Figure SMS_170
式中，
Figure SMS_172
为中间变量，/>
Figure SMS_175
为中间变量/>
Figure SMS_179
的一阶导数，/>
Figure SMS_173
为旋翼无人机受到的扰动量
Figure SMS_176
的估计，/>
Figure SMS_177
、/>
Figure SMS_180
、/>
Figure SMS_171
均为对角正定增益矩阵，/>
Figure SMS_174
为过程变量/>
Figure SMS_178
的一阶导数。
将第一控制误差向量和飞行控制器中惯性里程计读取的旋翼无人机的角速度输入至扰动观测器，经过处理，输出旋翼无人机的扰动量，扰动量包括扰动力和扰动力矩。
扰动观测器输出的扰动力基于视觉特征构建，能够在有限的时间内收敛至外界扰动力真实值，扰动观测器输出的扰动力矩则根据角速度构建，能够在有限的时间内收敛至外界扰动力矩真实值。
实际测试中，
Figure SMS_181
，/>
Figure SMS_182
是最好的参数。
在一个实施例中，S3中根据第一控制误差向量和虚拟控制输入力设置视觉外环控制器，具体包括：
S31、根据第一控制误差向量构建第二控制误差向量；
S32、分别对第一控制误差向量和第二控制误差向量求一阶导数，并结合虚拟控制力得到视觉外环动态方程；
S33、设置视觉外环动态方程趋于稳定时对应的视觉外环控制器。
在一个实施例中，S33设置视觉外环动态方程趋于稳定时对应的视觉外环控制器，视觉外环控制器具体为：
Figure SMS_183
其中，
Figure SMS_184
其中，
Figure SMS_185
为设置的虚拟控制输入力，是一个中间变量，/>
Figure SMS_186
为正定矩阵，/>
Figure SMS_187
为扰动观测器估计的外部扰动力，/>
Figure SMS_188
为第二控制误差向量，/>
Figure SMS_189
为第一控制误差向量，/>
Figure SMS_190
为一个正的控制常量，/>
Figure SMS_191
为虚拟坐标系的线速度。
具体地，根据第一控制误差向量设置视觉外环控制器，根据视觉外环控制器计算得到期望推力，过程如下：
1）基于反步法的思想，根据第一控制误差向量构建第二控制误差向量
Figure SMS_192
（5）
式中，
Figure SMS_193
为第一控制误差向量，/>
Figure SMS_194
为第二控制误差向量，/>
Figure SMS_195
为虚拟坐标系在参考坐标系的速度，/>
Figure SMS_196
为一个正的控制常量。
预设虚拟控制输入力，分别对第一控制误差向量和第二控制控制误差向量求一阶导数，并结合预设的虚拟控制输入力得到视觉外环动态方程：
Figure SMS_197
（6）
式中，
Figure SMS_198
为第一控制误差向量/>
Figure SMS_199
的一阶导数，/>
Figure SMS_200
为第二控制误差向量/>
Figure SMS_201
的一阶导数，/>
Figure SMS_202
为设置的虚拟控制输入力（也就是作用在旋翼无人机上的推力和重力之和/>
Figure SMS_203
在虚拟坐标系下的表示），是一个中间变量。
3）设置视觉外环动态方程趋于稳定时对应的视觉外环控制器：
Figure SMS_204
（7）
其中，
Figure SMS_205
为设置的虚拟控制输入力，是一个中间变量，/>
Figure SMS_206
为正定矩阵，/>
Figure SMS_207
为扰动观测器估计的旋翼无人机受到的外部扰动力。
4）将扰动观测器输出的扰动力输入至视觉外环控制器，经过处理，得到期望推力：
将公式（7）代入公式（2）-3，并对公式（2）-3求导，得到期望推力的计算公式：
Figure SMS_208
（8）
式中，
Figure SMS_209
为旋翼无人机的期望推力，/>
Figure SMS_210
为设置的虚拟控制输入力，/>
Figure SMS_211
为翻滚旋转矩阵和俯仰翻滚矩阵的乘积，/>
Figure SMS_212
为惯性坐标系下Z轴的单位向量。
其中，
Figure SMS_213
，/>
Figure SMS_214
是实验中最好的参数。
在一个实施例中，S4中根据虚拟控制输入力设置姿态内环控制器，具体包括：
S41、根据虚拟控制输入力构建期望姿态矩阵；
S42、根据期望姿态矩阵在李群空间定义姿态误差向量和姿态角速度误差向量；
S43、分别对姿态误差向量和姿态角速度误差向量求一阶导数，得到姿态内环动态方程；
S44、根据姿态误差向量和姿态角速度误差向量设置滑膜面，结合姿态内环动态方程设置滑膜面趋于稳定时对应的姿态内环控制器。
在一个实施例中，S44根据姿态误差向量和姿态角速度误差向量设置滑膜面，滑膜面具体为：
Figure SMS_215
其中，
Figure SMS_216
