CN117891177A - 无人机控制器模型构建方法、装置、设备及存储介质 - Google Patents
无人机控制器模型构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117891177A CN117891177A CN202410294993.1A CN202410294993A CN117891177A CN 117891177 A CN117891177 A CN 117891177A CN 202410294993 A CN202410294993 A CN 202410294993A CN 117891177 A CN117891177 A CN 117891177A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- model
- initial
- speed
- 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
Links
- 238000010276 construction Methods 0.000 title claims description 21
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000087 stabilizing effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种无人机控制器模型构建方法、装置、设备及存储介质,涉及无人机控制器技术领域,包括:获取无人机的状态变量;根据所述状态变量构建无人机全状态运动方程;将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。本发明实现了降低外部干扰的影响从而保证无人机系统稳定性。
Description
技术领域
本发明涉及无人机控制器技术领域,具体而言,涉及一种无人机控制器模型构建方法、装置、设备及存储介质。
背景技术
近年来,随着无人机技术的不断升级和应用领域的不断拓展,人们对无人机的研制和应用越来越重视。目前无人机主要采用非线性控制方法,非线性控制方法能够克服线性控制方法的缺点,并且当无人机进行高机动飞行或者在复杂环境下执行飞行任务时,非线性控制器能够取得极好的控制效果。但在配电网巡检过程中,由于配电线路具有在低空处分布密集的特点,且周围环境复杂,在使用无人机对配电线路进行检测时,由于外界环境复杂多变,编组无人机在飞行过程中容易受到外部干扰的影响,现有技术难以保证无人机的系统稳定性,不能确保对配电线路的准确检测。
发明内容
本发明解决的问题是如何降低外部干扰的影响从而保证无人机系统稳定性。
为解决上述问题,本发明提供一种无人机控制器模型构建方法,包括:获取无人机的状态变量;
根据所述状态变量构建无人机全状态运动方程;
将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;
获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。
可选地,所述根据所述状态变量构建无人机全状态运动方程,包括:
获取无人机非线性模型,其中,所述非线性模型包括导航方程组、力方程组、姿态方程组和力矩方程组;
根据所述状态变量和所述无人机非线性模型得到所述无人机全状态运动方程。
可选地,获取无人机编组,其中,所述无人机编组包括N个编组无人机和1个虚拟无人机。
可选地,所述将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型,包括:
通过所述无人机全状态运动方程提取无人机纵向运动方程;
其中,所述无人机纵向运动方程为:
,
其中,i为第i架编组无人机,di1、di2和di3为外界干扰,Li、Di和Ti分别为升力、阻力和推力,Vi为无人机速度,zi为高度输出信号, i为航迹倾角,/> i为无人机俯仰角,qi为俯仰角速度,/> i为无人机攻角,/> i为无人机所受外力矩沿机体坐标系的分量,mi为i的力矩,g为常数,Iiy为惯性系中y的坐标值;
将所述无人机纵向运动方程分解为所述初始速度子系统模型和所述初始高度子系统模型。
可选地,所述利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型得到初始控制器模型,包括:
利用所述速度偏差调节模型调节所述初始速度子系统模型得到目标速度子系统模型;
其中,所述速度偏差调节模型为:
,
其中,k11、k12和k13为设计参数,Ti为速度偏差调节模型,ei1为第i架编组无人机相对于虚拟无人机速度的速度偏差;
利用所述无人机故障模型调节所述初始高度子系统模型得到所述目标高度子系统模型;
根据所述目标速度子系统模型和所述目标高度子系统模型得到所述初始控制器模型。
可选地,所述获取偏差向量,包括:
通过分布式滑模估计器得到所述虚拟无人机的估计高度信息;
其中,所述分布式滑模估计器为:
,
其中,为第j架编组无人机的估计器对虚拟无人机高度信号的估计值,/>为分布式滑模估计器,aij为第i 无人机和第j 无人机之间的通信权重,其中,无人机之间通过网状型拓扑结构进行通信,bi为临接第i无人机的交互信息,所述交互信息包括临接第i无人机的飞行高度、速度,N为无人机总数,z0为虚拟无人机的高度,/>和/>为正的设计参数,为符号函数;
