CN117111629A - 基于自适应动态规划的多无人机固定时间最优控制方法 - Google Patents
基于自适应动态规划的多无人机固定时间最优控制方法 Download PDFInfo
- Publication number
- CN117111629A CN117111629A CN202310921173.6A CN202310921173A CN117111629A CN 117111629 A CN117111629 A CN 117111629A CN 202310921173 A CN202310921173 A CN 202310921173A CN 117111629 A CN117111629 A CN 117111629A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- optimal control
- function
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 50
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供基于自适应动态规划的多无人机固定时间最优控制方法,方法包括:步骤1,构建无人机系统模型;步骤2,基于多无人机动力数学模型,引入多无人机误差系统;步骤3,基于设定的无人机误差系统,设计事件触发固定时间最优控制方案;步骤4,基于设计的事件触发最优控制机制,引入自适应动态规划算法确定权重向量近似最优控制率。本申请解决了对于多无人机系统任意的初始条件下,最优控制的时间估计计算问题。
Description
技术领域
本申请涉及无人机技术领域,特别涉及基于自适应动态规划的多无人机固定时间最优控制方法。
背景技术
无人机是一种由动力驱动、机上无人驾驶、可控制、可执行特定任务,并重复使用的航空飞行器。目前,无人机研究成为一个热门课题。面对无人机这样一个复杂系统,如何对其有效控制实现任务目标同时减少控制成本是至关重要且有挑战性的研究内容。最优控制为此提供了一个正解。所谓最优控制是指在一定约束条件下,寻求使性能指标达到极值的控制函数。目前,实现最优控制的有效方法之一是自适应动态规划算法。它的核心思想是利用评判-执行网络近似哈密顿-雅可比-贝尔曼方程的解,从而得到最优控制表达式。
早先的最优控制率设计方法使控制器基于无人机系统信息连续更新。这极大地增加了计算成本和负担,浪费了系统的通信资源。从实际应用角度,如何实现控制目标同时减少资源消耗是至关重要的。事件触发控制机制的提出可以有效的解决这一问题。在事件触发机制中,一个事件触发器被设计用来产生控制器更新时间序列,使信息在必要时更新。这一机制有效地利用了系统资源,降低通信计算负担,扩大通信带宽。
然而,已存在的研究成果中最优控制的实现时间无法估计,或估计时间与无人机系统初始状态有关。当多架无人机初始启动,每架无人机的各个参数都由不同的初始条件,且进行重复试验理论成果在无人机系统的应用时,考虑不同的环境、操作等因素,导致多次实验中无人机系统的初始状态是各不相同的。那么,对无人机系统初始状态的任意变化,这导致多无人机系统实现最优控制的时间也随之变化,进而增加了最优控制时间估计的计算量。
发明内容
本申请提供了基于自适应动态规划的多无人机固定时间最优控制方法,可用于解决现有技术中无人机的最优控制时间难以估计的技术问题。
本申请提供基于自适应动态规划的多无人机固定时间最优控制方法,方法包括:
步骤1,构建无人机系统模型;
步骤2,基于多无人机动力数学模型,引入多无人机误差系统;
步骤3,基于设定的无人机误差系统,设计事件触发固定时间最优控制方案;
步骤4,基于设计的事件触发最优控制机制,引入自适应动态规划算法确定权重向量近似最优控制率。
可选的,构建无人机系统模型,包括:
第i(i=1,2,…,N)架无人机模型如下:
其中xi(t)是下程位移,yi(t)是跨距位移,zi(t)是无人机的高度,Vi是地面速度,δi是飞行路线角度,αi是航向角,Ti是发动机推力,Di是阻力,mi是质量,g是重力加速度,Li是升力,φi是倾斜角,
利用反馈线性化方法,无人机模型改写如下:
式中pi和vi(i=1,2,...,N)分别表示无人机系统的位置和速度状态向量,ap和av分别是位置和速度状态的阻尼常数;令xi(t)=[pi,vi]T,g(t)=[0 1]T,得第i架无人机动力方程的一般形式:
可选的,基于多无人机动力数学模型,引入多无人机误差系统,包括:
设第i架无人机与其他相邻无人机的误差函数为ei(0)=ei0,其中aij是邻接矩阵的元素/>aij>0表示无人机i可以从无人机j获取状态信息;否则aij=0,/>代表与第i架无人机有通信连接的无人机集合;
相应地,Laplacian矩阵表示为其元素满足lij=-aij,i≠j,误差系统为:
其中Li表示Laplacian矩阵的第i行元素。
可选的,基于设定的无人机误差系统,设计事件触发固定时间最优控制方案,包括:
步骤31,构造与误差状态和控制率相关的性能指标函数;