Figure SMS_217
式中，
Figure SMS_219
为滑膜面，/>
Figure SMS_222
为正值，/>
Figure SMS_223
为姿态误差向量，/>
Figure SMS_220
为姿态角速度误差向量，/>
Figure SMS_221
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure SMS_224
为期望姿态矩阵，/>
Figure SMS_225
为旋翼无人机相在机体坐标系的角速度，/>
Figure SMS_218
为期望角速度。
在一个实施例中，S44结合姿态内环动态方程设置滑膜面趋于稳定时对应的姿态内环控制器，姿态内环控制器具体为：
Figure SMS_226
其中，
Figure SMS_227
Figure SMS_228
Figure SMS_229
式中，
Figure SMS_248
为期望控制力矩，/>
Figure SMS_250
为自适应控制率，/>
Figure SMS_252
为三维符号函数，
Figure SMS_231
，/>
Figure SMS_235
为滑膜面，/>
Figure SMS_240
为正常数，/>
Figure SMS_244
为扰动力矩/>
Figure SMS_236
的估计，/>
Figure SMS_239
为反对称矩阵，/>
Figure SMS_243
为旋翼无人机相在机体坐标系的角速度，/>
Figure SMS_247
为旋翼无人机的惯性矩阵，/>
Figure SMS_246
为中间变量，/>
Figure SMS_249
为正值，/>
Figure SMS_251
为包含姿态误差向量/>
Figure SMS_253
的表达式，/>
Figure SMS_232
为单位矩阵，/>
Figure SMS_234
为姿态角速度误差向量，/>
Figure SMS_238
为自适应控制率/>
Figure SMS_242
的一阶导数，/>
Figure SMS_233
为一个正常数，/>
Figure SMS_237
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure SMS_241
为期望姿态矩阵，/>
Figure SMS_245
为期望角速度/>
Figure SMS_230
的一阶导数。
具体地，设置姿态内环控制器，根据姿态内环控制器计算出期望控制力矩，过程如下：
1）用设置的虚拟控制输入力
Figure SMS_254
构建期望姿态矩阵/>
Figure SMS_255
：
Figure SMS_256
（9）
其中，
Figure SMS_257
/>
Figure SMS_258
Figure SMS_259
Figure SMS_260
Figure SMS_261
式中，
Figure SMS_264
为期望姿态矩阵，/>
Figure SMS_265
为期望姿态矩阵的X、Y、Z轴的向量，/>
Figure SMS_269
为期望偏航向量，/>
Figure SMS_263
为设置的虚拟控制输入力，/>
Figure SMS_267
为中间变量，假设/>
Figure SMS_268
，在旋翼无人机实际飞行中，/>
Figure SMS_271
为偏航旋转矩阵，/>
Figure SMS_262
为旋翼无人机期望的偏航角，/>
Figure SMS_266
为旋翼无人机的重量，/>
Figure SMS_270
为重力加速度，/>
Figure SMS_272
为控制参数。
2）在李群空间定义姿态误差向量和姿态角速度误差向量：
Figure SMS_273
（10）-1
Figure SMS_274
（10）-2
式中，
Figure SMS_275
为姿态误差向量，/>
Figure SMS_276
为姿态角速度误差向量，/>
Figure SMS_277
为旋翼无人机在机体坐标系的角速度，/>
Figure SMS_278
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure SMS_279
为期望姿态矩阵，
Figure SMS_280
为期望角速度。
3）对姿态误差向量和姿态角速度误差向量分别求关于时间的一阶导数，得到姿态内环动态方程：
Figure SMS_281
（11）
式中，
Figure SMS_282
为包含姿态误差向量/>
Figure SMS_283
的表达式，/>
Figure SMS_284
为姿态误差向量/>
Figure SMS_285
的一阶导数，/>
Figure SMS_286
为姿态角速度误差向量/>
Figure SMS_287
的一阶导数。
4）根据姿态误差向量和姿态角速度误差向量设置滑膜面：
Figure SMS_288
（12）
其中，
Figure SMS_289