结合所述预设性能函数重构所述编组无人机的高度信息与所述估计高度信息之间的高度偏差得到所述偏差向量;
其中,所述预设性能函数为:
,
其中,和/>为和性能界限有关的设计参数,/>为严格递减的性能函数,/>为预设性能函数速度偏差。
可选地,所述无人机故障模型包括升降舵故障模型和执行器故障模型;所述利用所述无人机故障模型调节所述初始高度子系统模型得到所述目标高度子系统模型,包括:
利用所述升降舵故障模型和所述执行器故障模型调节所述初始高度子系统模型设计分布式容错协同控制律得到所述目标高度子系统模型;
其中,所述升降舵故障模型为:
,
其中,为应用控制信号,/>为待设计控制信号,/>为有界偏差故障,/>为升降舵剩余的作动效率系数。
本发明所述的无人机控制器模型构建方法根据所述状态变量构建无人机全状态运动方程,利用功能分解将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型。利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型,使无人机在遭遇执行器故障依然能跟踪上高度信号,提高无人机的抗干扰能力。获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型,保证无人机系统稳定性。
本发明还提供无人机控制器模型构建装置,包括:状态变量获取单元,获取无人机的状态变量;
全状态运动方程获取单元,根据所述状态变量构建无人机全状态运动方程;
子系统模型获取单元,将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
初始控制器模型获取单元,利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;
目标控制器模型获取单元,获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。
本发明所述的无人机控制器模型构建装置与所述无人机控制器模型构建方法相对于现有技术的优势相同,在此不再赘述。
本发明还提供一种计算机设备,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计算机程序时实现所述无人机控制器模型构建方法的步骤。
本发明所述的计算机设备与所述无人机控制器模型构建方法相对于现有技术的优势相同,在此不再赘述。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现所述无人机控制器模型构建方法的步骤。
本发明所述的计算机可读存储介质与所述无人机控制器模型构建方法相对于现有技术的优势相同,在此不再赘述。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1所示为本发明实施例中无人机控制器模型构建方法的流程示意图;
图2所示为本发明实施例中无人机控制器模型构建装置的示意图;
图3所示为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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的一部分实施例,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做出创造性劳动的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。
结合图1所示,本实施例提供一种无人机控制器模型构建方法,包括:
步骤110,获取无人机的状态变量;
步骤120,根据所述状态变量构建无人机全状态运动方程;
步骤130,将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
步骤140,利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;
步骤150,获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。
具体地,所述基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型,包括:
步骤1:针对,设计高度通道中间控制信号/>为:
,
其中,为设计参数,Vi为无人机速度,zi为高度输出信号,/> i为航迹倾角,用于表示无人机位置,/>为/>的导数,/>为变换后的跟踪偏差,跟踪偏差指实际位置与预期位置之间的差异。本领域技术人员可根据无人机的实际位置与预期位置的差值获得。/>为第i无人机的估计器对无人机高度信号的估计值的导数,是对上述zi高度输出信号的公式的求导。/>为有界滤波偏差的导数,有界滤波偏差是数字信号处理中的一个概念,通常与滤波器设计相关。在滤波器设计中,有界滤波器是指其频率响应在一定频率范围内有限,有界滤波偏差即是指有界滤波器在滤波过程中引入的偏差,这个偏差可以是相位偏差或幅度偏差。其中,上述的导数即为对相应参数的求导。
