一种基于风扰特征学习的无人机动力学状态预测方法
本发明属于无人机动力学建模与运动状态预测,具体涉及一种基于风扰特征学习的无人机动力学状态预测方法。
背景技术:
1、随着无人飞行技术的快速发展,无人机系统已广泛应用于航拍测绘、物流配送、搜索救援、农业植保及基础设施巡检等民用领域。运动状态预测作为无人机自主飞行控制、轨迹规划与安全避障的核心基础功能,其预测精度直接影响上层任务执行的可靠性与安全性。
2、无人机运动状态预测的传统方法主要分为两类。第一类为基于第一性原理的物理建模方法,通过牛顿-欧拉方程或拉格朗日方程建立刚体动力学模型,利用当前状态与控制输入进行数值积分以推演未来运动状态。这类方法具有明确的物理可解释性,但在真实飞行环境中面临显著局限:无人机系统受旋翼气动力、电机响应延迟及飞行姿态耦合等因素影响,呈现强非线性和时变特性;户外环境中的风场湍流、阵风冲击等时变气动扰动会导致模型参数发生无法预知的摄动;此外,转动惯量、空气动力学系数等关键参数难以精确测量,简化建模引入的高阶项忽略误差在长时积分中持续累积,导致预测精度显著下降。
3、第二类为数据驱动的建模方法,借助深度学习网络从大量飞行数据中学习状态演化规律。循环神经网络、transformer等时序模型能够捕捉控制输入与状态响应之间的复杂非线性映射关系,在一定程度上弥补了物理模型对未建模动态表征能力的不足。然而,纯数据驱动方法存在固有缺陷:训练数据分布之外的工况(如未知风速、突发阵风)可能导致预测性能断崖式恶化;黑盒模型缺乏物理约束,预测结果可能出现能量不守恒、动量不守恒等违背基本物理规律的情形,在实际飞行控制中难以获得足够的工程信任;此外,高质量飞行数据的采集成本高昂且存在安全风险,限制了数据驱动模型的训练广度。
4、为融合两类方法的优势,近年来研究者提出物理引导的混合建模思路,利用物理模型提供基线预测,再通过神经网络学习物理模型残差。这类方法在一定程度上提升了模型的泛化能力,但仍存在以下不足:其一,多数混合模型对风扰等时变外部扰动的建模仍较为粗放,通常将风扰视为固定偏差或简单随机噪声处理,缺乏对风扰动态演化规律的表征与利用;其二,时序特征的提取能力有限,无人机状态演化包含多个时间尺度的动态成分(高频振动、中频机动响应、低频任务趋势),现有方法难以兼顾各尺度特征的同步捕获;其三,物理约束的引入方式多为软约束(如损失函数中添加正则项),难以严格保证预测结果满足能量守恒等基本物理一致性,导致长时递归预测中的误差累积问题仍然突出。
5、综上所述,如何在未知风扰条件下实现高精度、强泛化且具备物理一致性的无人机运动状态预测,仍是本领域亟待解决的技术难题。
技术实现思路
1、为解决上述技术问题,本发明提供了一种基于风扰特征学习的无人机动力学状态预测方法,通过transformer时序编码器从历史观测序列中提取风扰潜变量,并以其条件化调制端口-哈密顿神经常微分方程的风扰项,实现物理一致性与数据驱动自适应相结合的风扰下无人机运动状态预测。
2、为实现上述目的,本发明采用了如下技术方案:
3、一种基于风扰特征学习的无人机动力学状态预测方法,包括:
4、步骤1、采集固定时间窗口内的历史多源观测序列,并构造当前时刻的无人机动力学初始运动状态向量;
5、步骤2、将所述历史多源观测序列输入至transformer时序编码器,得到表征当前风扰条件下无人机动力学演化规律的潜变量;
6、步骤3、构建端口-哈密顿神经常微分方程动力学模型,所述动力学模型以构型变量与动量变量描述系统状态,以包含动能项与势能项的哈密顿量描述系统总能量;所述动力学模型包含用于描述外部风扰对系统动量等效影响的风扰项、用于描述电机控制量对系统广义动量作用的控制端口映射、以及用于保障系统能量耗散特性的阻尼矩阵;以所述潜变量作为条件化调制输入,对所述风扰项、所述控制端口映射、所述阻尼矩阵以及所述势能项中的至少其一进行调制,建立受所述潜变量约束且满足能量守恒与耗散结构的连续动力学方程;
7、步骤4、将所述初始运动状态向量与当前时刻的电机控制量共同输入至所述连续动力学方程,执行连续时间积分传播,得到下一时刻无人机运动状态的预测结果。
8、进一步的,所述步骤1中,在每个时刻,获取长度为固定值的固定窗口历史观测序列,将所述窗口内各时刻的多源观测数据拼接为时序输入样本,其中每一时刻的观测数据包括电机控制量、机体系线速度、机体系角速度和六维连续旋转表示;构造用于连续传播的初始运动状态向量,所述初始运动状态向量包含世界坐标系下的位置、六维连续旋转表示、线速度和角速度。