为滑膜面，/>
Figure SMS_290
为正值。
5）结合姿态内环动态方程，计算滑膜面快速稳定时（
Figure SMS_291
）的姿态内环控制器：
Figure SMS_292
（13）/>
其中，
Figure SMS_293
Figure SMS_294
Figure SMS_295
式中，
Figure SMS_297
为期望控制力矩，/>
Figure SMS_300
为自适应控制率，/>
Figure SMS_304
为滑膜面，/>
Figure SMS_296
为三维符号函数，/>
Figure SMS_301
，/>
Figure SMS_306
为扰动力矩/>
Figure SMS_307
的估计，/>
Figure SMS_299
为正常数，
Figure SMS_303
为包含姿态误差向量/>
Figure SMS_305
的表达式，根据姿态内环动态方程推导得出的，/>
Figure SMS_308
为中间变量，/>
Figure SMS_298
为期望角速度/>
Figure SMS_302
的一阶导数。
为了解决滑膜控制过程中存在抖振问题，设置如下的自适应控制率：
Figure SMS_309
（14）
其中，
Figure SMS_310
为自适应控制率/>
Figure SMS_311
的一阶导数，/>
Figure SMS_312
为一个正常数。
6）将扰动力矩输入姿态内环控制器，经过处理输出期望控制力矩。
Figure SMS_313
是测试中的最好参数。
在旋翼无人机自主飞行途中，不断的解算期望推力和力矩，同时将控制量输入控制器中，对旋翼无人机进行一个姿态的控制，从而实现旋翼无人机的自主飞行。
一种基于视觉的旋翼无人机抗扰动控制系统，使用基于视觉的旋翼无人机抗扰动控制方法对旋翼无人机进行控制，系统包括：旋翼无人机、相机、机载处理器和飞行控制器，
相机设置于旋翼无人机的正下方，用于实时采集周围环境图像；
飞行控制器设置于旋翼无人机上，飞行控制器包括惯性测量单元，惯性测量单元用于实时测量旋翼无人机的角速度；
机载处理器设置于旋翼无人机上，机载处理器中设置了视觉外环控制器和姿态内环控制器，机载处理器通过视觉外环控制器和姿态内环控制器对周围环境图像和旋翼无人机的角速度进行处理，得到期望推力和期望控制力矩；
飞行控制器与机载处理器网络连接，用于接收机载处理器输出的期望推力和期望控制力矩，并通过期望推力和期望控制力矩控制旋翼无人机的飞行。
具体地，参见图5，图5为本发明一实施例中一种基于视觉的旋翼无人机抗扰动控制系统的结构示意图。
一种基于视觉的旋翼无人机抗扰动控制系统，包括一架旋翼无人机4、飞行控制器3，相机2和机载处理器1；其中机载处理器1安装在旋翼无人机正上方，相机2需安装在旋翼无人机正下方且视野向下，其中摄像头的视野范围为90°，刷新频率为50HZ，图片像素大小为640×480。
相机2实时采集旋翼无人机4的周围环境图像，飞行控制器3中的惯性传感器实时采集旋翼无人机的角速度；
机载处理器1接收旋翼无人机4的周围环境图像和角速度，经过处理输出期望推力和期望控制力矩；
飞行控制器3根据机载处理器1输出的期望推力和期望控制力矩对旋翼无人机4进行控制。
作为本实施例的一个改进，旋翼无人机平台选用阿木实验室的 JCV-600 无人机开发平台。
作为本实施例的一个改进，机载处理器1选用Intel 的 NUC11PAHi7卫星电脑。
作为本实施例的一个改进，相机2选用大恒图像的 VEN-161 系列相机。
上述一种基于视觉抗扰动的旋翼无人机控制方法及系统，通过设计基于视觉特征的扰动观测器，可以快速精准的估计自身的受到的扰动量大小；提出了一种基于自适应滑膜理论的姿态内环控制器，通过姿态内环控制器输出的期望控制力矩可以快速控制旋翼无人机的姿态；利用单应性特征法作为基础，相较于采用特征和光流等方法，其具有更强的鲁棒性和更高的效率。该方法控制的旋翼无人机能够在外界存在扰动的条件下稳定运行，仅由旋翼无人机自身的机载处理器进行自主控制，相比于传统的控制方法，该方法对场景具有很强的鲁棒性，即使在更复杂环境的条件下也能实现自主飞行。
以上对本发明所提供的一种基于视觉的旋翼无人机抗扰动控制方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述方法包括：
S1、通过相机实时采集周围环境图像，通过飞行控制器中的惯性里程计实时采集旋翼无人机的角速度，机载处理器接收周围环境图像并处理得到单应性矩阵，根据所述单应性矩阵和预设的虚拟控制误差函数得到第一控制误差向量；
S2、根据所述单应性矩阵设置扰动观测器，所述扰动观测器根据所述第一控制误差向量和所述角速度估计旋翼无人机的外部扰动量，所述外部扰动量包括外部扰动力和外部扰动力矩；
S3、设置虚拟控制输入力，根据所述第一控制误差向量和所述虚拟控制输入力设置视觉外环控制器，将所述外部扰动力输入至所述视觉外环控制器，经过处理，得到期望推力，将所述期望推力通过所述机载处理器输出；