为避免反步控制架构中对中间控制信号多次求导所造成的微分爆炸现象,采用动态面控制架构,用具有时间常数的一阶滤波器对信号进行滤波,进而获得虚拟控制信号,其中,一阶滤波器如下所示:
,
其中,为中间控制信号,/>为时间常数,/>为虚拟控制信号,/>为/>的求导。
设定上式的滤波偏差为,则有:
,
其中,。
选取本步的稳定函数为:
,
其中,为第/>个编组无人机的最大速度,/>为下降速率,/>为稳定函数。/>的引入只是为了方便接下来的稳定性分析,并不用于控制器设计过程中。
步骤2:针对,设计如下中间控制信号/>和自适应律:
,
,
其中,k31、wi21、wi22、wi23、wi24和gi11为正的设计参数,为/>的估计值,/>为航迹倾角跟踪偏差,/>为自适应参数,/>为自适应参数的估计值。
类似步骤1中的,采用具有时间常数/>的一阶滤波器对中间控制信号/>进行滤波处理,进而获得虚拟控制信号/>:
,
其中,为设计参数。
定义本步骤滤波偏差为,则有:
,
其中,。
选择本步骤的稳定函数为:
,
其中,为自适应估计偏差。
步骤3:针对,设计俯仰角通道的中间控制器/>为:
,
其中,k41为正设计参数,Ei4为俯仰角跟踪偏差,俯仰角跟踪偏差为实际俯仰角与预期俯仰角之间的差异。本领域技术人员可根据无人机的实际俯仰角与预期俯仰角的差值获得。
利用具有时间常数的一阶滤波器对上其中的中间控制信号/>进行滤波,获得滤波后的虚拟控制信号,其中,一阶滤波器设计为:
,
其中,为正的待设计参数。
设定上式的滤波偏差为,则有:
,
其中,。
选取本步骤的稳定函数为:
。
步骤4:针对,设计理想控制输入信号/>和自适应律为:
,
,
其中,k51,k52,wi41,wi42,wi43,wi44和gi21为正的设计参数,为与输入饱和紧密相关的辅助信号,Ei5为俯仰角速率跟踪偏差,俯仰角速率跟踪偏差为实际俯仰角速率与预期俯仰角速率之间的差异。本领域技术人员可根据无人机的实际俯仰角速率与预期俯仰角速率的差值获得。/>为/>的估计值,/>为自适应参数,/>为自适应参数的估计值。
在实际应用中,执行器经常遭遇饱和非线性约束。当执行器存在输入饱和环节时,实际控制信号为:
,
其中,和/>,/>,/>和/>分别为升降舵所允许的最大和最小偏转角,/>为升降舵所允许的偏转角。
为补偿控制信号输入饱和,设计如下辅助系统:
,
其中,。
当时,存在:
,
当时,存在:
,
辅助系统存在以下几种情况:
1.如果时,存在/>,则有/>,辅助系统状态变量/>将收到区间/>。
2.如果时,存在/>,则有/>,状态变量/>将处于区间/>。
3.当控制信号遭遇饱和,即有。如果/>时,存在/>,则辅助信号将根据偏差/>实时变化,对执行器饱和进行补偿。
4.如果时,存在/>,此时辅助系统状态信号/>将不会更新,为此需要将状态信号重置为/>,从而使辅助系统能够继续工作,对执行器饱和进行补偿,直至/>,/>。
选择本步骤的稳定性函数为:
,
其中,为估计偏差。
本发明所述的无人机控制器模型构建方法根据所述状态变量构建无人机全状态运动方程,利用功能分解将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型。利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型,使无人机在遭遇执行器故障依然能跟踪上高度信号,提高无人机的抗干扰能力。获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型,保证无人机系统稳定性。
本发明实施例中,所述根据所述状态变量构建无人机全状态运动方程,包括:
获取无人机非线性模型,其中,所述非线性模型包括导航方程组、力方程组、姿态方程组和力矩方程组;
根据所述状态变量和所述无人机非线性模型得到所述无人机全状态运动方程。
具体地,其中,所述导航方程组为:
,
所述力方程组为:
,
所述姿态方程组为:
,
所述力矩方程组为:
,
其中,(x,y,z)为无人机在惯性系中的坐标,u、v、w分别为无人机在机体坐标系中的前向速度、侧向速度、法向速度,、/>、/>为分别为无人机的滚转角、俯仰角、偏航角,p、q、r分别为无人机的滚转角速度、俯仰角速度、偏航角速度,Fx、Fy、Fz分别为无人机所受外力在机体坐标系(x,y,z)轴上的分量,/>、/>、/>分别为无人机所受外力矩沿机体坐标系三个轴的分量。上述字符中加上面的点表示对该数据处理后结果。
其中,;/>;
;/>;
;/>;
;/>;
。
其中,c1、c2、c3、c4、c5、c6、c7、c8、c9均为中间系数,Ix、Iy、Iz、Ixz为惯性系中的坐标值。
其中,选取状态变量为,所述无人机全状态运动方程为:
,
,
,
,
其中,V、、/>分别为无人机的速度、航向角和航迹倾角,/>、/>、/>分别为无人机倾斜角、攻角和侧滑角,L、D、Y和T分别为升力、阻力、侧力和推力。
其中,升力、阻力、侧力为气动力,无人机所受外力矩沿机体坐标系三个轴的分量为气动力矩,气动力和气动力矩的表达式为:
,
,
其中,s、b、分别为机翼面积、翼展和平均气动弦长,CL、CD、CY分别为升力、阻力和侧力的系数,Cl、Cm、Cn分别为滚转力矩、俯仰力矩和偏航力矩的系数,/>为动压,其中,/>为空气密度。
其中,气动力系数和力矩系数为:
,
,