基于所设误差函数ei(t),定义性能指标函数为评估无人机状态控制表现和控制所需能量:
式中满足Ui(0,0)=0,/>和/>是对称正定矩阵,容许控制/>分段连续,满足ui(0)=0且在停息时间T内稳定多无人机误差系统;
步骤32,定义Hamiltonian函数,建立最优控制率一般形式;
定义Hamiltonian函数为:
式中最优值函数满足Hamiltonian方程
最优控制率为:
步骤33,在固定时间内实现最优控制的事件触发规则和事件触发最优控制率。
设为ith误差状态的触发时刻序列,/>为观测误差,/>对/>在事件触发机制下,事件触发最优控制率表示为:
其中触发时刻序列由如下触发规则确定:
若多无人机误差状态满足上述不等式,则储存当前时刻状态信息,并更新计算最优控制率;否则保持上一触发时刻状态信息和最优控制率。
可选的,基于设计的事件触发最优控制机制,引入自适应动态规划算法确定权重向量近似最优控制率,包括:
步骤41,构建评判神经网络近似值函数;
基于Weierstrass高阶近似定理,确定评判神经网络近似值函数及其梯度,分别为:
式中为包含原点的紧集,/>表示权重向量,/>代表激活函数,Nc为神经元个数,ε(ei)为近似误差,满足||εi(ei)||≤εim;
步骤42,估计值函数并提出相对应的最优控制率;
由于权重向量是不确定的,估计为/>值函数和事件触发最优控制率为:
基于值函数和事件触发最优控制率,Hamiltonian函数及估计为:
步骤43,定义权重误差向量,偏差函数和损失函数Ei;
分别定义权重向量误差偏差函数和函数Ei为:
其中ecil=eci(tl)表示tl时刻的残差函数,tl为时间序列/>的元素满足0≤tl,...,ts<t,s>0。
步骤44,确定权重向量更新规则和停息时间方法;
权重向量学习率γi下/>的更新规则为:
基于固定时间稳定性理论,多无人机误差系统稳定的停息时间为:
其中表示矩阵Φi=[δi(t1),δi(t2),...,δi(ts)]的最小奇异值,θ1i>0,θ2i>0。利用权重向量更新规则,损失函数在所估计的停息时间内收敛至0,实现固定时间内近似值函数,得到近似事件触发最优控制率,实现多无人机系统最优控制目标。
本申请的优势在于:
1、本技术基于最优控制理论,基于多无人机误差系统构造刻画控制成本最低的性能指标函数,得到最优控制率。
2、针对多无人机系统模型,提出事件触发规则,给出事件触发最优控制率,实现控制成本最小同时系统通信和计算资源消耗最少。
3、提出一种自适应动态规划在线学习方法,建立评判神经网络近似值函数,利用梯度下降法计算权重向量的更新规则,进而得到值函数的表达式,并给出停息时间的计算表达式,解决了对于多无人机系统任意的初始条件下,最优控制的时间估计计算问题。
附图说明
图1为本申请实施例提供的多架无人机间的通信连接网络图;
图2为本申请实施例提供的多架无人机的位置误差图;
图3为本申请实施例提供的多架无人机的速度误差图;
图4为本申请实施例提供的事件触发最优控制律图;
图5为本申请实施例提供的权重向量轨线图;
图6为本申请实施例提供的事件触发时刻图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面首先结合图1对本申请实施例进行介绍。
步骤1,构建无人机系统模型。
第i(i=1,2,...,N)架无人机模型如下:
其中xi(t)是下程位移,yi(t)是跨距位移,zi(t)是无人机的高度,Vi是地面速度,δi是飞行路线角度,αi是航向角,Ti是发动机推力,Di是阻力,mi是质量,g是重力加速度,Li是升力,φi是倾斜角,
利用反馈线性化方法,无人机模型改写如下:
式中pi和vi(i=1,2,...,N)分别表示无人机系统的位置和速度状态向量,ap和av分别是位置和速度状态的阻尼常数;令xi(t)=[pi,vi]T,g(t)=[0 1]T,得第i架无人机动力方程的一般形式:
步骤2,基于多无人机动力数学模型,引入多无人机误差系统。
设第i架无人机与其他相邻无人机的误差函数为ei(0)=ei0,其中aij是邻接矩阵的元素/>aij>0表示无人机i可以从无人机j获取状态信息;否则aij=0,/>代表与第i架无人机有通信连接的无人机集合;
相应地,Laplacian矩阵表示为其元素满足lij=-aij,i≠j,误差系统为:
其中Li表示Laplacian矩阵的第i行元素。基于设定的无人机误差系统,利用无人机间的通信连接,多无人机实现最优控制问题转换为多无人机误差系统稳定问题,降低多无人机系统控制分析难度。
步骤3,基于设定的无人机误差系统,设计事件触发固定时间最优控制方案。
为了寻求无人机最优控制率,使无人机由任意的初始状态随时间转移到最优状态,并使与无人机误差状态和控制率相关的性能指标达到最小,从而使多无人机系统实现最优控制所需要的控制成本最小。本步骤首先构造了与误差状态和控制率相关的性能指标函数,随后定义Hamiltonian函数得到最优控制率一般形式,最后为了进一步减少系统资源和降低控制成本,提出固定时间内实现最优控制的事件触发规则和事件触发最优控制率。