S4、根据所述虚拟控制输入力设置姿态内环控制器，将所述外部扰动力矩输入至所述姿态内环控制器，经过处理，得到期望控制力矩，将所述期望控制力矩通过所述机载处理器输出；
S5、飞行控制器接收所述机载处理器输出的期望推力和期望控制力矩，并根据所述期望推力和期望控制力矩控制所述旋翼无人机的鲁棒飞行。
2.如权利要求1所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S1中根据所述单应性矩阵和预设的虚拟控制误差函数得到第一控制误差向量，所述第一控制误差向量具体为：
Figure QLYQS_3
其中，/>
Figure QLYQS_5
式中，/>
Figure QLYQS_6
为第一控制误差向量，/>
Figure QLYQS_2
为/>
Figure QLYQS_7
单位矩阵，
Figure QLYQS_8
为图像间的虚拟单应性矩阵，/>
Figure QLYQS_9
为三维向量，/>
Figure QLYQS_1
为俯仰旋转矩阵和翻滚旋转矩阵的乘积，/>
Figure QLYQS_4
为图像间的单应性矩阵。
3.如权利要求2所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S2中根据所述单应性矩阵设置扰动观测器，具体包括：
S21、根据所述单应性矩阵和旋翼无人机的数学模型设置旋翼无人机的视觉伺服模型；
S22、重写所述旋翼无人机的视觉伺服模型，得到包含扰动的动力学模型；
S23、设置所述包含扰动的动力学模型趋于稳定时对应的扰动观测器。
4.如权利要求3所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S23设置所述包含扰动的动力学模型趋于稳定时对应的扰动观测器，所述扰动观测器具体为：
Figure QLYQS_15
Figure QLYQS_16
其中，/>
Figure QLYQS_27
式中，/>
Figure QLYQS_13
为中间变量/>
Figure QLYQS_20
的一阶导数，/>
Figure QLYQS_14
为旋翼无人机受到的扰动量/>
Figure QLYQS_23
的估计，/>
Figure QLYQS_17
、/>
Figure QLYQS_18
、
Figure QLYQS_10
均为对角正定增益矩阵，参数/>
Figure QLYQS_22
、/>
Figure QLYQS_12
、/>
Figure QLYQS_19
、/>
Figure QLYQS_25
、/>
Figure QLYQS_26
、/>
Figure QLYQS_11
均为过程变量，/>
Figure QLYQS_21
为过程变量/>
Figure QLYQS_24
的一阶导数。
5.如权利要求4所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S3中根据所述第一控制误差向量和所述虚拟控制输入力设置视觉外环控制器，具体包括：
S31、根据所述第一控制误差向量构建第二控制误差向量；
S32、分别对所述第一控制误差向量和第二控制误差向量求一阶导数，并结合所述虚拟控制输入力得到视觉外环动态方程；
S33、设置所述视觉外环动态方程趋于稳定时对应的视觉外环控制器。
6.如权利要求5所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S33设置所述视觉外环动态方程趋于稳定时对应的视觉外环控制器，所述视觉外环控制器具体为：
Figure QLYQS_30
其中，/>
Figure QLYQS_32
其中，/>
Figure QLYQS_36
为设置的虚拟控制输入力，是一个中间变量，/>
Figure QLYQS_29
为正定矩阵，/>
Figure QLYQS_33
为扰动观测器估计的外部扰动力，/>
Figure QLYQS_34
为第二控制误差向量，
Figure QLYQS_35
为第一控制误差向量，/>
Figure QLYQS_28
为一个正的控制常量，/>
Figure QLYQS_31
为虚拟坐标系的线速度。
7.如权利要求6所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S4中根据所述虚拟控制输入力设置姿态内环控制器，具体包括：
S41、根据所述虚拟控制输入力构建期望姿态矩阵；
S42、根据所述期望姿态矩阵在李群空间定义姿态误差向量和姿态角速度误差向量；
S43、分别对所述姿态误差向量和姿态角速度误差向量求一阶导数，得到姿态内环动态方程；
S44、根据所述姿态误差向量和姿态角速度误差向量设置滑膜面，结合所述姿态内环动态方程设置滑膜面趋于稳定时对应的姿态内环控制器。