其中,、/>为升力相关系数,/>、/>、/>为阻力相关系数,/>、/>为侧力相关系数,/>、/>、/>、/>为滚转力矩相关系数,/>、/>、/>为俯仰力矩相关系数,/>、/>、/>、/>为偏航力矩相关系数,/>、/>为飞机升降舵操纵导数,/>、/>为副翼操作导数,/>、/>为方向舵操作导数,/>、/>、/>分别代指升降舵、方向舵、副翼,V为无人机的速度,/>、/>为攻角和侧滑角,p、q、r分别为无人机的滚转角速度、俯仰角速度、偏航角速度,b为翼展。
本发明实施例中,获取无人机编组,其中,所述无人机编组包括N个编组无人机和1个虚拟无人机。
本发明实施例中,所述将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型,包括:
通过所述无人机全状态运动方程提取无人机纵向运动方程;
其中,所述无人机纵向运动方程为:
,
其中,i为第i架编组无人机,di1、di2和di3为外界干扰,Li、Di和Ti分别为升力、阻力和推力,Vi为无人机速度,zi为高度输出信号, i为航迹倾角,/> i为无人机俯仰角,qi为俯仰角速度,/> i为无人机攻角,/> i为无人机所受外力矩沿机体坐标系的分量,mi为i的力矩,g为常数,Iiy为惯性系中y的坐标值;
将所述无人机纵向运动方程分解为所述初始速度子系统模型和所述初始高度子系统模型。
具体地,利用水平无侧滑条件,/>,同时考虑干扰提取无人机纵向运动方程,当只考虑巡航阶段时,飞机的航迹倾角很小,因此在控制器设计过程中设定/>。
第i架编组无人机纵向模型可分为速度子系统和高度子系统/>。
本发明实施例中,所述利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型得到初始控制器模型,包括:
利用所述速度偏差调节模型调节所述初始速度子系统模型得到目标速度子系统模型;
其中,所述速度偏差调节模型为:
,
其中,k11、k12和k13为设计参数,Ti为速度偏差调节模型,ei1为第i架编组无人机相对于虚拟无人机速度的速度偏差;
利用所述无人机故障模型调节所述初始高度子系统模型得到所述目标高度子系统模型;
根据所述目标速度子系统模型和所述目标高度子系统模型得到所述初始控制器模型。
本实施例的无人机控制器模型构建方法,
本发明实施例中,所述获取偏差向量,包括:
通过分布式滑模估计器得到所述虚拟无人机的估计高度信息;
其中,所述分布式滑模估计器为:
,
其中,为第i架编组无人机的估计器对虚拟无人机高度信号的估计值,/>为第j架编组无人机的估计器对虚拟无人机高度信号的估计值,/>为分布式滑模估计器,aij为第i 无人机和第j 无人机之间的通信权重,其中,无人机之间通过网状型拓扑结构进行通信,bi为临接第i无人机的交互信息,所述交互信息包括临接第i无人机的飞行高度、速度,N为无人机总数,z0为虚拟无人机的高度,/>和/>为正的设计参数,/>为符号函数;
结合所述预设性能函数重构所述编组无人机的高度信息与所述估计高度信息之间的高度偏差得到所述偏差向量;
其中,所述预设性能函数为:
,/>
其中,和/>为和性能界限有关的设计参数,/>为严格递减的性能函数,/>为预设性能函数速度偏差。
具体地,,/>为速度偏差在/>稳态阶段的最大允许值。性能函数选择为/>,其中/>是性能函数的初值,/>是下降速率,其限定了速度偏差所需的收敛速度,/>。性能函数/>的初值的选择要保证速度偏差初值/>处于界限/>内。
为便于后续预设性能控制器设计,将上述不等式转变为如下等式:
,
其中,Ei2为变换后的速度偏差,为偏差变换函数。/>的定义为:
,
其中,,ki1为无人机i的设计参数,vi为无人机的设计速度。
偏差变换函数具有以下3个性质:
。
。
。
因此,可用等式来描述不等式。如果变换后的偏差Ei2最终一致有界,则高度速度偏差ei2将被限定在界限内。
本发明实施例中,所述无人机故障模型包括升降舵故障模型和执行器故障模型;所述利用所述无人机故障模型调节所述初始高度子系统模型得到所述目标高度子系统模型,包括:
利用所述升降舵故障模型和所述执行器故障模型调节所述初始高度子系统模型设计分布式容错协同控制律得到所述目标高度子系统模型;
其中,所述升降舵故障模型为:
,
其中,为应用控制信号,/>为待设计控制信号,/>为有界偏差故障,为升降舵剩余的作动效率系数。
具体地,为待设计升降舵偏转角向量。结合执行器故障模型,第i架编组无人机的高度子系统的方程可变为:/>
,
其中,zi为高度输出信号,为输入信号,/>高度输出信号、/>偏航角速度、/>俯仰角、/>为俯仰角速度。
非线性函数和/>为:
,
,
。
其中,、/>、/>、/>为相关系数,/>、/>、/>、/>为,/>为惯性系中y的坐标值,/>为升降舵所允许的偏转角,/>为无人机i对应的翻滚角速度,/>为滤波之后的信号。加上i以后分别表示无人机i对应的参数。
从上式可以看出,在控制器设计过程中,如果航迹角通道控制器设计过程中选择作为虚拟控制信号,俯仰角速率通道中选择/>作为控制信号,则整体控制方案中将引入工程应用中不可实现的代数环。
在一些更具体地实施例中,滤波后的信号可表示为:
,
,
,
其中,Bi1(s)和Bi2(s)为低通滤波器,和/>为滤波之后的信号。
通过引入低通滤波器,和/>可表示为:
,
,
其中,、/>为有界滤波偏差,/>。/>