9、进一步的,所述步骤2中,通过输入投影层将每一时刻的观测数据映射至隐藏特征空间,并对映射后的序列添加位置编码;利用多头自注意力机制对电机控制量、机体系线速度、机体系角速度及姿态演化之间的时序关联进行联合建模,经多层注意力特征提取后得到编码结果;对所述编码结果进行特征聚合,将最后时刻的局部动态特征与整个序列的全局平均特征进行拼接,并经输出映射网络得到所述潜变量。
10、进一步的,所述步骤3中,构建端口-哈密顿神经常微分方程动力学模型,包括:采用构型-动量形式定义系统状态,构型变量表示无人机的位置与姿态,动量变量包含平动动量和转动动量;定义系统哈密顿量为动能项与势能项之和,所述动能项由平动部分的等效逆质量矩阵和转动部分的等效逆惯量矩阵构成,所述等效逆质量矩阵与所述等效逆惯量矩阵均为对称正定矩阵,设计势能函数描述重力势能及与飞行工况相关的等效势能项;利用所述潜变量对所述势能函数进行条件化调制,使所述势能函数能够根据当前风扰特征自适应调整。
11、进一步的,所述步骤3中,构建端口-哈密顿神经常微分方程动力学模型,还包括:定义阻尼矩阵、控制端口映射及风扰项,所述阻尼矩阵为关于平动与转动的分块对角形式,由平动阻尼矩阵和转动阻尼矩阵构成,且二者均为半正定矩阵以保障系统能量耗散特性;所述风扰项用于描述风扰动及未建模气动效应对系统动量的等效影响,所述控制端口映射用于描述电机控制量对系统广义动量的作用方式;利用所述潜变量对所述阻尼矩阵、所述控制端口映射和所述风扰项进行条件化调制,使不同风扰条件下所述动力学模型自适应调整耗散特性与控制作用,同时保持端口-哈密顿结构的物理一致性与稳定性。
12、进一步的,还包括:根据所述哈密顿量关于动量变量的梯度确定广义速度,所述广义速度包含平动速度与角速度;根据所述控制端口映射与电机控制量的乘积确定控制驱动作用,根据所述风扰项确定风扰驱动作用,根据所述阻尼矩阵与广义速度的乘积确定阻尼耗散作用,所述阻尼耗散作用与广义速度方向相反;
13、将所述控制驱动作用、所述风扰驱动作用与所述阻尼耗散作用叠加,确定作用在动量方程上的等效广义力。
14、进一步的,所述步骤4中,将所述初始运动状态向量、所述潜变量以及当前时刻的电机控制量共同输入至所述连续动力学方程,在预测时间区间内执行连续时间积分传播;将当前时刻的电机控制量在当前积分步长内视为常值,利用常微分方程数值积分算子进行积分,得到所述连续动力学方程在终止时刻的数值解作为运动状态预测结果;所述运动状态预测结果包含世界坐标系下的位置、姿态、线速度和角速度。
15、进一步的,将预测得到的姿态信息恢复为旋转矩阵,根据所述旋转矩阵将机体系速度转换至世界坐标系下的线速度,以输出完整的世界坐标系运动状态信息。
16、第二方面,本发明提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;其中,当一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现前述的一种基于风扰特征学习的无人机动力学状态预测方法。
17、第三方面,本发明提供一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时能够使处理器实现前述的一种基于风扰特征学习的无人机动力学状态预测方法。
18、本发明的有益效果在于:
19、本发明通过设计基于transformer时序编码器的风扰动力学表征策略,从固定窗口历史多源观测序列中提取风扰条件下无人机的动力学特征潜变量,能够有效捕获控制输入、速度、姿态之间的长时依赖与局部动态耦合关系,实现对未知恒定风和时变风扰的隐式表征,克服了传统方法依赖先验风扰信息或固定扰动假设的缺陷,显著提升了复杂风场环境下状态预测的适应性。
20、本发明建立了融合风扰项的端口-哈密顿神经常微分方程模型,利用潜变量对风扰项、哈密顿量及阻尼矩阵进行条件化调制,使模型能够根据实时感知的风扰特征自适应调整动力学演化规律,同时严格保持能量守恒与耗散结构等物理一致性,避免了纯数据驱动模型在长时递归预测中因物理约束缺失而导致的误差累积和非物理漂移问题。
21、本发明将数据驱动的风扰特征学习与物理结构约束的动力学传播有机结合,实现了对无人机位置、姿态、线速度和角速度的多维运动状态同步预测,在保证预测精度的同时具有良好的数值稳定性,单次完整预测耗时远小于典型飞行控制系统的采样周期,能够满足在线滚动预测的实时性要求。
22、本发明的方法不依赖于特定风场模型或先验扰动信息,对不同风速条件和风场变化模式具有良好的泛化能力,可广泛应用于各类旋翼无人机在未知风扰环境下的自主飞行控制、轨迹规划和状态估计等任务场景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com