8.如权利要求7所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S44根据所述姿态误差向量和姿态角速度误差向量设置滑膜面，所述滑膜面具体为：
Figure QLYQS_39
其中，/>
Figure QLYQS_40
Figure QLYQS_42
式中，/>
Figure QLYQS_38
为滑膜面，
Figure QLYQS_41
为正值，/>
Figure QLYQS_45
为姿态误差向量，/>
Figure QLYQS_47
为姿态角速度误差向量，/>
Figure QLYQS_37
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure QLYQS_43
为期望姿态矩阵，/>
Figure QLYQS_44
为旋翼无人机相在机体坐标系的角速度，/>
Figure QLYQS_46
为期望角速度。
9.如权利要求8所述的基于视觉的旋翼无人机抗扰动控制方法，其特征在于，所述S44结合所述姿态内环动态方程设置滑膜面趋于稳定时对应的姿态内环控制器，所述姿态内环控制器具体为：
Figure QLYQS_55
其中，/>
Figure QLYQS_64
Figure QLYQS_70
Figure QLYQS_49
式中，
Figure QLYQS_59
为期望控制力矩，/>
Figure QLYQS_66
为自适应控制率，/>
Figure QLYQS_72
为三维符号函数，
Figure QLYQS_53
，/>
Figure QLYQS_60
为滑膜面，/>
Figure QLYQS_67
为正常数，/>
Figure QLYQS_73
为扰动力矩/>
Figure QLYQS_54
的估计，/>
Figure QLYQS_61
为反对称矩阵，/>
Figure QLYQS_74
为旋翼无人机相在机体坐标系的角速度，/>
Figure QLYQS_75
为旋翼无人机的惯性矩阵，/>
Figure QLYQS_51
为中间变量，/>
Figure QLYQS_58
为正值，/>
Figure QLYQS_62
为包含姿态误差向量/>
Figure QLYQS_69
的表达式，/>
Figure QLYQS_48
为单位矩阵，/>
Figure QLYQS_56
为姿态角速度误差向量，/>
Figure QLYQS_65
为自适应控制率/>
Figure QLYQS_71
的一阶导数，/>
Figure QLYQS_50
为一个正常数，/>
Figure QLYQS_57
为机体坐标系相对于参考坐标系的旋转矩阵，/>
Figure QLYQS_63
为期望姿态矩阵，/>
Figure QLYQS_68
为期望角速度/>
Figure QLYQS_52
的一阶导数。
10.一种基于视觉的旋翼无人机抗扰动控制系统，其特征在于，使用权利要求1-9任一项所述的基于视觉的旋翼无人机抗扰动控制方法对旋翼无人机进行控制，所述系统包括：旋翼无人机、相机、机载处理器和飞行控制器，
所述相机设置于所述旋翼无人机的正下方，用于实时采集周围环境图像；
所述飞行控制器设置于所述旋翼无人机上，所述飞行控制器包括惯性测量单元，所述惯性测量单元用于实时测量所述旋翼无人机的角速度；
所述机载处理器设置于所述旋翼无人机上，所述机载处理器中设置了视觉外环控制器和姿态内环控制器，所述机载处理器通过所述视觉外环控制器和姿态内环控制器对所述周围环境图像和所述旋翼无人机的角速度进行处理，得到期望推力和期望控制力矩；
所述飞行控制器与所述机载处理器网络连接，用于接收所述机载处理器输出的期望推力和期望控制力矩，并通过所述期望推力和期望控制力矩控制所述旋翼无人机的飞行。
CN202310443703.0A 2023-04-24 2023-04-24 一种基于视觉的旋翼无人机抗扰动控制方法及系统 Active CN116149193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310443703.0A CN116149193B (zh) 2023-04-24 2023-04-24 一种基于视觉的旋翼无人机抗扰动控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310443703.0A CN116149193B (zh) 2023-04-24 2023-04-24 一种基于视觉的旋翼无人机抗扰动控制方法及系统

Publications (2)

Publication Number Publication Date
CN116149193A CN116149193A (zh) 2023-05-23
CN116149193B true CN116149193B (zh) 2023-06-23

Family