本实施例的无人机控制器模型构建方法针对高度子系统,设计分布式容错协同控制律使编组无人机在遭遇执行器故障,输入饱和以及外界干扰的情况下,高度信号依然能跟踪上虚拟无人机的高度信号,并且编组无人机高度相对于虚拟无人机高度估计值的高度偏差限定在预设性能界限内。
本发明所述的无人机控制器模型构建方法根据所述状态变量构建无人机全状态运动方程,利用功能分解将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型。利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型,使无人机在遭遇执行器故障依然能跟踪上高度信号,提高无人机的抗干扰能力。获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型,保证无人机系统稳定性。
和上述无人机控制器模型构建方法相对应,本发明实施例还提供了一种无人机控制器模型构建装置。图2所示为本发明实施例的无人机控制器模型构建装置的示意图,如图2所示,无人机控制器模型构建装置包括:
状态变量获取单元10,获取无人机的状态变量;
全状态运动方程获取单元20,根据所述状态变量构建无人机全状态运动方程;
子系统模型获取单元30,将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
初始控制器模型获取单元40,利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型得到初始控制器模型;
目标控制器模型获取单元50,获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型,以得到目标控制器模型。
本发明所述的无人机控制器模型构建装置与所述无人机控制器模型构建方法相对于现有技术的优势相同,在此不再赘述。
图3示出了一个实施例中计算机设备的内部结构图。如图3所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现无人机控制器模型构建方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行无人机控制器模型构建方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明相关的部分结构的框图,并不构成对本发明所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明另一实施例提供一种计算机设备,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,处理器执行计算机程序时实现以下步骤:获取无人机的状态变量;
根据所述状态变量构建无人机全状态运动方程;
将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;
获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。
本发明所述的计算机设备与所述无人机控制器模型构建方法相对于现有技术的优势相同,在此不再赘述。
本发明另一实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时实现以下步骤:获取无人机的状态变量;
根据所述状态变量构建无人机全状态运动方程;
将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;
获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。
本发明所述的计算机可读存储介质与所述无人机控制器模型构建方法相对于现有技术的优势相同,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本发明中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种无人机控制器模型构建方法,其特征在于,包括:
获取无人机的状态变量;
根据所述状态变量构建无人机全状态运动方程;
将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;
获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。
2.根据权利要求1所述的无人机控制器模型构建方法,其特征在于,所述根据所述状态变量构建无人机全状态运动方程,包括:
获取无人机非线性模型,其中,所述非线性模型包括导航方程组、力方程组、姿态方程组和力矩方程组;
根据所述状态变量和所述无人机非线性模型得到所述无人机全状态运动方程。
3.根据权利要求1所述的无人机控制器模型构建方法,其特征在于,还包括:
获取无人机编组,其中,所述无人机编组包括N个编组无人机和1个虚拟无人机。
4.根据权利要求3所述的无人机控制器模型构建方法,其特征在于,所述将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型,包括:
通过所述无人机全状态运动方程提取无人机纵向运动方程;
其中,所述无人机纵向运动方程为:
,