步骤31,构造与误差状态和控制率相关的性能指标函数;
基于所设误差函数ei(t),定义性能指标函数评估无人机状态控制表现和控制所需能量为:
式中满足Ui(0,0)=0,/>和/>是对称正定矩阵,容许控制/>分段连续,满足ui(0)=0且在停息时间T内稳定多无人机误差系统;
步骤32,定义Hamiltonian函数,建立最优控制率一般形式;
为了探寻多无人机误差系统实现稳定的最优控制律,定义Hamiltonian函数为:
式中最优值函数满足Hamiltonian方程
最优控制率为:
步骤33,在固定时间内实现最优控制的事件触发规则和事件触发最优控制率。
设为ith误差状态的触发时刻序列,/>为观测误差,/>对
在事件触发机制下,事件触发最优控制率表示为:
其中触发时刻序列由如下触发规则确定:
若多无人机误差状态满足上述不等式,则储存当前时刻状态信息,并更新计算最优控制率;否则保持上一触发时刻状态信息和最优控制率。
步骤4,基于设计的事件触发最优控制机制,引入自适应动态规划算法确定权重向量近似最优控制率。
由于无法准确求解值函数得到事件触发最优控制率,提出自适应动态规划在线算法近似最优控制律。具体步骤包括如下:
步骤41,构建评判神经网络近似值函数;
基于Weierstrass高阶近似定理,确定评判神经网络近似值函数及其梯度,分别为:
式中为包含原点的紧集,/>表示权重向量,/>代表激活函数,Nc为神经元个数,ε(ei)为近似误差,满足||εi(ei)||≤εim;
步骤42,估计值函数并提出相对应的最优控制率;
由于权重向量是不确定的,估计为/>值函数和事件触发最优控制率为:
基于值函数和事件触发最优控制率,Hamiltonian函数及估计为:
步骤43,定义权重误差向量,偏差函数和损失函数Ei;
分别定义权重向量误差偏差函数和函数Ei为:
其中ecil=eci(tl)表示tl时刻的残差函数,tl为时间序列/>的元素满足0≤tl,...,ts<t,s>0。
步骤44,确定权重向量更新规则和停息时间方法;
权重向量学习率γi下/>的更新规则为:
基于固定时间稳定性理论,多无人机误差系统稳定的停息时间为:
其中表示矩阵Φi=[δi(t1),δi(t2),...,δi(ts)]的最小奇异值,θ1i>0,θ2i>0。利用权重向量更新规则,损失函数在所估计的停息时间内收敛至0,实现固定时间内近似值函数,得到近似事件触发最优控制率,实现多无人机系统最优控制目标。
下面结合具体实施例阐述本申请。
选取参数ap=-15.2,av=-13.1,s=1, 选取激活函数为/>分别选取无人机和权重向量的初始条件为x1(0)=(-4.5,6)T,x2(0)=(0.5,2.5)T,x3(0)=(3.8,-3)T,x4(0)=(-0.5,1.5)T和W1(0)=(0.02,0.05,0.008)T,W2(0)=(0.2,0.75,0.48)T,W3(0)=(0.8,0.95,0.18)T,W4(0)=(0.04,0.78,0.0036)T。学习率被选为γ1=0.0195,γ2=0.05,γ3=0.795,γ4=0.595。为了得到事件触发最优控制率,选取触发机制参数为θ11=0.8,θ12=0.9,θ13=0.29,θ14=0.19;θ21=0.79,θ22=0.88,θ23=0.942,θ24=0.42;β1=2.49,β2=2.713,β3=2.965,β4=2.95;μ1=0.979,μ2=0.059,μ3=0.056,μ4=0.56;ζ1=0.975,ζ2=0.078,ζ3=0.052,ζ4=0.92;p=0.57,q=1.05。在上述参数下,可得停息时间为T1=4.88,T2=4.57,T3=7.77andT4=8.04。多架无人机间的通信连接网络,无人机的位置和速度状态轨迹分别如图1-3所示。最优控制率和权重向量轨迹如图4和5所示。在事件触发机制下所产生的触发时刻序列可见图6。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (5)
1.基于自适应动态规划的多无人机固定时间最优控制方法,其特征在于,所述方法包括:
步骤1,构建无人机系统模型;
步骤2,基于多无人机动力数学模型,引入多无人机误差系统;
步骤3,基于设定的无人机误差系统,设计事件触发固定时间最优控制方案;
步骤4,基于设计的事件触发最优控制机制,引入自适应动态规划算法确定权重向量近似最优控制率。
2.根据权利要求1所述的方法,其特征在于,构建无人机系统模型,包括:
第i(i=1,2,...,N)架无人机模型如下:
其中xi(t)是下程位移,yi(t)是跨距位移,zi(t)是无人机的高度,Vi是地面速度,δi是飞行路线角度,αi是航向角,Ti是发动机推力,Di是阻力,mi是质量,g是重力加速度,Li是升力,φi是倾斜角,
利用反馈线性化方法,无人机模型改写如下:
式中pi和vi(i=1,2,...,N)分别表示无人机系统的位置和速度状态向量,ap和av分别是位置和速度状态的阻尼常数;令xi(t)=[pi,vi]T,g(t)=[0 1]T,得第i架无人机动力方程的一般形式:
3.根据权利要求1所述的方法,其特征在于,基于多无人机动力数学模型,引入多无人机误差系统,包括:
设第i架无人机与其他相邻无人机的误差函数为ei(0)=ei0,其中aij是邻接矩阵的元素/>aij>0表示无人机i可以从无人机j获取状态信息;否则aij=0,/>代表与第i架无人机有通信连接的无人机集合;
相应地,Laplacian矩阵表示为其元素满足lij=-aij,i≠j,误差系统为:
其中Li表示Laplacian矩阵的第i行元素。
4.根据权利要求1所述的方法,其特征在于,基于设定的无人机误差系统,设计事件触发固定时间最优控制方案,包括:
步骤31,构造与误差状态和控制率相关的性能指标函数;
基于所设误差函数ei(t),定义性能指标函数评估无人机状态控制表现和控制所需能量为:
式中满足Ui(0,0)=0,/>和/>是对称正定矩阵,容许控制/>分段连续,满足ui(0)=0且在停息时间T内稳定多无人机误差系统;
步骤32,定义Hamiltonian函数,建立最优控制率一般形式;
定义Hamiltonian函数为:
式中最优值函数满足Hamiltonian方程
最优控制率为:
步骤33,在固定时间内实现最优控制的事件触发规则和事件触发最优控制率。
设为ith误差状态的触发时刻序列,/>为观测误差,/>对在事件触发机制下,事件触发最优控制率表示为:
其中触发时刻序列由如下触发规则确定:
若多无人机误差状态满足上述不等式,则储存当前时刻状态信息,并更新计算最优控制率;否则保持上一触发时刻状态信息和最优控制率。
5.根据权利要求1所述的方法,其特征在于,基于设计的事件触发最优控制机制,引入自适应动态规划算法确定权重向量近似最优控制率,包括:
步骤41,构建评判神经网络近似值函数;
基于Weierstrass高阶近似定理,确定评判神经网络近似值函数及其梯度,分别为:
式中为包含原点的紧集,/>表示权重向量,/>代表激活函数,Nc为神经元个数,ε(ei)为近似误差,满足||εi(ei)||≤εim;
步骤42,估计值函数并提出相对应的最优控制率;
由于权重向量是不确定的,估计为/>值函数和事件触发最优控制率为:
基于值函数和事件触发最优控制率,Hamiltonian函数及估计为:
步骤43,定义权重误差向量,偏差函数和损失函数Ei;
分别定义权重向量误差偏差函数和函数Ei为:
其中ecil=eci(tl)表示tl时刻的残差函数,tl为时间序列/>的元素满足0≤tl,...,ts<t,s>0。
步骤44,确定权重向量更新规则和停息时间方法;
权重向量学习率γi下/>的更新规则为:
基于固定时间稳定性理论,多无人机误差系统稳定的停息时间为:
其中表示矩阵Φi=[δi(t1),δi(t2),...,δi(ts)]的最小奇异值,θ1i>0,θ2i>0;
利用权重向量更新规则,损失函数在所估计的停息时间内收敛至0,实现固定时间内近似值函数,得到近似事件触发最优控制率,实现多无人机系统最优控制目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921173.6A CN117111629A (zh) | 2023-07-26 | 2023-07-26 | 基于自适应动态规划的多无人机固定时间最优控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921173.6A CN117111629A (zh) | 2023-07-26 | 2023-07-26 | 基于自适应动态规划的多无人机固定时间最优控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117111629A true CN117111629A (zh) | 2023-11-24 |
Family
ID=88806431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921173.6A Pending CN117111629A (zh) | 2023-07-26 | 2023-07-26 | 基于自适应动态规划的多无人机固定时间最优控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111629A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828949A (zh) * | 2018-07-20 | 2018-11-16 | 南京航空航天大学 | 一种基于自适应动态规划的分布式最优协同容错控制方法 |
WO2019077006A1 (en) * | 2017-10-18 | 2019-04-25 | Uvue Ltd | SYSTEM AND METHOD FOR DETERMINING OPTIMAL PATHS FOR DRONES |
CN110426039A (zh) * | 2019-07-04 | 2019-11-08 | 中国人民解放军陆军工程大学 | 基于任务完成时间最小化的多无人机路径规划方法 |