ID=86352906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310443703.0A Active CN116149193B (zh) 2023-04-24 2023-04-24 一种基于视觉的旋翼无人机抗扰动控制方法及系统

Country Status (1)

Country Link
CN (1) CN116149193B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116643501B (zh) * 2023-07-18 2023-10-24 湖南大学 稳定性约束下的空中作业机器人可变阻抗控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1901153A1 (en) * 2006-09-12 2008-03-19 OFFIS e.V. Control system for unmanned 4-rotor-helicopter
CN113138608A (zh) * 2021-05-10 2021-07-20 新疆大学 一种使用扰动观测器和非线性速度观测器的四旋翼无人机视觉伺服控制方法
CN113189875A (zh) * 2021-04-29 2021-07-30 湖南大学 一种基于圆形特征的无人机在移动平台上鲁棒着陆方法
CN113359472A (zh) * 2021-07-02 2021-09-07 北京理工大学 一种四旋翼无人机自适应鲁棒轨迹跟踪控制方法
CN114089779A (zh) * 2021-11-24 2022-02-25 湖南大学 Gps拒止环境下空中机器人视觉自主控制方法及系统
CN115366109A (zh) * 2022-09-23 2022-11-22 北京航空航天大学杭州创新研究院 一种旋翼飞行机械臂复合分层抗干扰方法
CN115480583A (zh) * 2022-09-22 2022-12-16 福州大学 飞行作业机器人的视觉伺服跟踪与阻抗控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10520943B2 (en) * 2016-08-12 2019-12-31 Skydio, Inc. Unmanned aerial image capture platform

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1901153A1 (en) * 2006-09-12 2008-03-19 OFFIS e.V. Control system for unmanned 4-rotor-helicopter
CN113189875A (zh) * 2021-04-29 2021-07-30 湖南大学 一种基于圆形特征的无人机在移动平台上鲁棒着陆方法
CN113138608A (zh) * 2021-05-10 2021-07-20 新疆大学 一种使用扰动观测器和非线性速度观测器的四旋翼无人机视觉伺服控制方法
CN113359472A (zh) * 2021-07-02 2021-09-07 北京理工大学 一种四旋翼无人机自适应鲁棒轨迹跟踪控制方法
CN114089779A (zh) * 2021-11-24 2022-02-25 湖南大学 Gps拒止环境下空中机器人视觉自主控制方法及系统
CN115480583A (zh) * 2022-09-22 2022-12-16 福州大学 飞行作业机器人的视觉伺服跟踪与阻抗控制方法
CN115366109A (zh) * 2022-09-23 2022-11-22 北京航空航天大学杭州创新研究院 一种旋翼飞行机械臂复合分层抗干扰方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《An onboard-eye-to-hand visual servo and task coordination control for aerial manipulator based on a spherical model》;Ningbin Lai等;《Mechatronics》(第82期);第1-11页 *
《Dynamic Image-Based Visual Servoing of Unmanned Aerial Vehicles under Disturbances》;Yanjie Chen等;《Advanced Robotics and Mechatronics》;第31-36页 *
旋翼飞行机械臂的混合视觉伺服和分层控制方法;孙敬陶;钟杭;王耀南;李希;;仪器仪表学报(第07期);第56-65页 *
旋翼飞行机械臂系统的混合视觉伺服控制;孙敬陶;王耀南;谭建豪;钟杭;李瑞涵;;控制理论与应用(第04期);第505-515页 *

Also Published As