其中,i为第i架编组无人机,di1、di2和di3为外界干扰,Li、Di和Ti分别为升力、阻力和推力,Vi为无人机速度,zi为高度输出信号, i为航迹倾角,/> i为无人机俯仰角,qi为俯仰角速度,/> i为无人机攻角,/> i为无人机所受外力矩沿机体坐标系的分量,mi为i的力矩,g为常数,Iiy为惯性系中y的坐标值;
将所述无人机纵向运动方程分解为所述初始速度子系统模型和所述初始高度子系统模型。
5.根据权利要求3所述的无人机控制器模型构建方法,其特征在于,所述利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型得到初始控制器模型,包括:
利用所述速度偏差调节模型调节所述初始速度子系统模型得到目标速度子系统模型;
其中,所述速度偏差调节模型为:
,
其中,k11、k12和k13为设计参数,Ti为速度偏差调节模型,ei1为第i架编组无人机相对于虚拟无人机速度的速度偏差;
利用所述无人机故障模型调节所述初始高度子系统模型得到目标高度子系统模型;
根据所述目标速度子系统模型和所述目标高度子系统模型得到所述初始控制器模型。
6.根据权利要求3所述的无人机控制器模型构建方法,其特征在于,所述获取偏差向量,包括:
通过分布式滑模估计器得到所述虚拟无人机的估计高度信息;
其中,所述分布式滑模估计器为:
,
其中,为第i架编组无人机的估计器对虚拟无人机高度信号的估计值,/>为第j架编组无人机的估计器对虚拟无人机高度信号的估计值,/>为分布式滑模估计器,aij为第i无人机和第j 无人机之间的通信权重,其中,无人机之间通过网状型拓扑结构进行通信,bi为临接第i无人机的交互信息,所述交互信息包括临接第i无人机的飞行高度、速度,N为无人机总数,z0为虚拟无人机的高度,/>和/>为正的设计参数,/>为符号函数;
结合预设性能函数重构所述编组无人机的高度信息与所述估计高度信息之间的高度偏差得到所述偏差向量;
其中,所述预设性能函数为:
,
其中,和/>为和性能界限有关的设计参数,/>为严格递减的性能函数,/>为预设性能函数速度偏差。
7.根据权利要求5所述的无人机控制器模型构建方法,其特征在于,所述无人机故障模型包括升降舵故障模型和执行器故障模型;所述利用所述无人机故障模型调节所述初始高度子系统模型得到所述目标高度子系统模型,包括:
利用所述升降舵故障模型和所述执行器故障模型调节所述初始高度子系统模型设计分布式容错协同控制律得到所述目标高度子系统模型;
其中,所述升降舵故障模型为:
,
其中,为应用控制信号,/>为待设计控制信号,/>为有界偏差故障,为升降舵剩余的作动效率系数。
8.一种无人机控制器模型构建装置,其特征在于,包括:
状态变量获取单元,获取无人机的状态变量;
全状态运动方程获取单元,根据所述状态变量构建无人机全状态运动方程;
子系统模型获取单元,将所述无人机全状态运动方程分解为初始速度子系统模型和初始高度子系统模型;
初始控制器模型获取单元,利用速度偏差调节模型和无人机故障模型分别调节所述初始速度子系统模型和所述初始高度子系统模型,以得到初始控制器模型;
目标控制器模型获取单元,获取偏差向量,并基于自适应控制律通过所述偏差向量和所述初始控制器模型得到目标控制器模型。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项的所述无人机控制器模型构建方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1至7任一项的所述无人机控制器模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294993.1A CN117891177B (zh) | 2024-03-15 | 2024-03-15 | 无人机控制器模型构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294993.1A CN117891177B (zh) | 2024-03-15 | 2024-03-15 | 无人机控制器模型构建方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117891177A true CN117891177A (zh) | 2024-04-16 |
CN117891177B CN117891177B (zh) | 2024-07-23 |
Family
ID=90650865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410294993.1A Active CN117891177B (zh) | 2024-03-15 | 2024-03-15 | 无人机控制器模型构建方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117891177B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018117872A1 (en) * | 2016-12-25 | 2018-06-28 | Baomar Haitham | The intelligent autopilot system |