CN112631335A (zh) * | 2020-12-29 | 2021-04-09 | 南京邮电大学 | 一种基于事件触发的多四旋翼无人机固定事件编队方法 |
CN112859913A (zh) * | 2021-01-13 | 2021-05-28 | 广东工业大学 | 考虑输出约束的多四旋翼无人机姿态一致最优控制方法 |
CN113093548A (zh) * | 2021-04-07 | 2021-07-09 | 安徽大学 | 基于事件触发机制的移动机器人轨迹跟踪最优控制方法 |
KR102294829B1 (ko) * | 2020-09-23 | 2021-08-27 | 세종대학교산학협력단 | 가변 하중을 가지는 무인비행체 비행제어 시스템 및 방법 |
CN113759979A (zh) * | 2021-09-23 | 2021-12-07 | 天津大学 | 基于事件驱动的无人机吊挂系统在线轨迹规划方法 |
CN115328190A (zh) * | 2022-07-05 | 2022-11-11 | 南京航空航天大学 | 一种基于自适应动态规划的无人机三维动态路径规划方法 |
CN115933748A (zh) * | 2022-12-30 | 2023-04-07 | 中国科学技术大学 | 一种基于动态博弈的人-无人机群安全交互运动规划方法 |
CN116300991A (zh) * | 2022-11-23 | 2023-06-23 | 沈阳飞机设计研究所扬州协同创新研究院有限公司 | 一种基于强化学习和事件触发的无人飞行器轨迹跟踪方法 |
CN116339373A (zh) * | 2023-02-16 | 2023-06-27 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 |
-
2023
- 2023-07-26 CN CN202310921173.6A patent/CN117111629A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019077006A1 (en) * | 2017-10-18 | 2019-04-25 | Uvue Ltd | SYSTEM AND METHOD FOR DETERMINING OPTIMAL PATHS FOR DRONES |
CN108828949A (zh) * | 2018-07-20 | 2018-11-16 | 南京航空航天大学 | 一种基于自适应动态规划的分布式最优协同容错控制方法 |
CN110426039A (zh) * | 2019-07-04 | 2019-11-08 | 中国人民解放军陆军工程大学 | 基于任务完成时间最小化的多无人机路径规划方法 |
KR102294829B1 (ko) * | 2020-09-23 | 2021-08-27 | 세종대학교산학협력단 | 가변 하중을 가지는 무인비행체 비행제어 시스템 및 방법 |
CN112631335A (zh) * | 2020-12-29 | 2021-04-09 | 南京邮电大学 | 一种基于事件触发的多四旋翼无人机固定事件编队方法 |
CN112859913A (zh) * | 2021-01-13 | 2021-05-28 | 广东工业大学 | 考虑输出约束的多四旋翼无人机姿态一致最优控制方法 |
CN113093548A (zh) * | 2021-04-07 | 2021-07-09 | 安徽大学 | 基于事件触发机制的移动机器人轨迹跟踪最优控制方法 |
CN113759979A (zh) * | 2021-09-23 | 2021-12-07 | 天津大学 | 基于事件驱动的无人机吊挂系统在线轨迹规划方法 |
CN115328190A (zh) * | 2022-07-05 | 2022-11-11 | 南京航空航天大学 | 一种基于自适应动态规划的无人机三维动态路径规划方法 |
CN116300991A (zh) * | 2022-11-23 | 2023-06-23 | 沈阳飞机设计研究所扬州协同创新研究院有限公司 | 一种基于强化学习和事件触发的无人飞行器轨迹跟踪方法 |
CN115933748A (zh) * | 2022-12-30 | 2023-04-07 | 中国科学技术大学 | 一种基于动态博弈的人-无人机群安全交互运动规划方法 |
CN116339373A (zh) * | 2023-02-16 | 2023-06-27 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
卫星;姜长生;: "基于Petri Nets的无人机自主飞行任务管理系统", 佳木斯大学学报(自然科学版), no. 03, 15 May 2009 (2009-05-15) * |