Publication number Publication date
CN116149193A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Nekoukar et al. Robust path tracking of a quadrotor using adaptive fuzzy terminal sliding mode control
Mokhtari et al. Disturbance observer based hierarchical control of coaxial-rotor UAV
AU2017344750B2 (en) Thrust vectored multicopters
Chovancová et al. Comparison of various quaternion-based control methods applied to quadrotor with disturbance observer and position estimator
Herissé et al. Landing a VTOL unmanned aerial vehicle on a moving platform using optical flow
Lee et al. Adaptive image-based visual servoing for an underactuated quadrotor system
Jasim et al. A robust controller for multi rotor UAVs
CN109782810B (zh) 基于图像引导的视频卫星运动目标跟踪成像方法及其装置
Purwin et al. Performing and extending aggressive maneuvers using iterative learning control
Mills et al. Vision based control for fixed wing UAVs inspecting locally linear infrastructure using skid-to-turn maneuvers
CN116149193B (zh) 一种基于视觉的旋翼无人机抗扰动控制方法及系统
Zhao et al. Vision-based tracking control of quadrotor with backstepping sliding mode control
Prabowo et al. Hardware in-the-loop simulation for visual servoing of fixed wing UAV
Yang et al. An optimized image-based visual servo control for fixed-wing unmanned aerial vehicle target tracking with fixed camera
CN106292297B (zh) 基于pid控制器和l1自适应控制器的姿态控制方法
CN113138608B (zh) 一种使用扰动观测器和非线性速度观测器的四旋翼无人机视觉伺服控制方法
CN114089779B (zh) Gps拒止环境下空中机器人视觉自主控制方法及系统
CN116360492B (zh) 一种扑翼飞行机器人目标跟踪方法及系统
Qin et al. Visual-based tracking and control algorithm design for quadcopter UAV
Ceren et al. Vision-based servo control of a quadrotor air vehicle
Bulgakov et al. Automation of 3D building model generation using quadrotor
Liu et al. Visual-based online control of gimbal on the uav for target tracking
Singh Modelling and Controls of a Hexacopter
Urbanski Control of the quadcopter position using visual feedback
Xie et al. A position estimation and control system for the quadrotor in GPS-deny situation based on FAST detection and optical flow

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