CN109884895A (zh) * | 2019-03-11 | 2019-06-14 | 南京邮电大学 | 基于饱和受限情况下的无人机自适应跟踪控制算法 |
CN110502027A (zh) * | 2019-09-16 | 2019-11-26 | 南京邮电大学 | 一种基于自适应终端滑模的四旋翼无人机姿态容错控制方法 |
CN110703603A (zh) * | 2019-10-28 | 2020-01-17 | 华南理工大学 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
CN110967973A (zh) * | 2019-11-21 | 2020-04-07 | 南京航空航天大学 | 舰载机垂尾损伤故障自适应容错控制器设计方法及控制系统 |
CN112034869A (zh) * | 2020-08-17 | 2020-12-04 | 华南理工大学 | 一种无人机变参神经动力学控制器的设计方法及其应用 |
CN112180960A (zh) * | 2020-09-29 | 2021-01-05 | 西北工业大学 | 一种面向执行器故障的无人机容错飞行方法及飞行系统 |
CN112631320A (zh) * | 2020-09-22 | 2021-04-09 | 深圳先进技术研究院 | 一种无人机自适应控制方法及系统 |
CN113568419A (zh) * | 2021-05-18 | 2021-10-29 | 南京邮电大学 | 一种变载四旋翼无人机容错控制方法 |
CN115933377A (zh) * | 2022-11-08 | 2023-04-07 | 西北工业大学 | 一种面向执行器故障的无人机轨迹容错控制方法及系统 |
CN116627156A (zh) * | 2023-07-24 | 2023-08-22 | 南京信息工程大学 | 一种四旋翼无人机姿态抗扰控制方法 |
-
2024
- 2024-03-15 CN CN202410294993.1A patent/CN117891177B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018117872A1 (en) * | 2016-12-25 | 2018-06-28 | Baomar Haitham | The intelligent autopilot system |
CN109884895A (zh) * | 2019-03-11 | 2019-06-14 | 南京邮电大学 | 基于饱和受限情况下的无人机自适应跟踪控制算法 |
CN110502027A (zh) * | 2019-09-16 | 2019-11-26 | 南京邮电大学 | 一种基于自适应终端滑模的四旋翼无人机姿态容错控制方法 |
CN110703603A (zh) * | 2019-10-28 | 2020-01-17 | 华南理工大学 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
CN110967973A (zh) * | 2019-11-21 | 2020-04-07 | 南京航空航天大学 | 舰载机垂尾损伤故障自适应容错控制器设计方法及控制系统 |
CN112034869A (zh) * | 2020-08-17 | 2020-12-04 | 华南理工大学 | 一种无人机变参神经动力学控制器的设计方法及其应用 |
CN112631320A (zh) * | 2020-09-22 | 2021-04-09 | 深圳先进技术研究院 | 一种无人机自适应控制方法及系统 |
CN112180960A (zh) * | 2020-09-29 | 2021-01-05 | 西北工业大学 | 一种面向执行器故障的无人机容错飞行方法及飞行系统 |
CN113568419A (zh) * | 2021-05-18 | 2021-10-29 | 南京邮电大学 | 一种变载四旋翼无人机容错控制方法 |
CN115933377A (zh) * | 2022-11-08 | 2023-04-07 | 西北工业大学 | 一种面向执行器故障的无人机轨迹容错控制方法及系统 |
CN116627156A (zh) * | 2023-07-24 | 2023-08-22 | 南京信息工程大学 | 一种四旋翼无人机姿态抗扰控制方法 |
Non-Patent Citations (1)
Title |
---|
刘凯悦;冷建伟;: "基于滑模控制的四旋翼无人机自适应跟踪控制", 飞行力学, vol. 35, no. 01, 28 February 2017 (2017-02-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN117891177B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100804355B1 (ko) | 피드백 선형 시불변화를 이용한 복수 입력, 복수 출력파라미터 의존 시스템을 제어하는 방법, 장치 및 설계과정 | |
He et al. | Adaptive output feedback fault-tolerant control design for hypersonic flight vehicles | |