叶帅: "基于事件触发自适应动态规划的多四旋翼无人机优化控制", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 4, 15 April 2022 (2022-04-15), pages 031 - 151 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN110502033B (zh) | 一种基于强化学习的固定翼无人机群集控制方法 | |
Nodland et al. | Neural network-based optimal adaptive output feedback control of a helicopter UAV | |
CN105607473B (zh) | 小型无人直升机的姿态误差快速收敛自适应控制方法 | |
Nie et al. | Three-dimensional path-following control of a robotic airship with reinforcement learning | |
CN107065897B (zh) | 三自由度直升机显式模型预测控制方法 | |
CN113342037A (zh) | 具有输入饱和的多旋翼无人机时变编队控制方法及系统 | |
CN113377121B (zh) | 一种基于深度强化学习的飞行器智能抗扰动控制方法 | |
Abdollahi et al. | Simplified fuzzy‐Padé controller for attitude control of quadrotor helicopters | |
Yoon et al. | Optimal PID control for hovering stabilization of quadcopter using long short term memory | |
Cheng et al. | Neural-networks control for hover to high-speed-level-flight transition of ducted fan uav with provable stability | |
Wei et al. | Monte Carlo-based reinforcement learning control for unmanned aerial vehicle systems | |
CN117215197B (zh) | 四旋翼飞行器在线轨迹规划方法、系统、电子设备及介质 | |
Schmid et al. | A real-time GP based MPC for quadcopters with unknown disturbances | |
Wu et al. | Improved reinforcement learning using stability augmentation with application to quadrotor attitude control | |
CN117111629A (zh) | 基于自适应动态规划的多无人机固定时间最优控制方法 | |
Bingöl et al. | Fixed-time neuro-sliding mode controller design for quadrotor UAV transporting a suspended payload | |
Verma et al. | Parameter estimation of aircraft using extreme learning machine and Gauss-Newton algorithm | |
Dalamagkidis et al. | Autonomous autorotation of unmanned rotorcraft using nonlinear model predictive control | |
CN115562299A (zh) | 一种移动机器人的导航方法、装置、移动机器人及介质 | |
CN114757086A (zh) | 多旋翼无人机实时剩余使用寿命预测方法和系统 | |
Mlayeh et al. | Nonlinear fault recovery of a quadrotor using progressive accommodation | |
Mohajerin | Modeling dynamic systems for multi-step prediction with recurrent neural networks | |
Shimada et al. | Particle filter-model predictive control of quadcopters | |
McKenna et al. | Online Parameter Estimation Within Trajectory Optimization for Dynamic Soaring |
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 |