一种四旋翼无人机姿态动态特性模型、辨识方法及自适应柔化预测控制方法与流程

技术特征：
1.一种四旋翼无人机姿态动态特性模型，其特征在于，使用四旋翼无人机的三个姿态角作为输出、四旋翼无人机的四个旋翼电机电压作为输入，建立四旋翼无人机的recnn-arx动态特性模型，其表达式如下所示：其中，y(t)表示t时刻四旋翼无人机的实际姿态角输出，分别为俯仰角φ(t)、翻转角θ(t)、偏航角ψ(t)；u(t)表示t时刻四旋翼飞行器四个电机的电压；是t时刻的状态相依偏移量；ny、nu分别是模型的输出和输入阶次，是状态相依系数矩阵；上述recnn-arx动态特性模型的状态相依系数通过recnn(残差卷积网络)模型计算得到，其模型如下：其中，是recnn-arx模型中状态相依系数矩阵的元素；h
i
(t)表示残差卷积网络全连接层的输出，分别表示recnn-arx模型中的偏移项系数、输出
项系数与输入项系数中的偏置参数；w
i
、b
i
表示残差卷积网络全连接层的权重参数和偏置参数，g(
·
)表示全连接层的激活函数；表示第i个残差卷积网络中第r个残差块中的第l个卷积层的第j个特征图，m1、m2分别表示残差块中第一、三个卷积层的卷积核数目与第二个卷积层的卷积核数目；表示第t个时刻，第n个残差块的所有输出特征图经过扁平化得到的一维向量，f(
·
)表示卷积层的激活函数，表示第r个残差块的第j个特征图，是第一个残差块的输入向量，即残差卷积网络的输入向量input＝[y(t-1)
t y(t-2)
t
ꢀ…ꢀ
y(t-d)
t
]
t
,d是输入向量的维数。2.根据权利要求1所述的一种四旋翼无人机姿态动态特性模型，其特征是所述残差卷积网络包括以下模块：(1)输入层，用于接收输入状态向量input；(2)多个由卷积层组合形成的残差块，用于对输入向量input进行残差卷积运算，通过激活函数和每个卷积层的权值参数计算输出特征图，并作为下一个残差块的输入；反向传播时，残差块提供梯度上升的旁路，将输出层的梯度上传到靠近输入层，使得输入层的参数可以正常更新，避免了梯度消失的问题；(3)全连接层，用于处理经过扁平化后的特征图；(4)输出层，可以看作一个没有激活函数的全连接层，只进行线性运算。输出层将全连接层输出的特征经过线性组合后获得recnn-arx模型的状态相依系数。3.一种四旋翼无人机姿态动态特性模型的辨识方法，包括以下步骤：(s1)获取四旋翼无人机的输出/输入数据作为recnn-arx模型的辨识数据；(s2)选择recnn-arx模型的输出/输入变量阶次ny、nu，以及模型的结构参数m1、m2、n；(s3)对所述模型参数赋初值；(s4)对所述模型进行前向运算，得到四旋翼无人机recnn-arx模型的预测输出，计算预测输出和期望输出之间的mse(mean square error，均方误差)作为损失函数；(s5)根据损失函数计算反向传播的梯度，自输出层向输入层反向更新参数；(s6)重复步骤(s4)-(s5)，直到找到模型的最优参数；(s7)选择其它的模型输入输出阶次和模型结构参数，并重复步骤(s2)～(s6)，找出在满足系统实时性要求下，模型预测效果较优的模型阶次和结构参数。4.一种四旋翼无人机姿态自适应柔化预测控制方法，其特征是，包括控制量优化策略与柔化因子自适应律。5.如权利要求4所述的一种四旋翼无人机姿态自适应柔化预测控制方法，其特征是，所述控制量优化策略如下：
式中，q≥0,r1＞0,r2＞0为加权矩阵；是在t时刻recnn-arx模型的回归系数、基于四旋翼无人机recnn-arx模型递推获得的输出预测序列；是经自适应柔化因子修正后的输出期望值序列；u(t)是待优化的控制量序列、δu(t)是控制增量序列，u
*
(t)是优化后得到的控制量序列、其中的u
*
(t)用于t时刻的控制；n
y
是预测时域长度，n
u
是控制时域长度。6.如权利要求4或5所述的一种四旋翼无人机姿态自适应柔化预测控制方法，其特征是所述柔化因子自适应律如下：式中，y(t)是四旋翼无人机当前t时刻的实际输出值，e(t)表示输出期望值与实际值之间的偏差，是经自适应柔化后的期望输出，y
r
是期望输出，α是柔化因子；α0是柔化因子的初值，μ、σ分别是正态分布函数的均值和方差，a是缩放系数，b是偏差项，f
e
(e(t))表示基于误差变化的柔化因子修正函数。7.如权利要求6所述的一种四旋翼无人机自适应柔化预测控制方法，其特征是柔化因子自适应律的参数整定方法，包括以下步骤：(1)首先使用固定柔化因子的四旋翼无人机姿态预测控制，在[0,1)之间寻找一个控制效果较好的柔化因子初值α0；(2)然后再采样自适应柔化因子的四旋翼无人机姿态预测控制，根据系统的特性和控制结果选择合适的修正方向和力度，寻找合适的参数a、b；(3)根据四旋翼无人机姿态预测控制效果，对误差容忍范围进行微调，即寻找合适的参数μ、σ。

技术总结
本发明一种四旋翼无人机姿态动态特性模型，使用四旋翼无人机的三个姿态角作为输出、四旋翼无人机的四个旋翼电机电压作为输入，建立四旋翼无人机的ReCNN-ARX动态特性模型。本发明所具有的有益效果为针对四旋翼无人机姿态动态特性建模，结合ReCNN和SD-ARX两种模型，得到了一个表征能力较强的描述四旋翼无人机姿态动态特性的非线性模型ReCNN-ARX，其中的ReCNN可以有效解决梯度消失问题，而相比于线性的ARX模型又提高了模型的预测精度；本发明使用残差卷积网络ReCNN来拟合SD-ARX模型的非线性系数，相比于普通的卷积网络，得到的模型更加稳定；并且有效解决了梯度小时的问题，使模型具备了可以扩展网络层数，加强非线性拟合效果的能力。效果的能力。效果的能力。


技术研发人员：许红兵 付雷 彭辉 胡铜生 吴强 洪小兵 朱兵 俞显平 胡涌 王亚夔 蒋永红 黄其斌 黄玮玲 韩松山 许润国 侯锦贤 黄永冠 刘凡 方健 翟祥民
受保护的技术使用者：铜陵有色金属集团股份有限公司
技术研发日：2021.08.04
技术公布日：2022/1/28