Ye et al. | Control-oriented modeling and adaptive backstepping control for a nonminimum phase hypersonic vehicle | |
Shin et al. | Adaptive support vector regression for UAV flight control | |
Xi et al. | Adaptive actuator failure compensation control for hypersonic vehicle with full state constraints | |
CN108319140A (zh) | 一种重定义输出式无模型自适应航向控制方法及系统 | |
CN111781942B (zh) | 一种基于自构造模糊神经网络的容错飞行控制方法 | |
Norouzi et al. | Real time estimation of impaired aircraft flight envelope using feedforward neural networks | |
Van Oort et al. | Full-envelope modular adaptive control of a fighter aircraft using orthogonal least squares | |
Bu et al. | Robust tracking control of hypersonic flight vehicles: A continuous model-free control approach | |
Bierling | Comparative analysis of adaptive control techniques for improved robust performance | |
Zehong et al. | Adaptive accurate tracking control of HFVs in the presence of dead-zone and hysteresis input nonlinearities | |
CN113342033A (zh) | 基于固定时间技术的固定翼无人机姿态同步容错控制方法 | |
Xingling et al. | Prescribed fast tracking control for flexible air-breathing hypersonic vehicles: An event-triggered case | |
Konatala et al. | Reinforcement Learning based Online Adaptive Flight Control for the Cessna Citation II (PH-LAB) Aircraft | |
Pu et al. | An integrated approach to hypersonic entry attitude control | |
Sun et al. | Adaptive nonlinear relative motion control of quadrotors in autonomous shipboard landings | |
Sato | Robust gain-scheduled flight controller using inexact scheduling parameters | |
Vanek et al. | Geometric LPV fault detection filter design for commercial aircrafts | |
Kapnopoulos et al. | Quadrotor trajectory tracking based on backstepping control and radial basis function neural networks | |
Yang et al. | Robust adaptive three-dimensional trajectory tracking control scheme design for small fixed-wing UAVs | |
CN117891177B (zh) | 无人机控制器模型构建方法、装置、设备及存储介质 | |
Butler et al. | Takagi-sugeno fuzzy model-based flight control and failure stabilization | |
Wahid et al. | Comparative assesment using LQR and fuzzy logic controller for a pitch control system | |
CN114063636B (zh) | 基于干扰观测器的无人机集群密集编队控制方法及装置 |
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 |