一种无人机抗风扰控制方法、装置、终端及存储介质与流程

1.本发明涉及无人机技术领域，尤其涉及的是一种无人机抗风扰控制方法、装置、终端及存储介质。


背景技术：

2.近年来，由于无人机在勘探、搜救、空间成像以及交通运输等场景中得到广泛应用，关于无人机运动控制的研究也得到了学术界和工业界极大的关注。值得注意的是，在实际应用中，自然环境下的风扰几乎无处不在，从而造成无人机系统的不确定性与复杂性，如果没有妥善地处理，会对无人机的运动产生严重的影响。
3.然而，一般情况下，无人机系统的运动控制方式并未针对风扰场景进行控制设计，而是直接简单地在pid控制器中引入积分环节，从而抑制可能出现的扰动，由于积分需要时间才能抵消扰动量，因此扰动抑制过程十分缓慢，在此过程中，无人机将大幅偏离设定的目标点。
4.因此，现有技术还有待改进。


技术实现要素：

5.本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种无人机抗风扰控制方法、装置、终端及存储介质，以解决现有的无人机系统针对风扰场景下出现的扰动抑制效率低的技术问题。
6.本发明解决技术问题所采用的技术方案如下：
7.第一方面，本发明提供一种无人机抗风扰控制方法，所述无人机抗风扰控制方法包括以下步骤：
8.采集并处理无人机在风扰场景下的飞行状态数据和传感器数据，并通过数据驱动的方式训练得到表征风扰的神经网络模型；
9.将所述表征风扰的神经网络模型部署至所述无人机上，控制所述无人机进行在线运行，并实时预估当前场景风对所述无人机的扰动量；
10.通过前馈补偿的方式对所述无人机的旋翼进行运动补偿，并根据所述扰动量将所述无人机从偏移位置恢复至目标位置。
11.在一种实现方式中，所述采集并处理无人机在风扰场景下的飞行记录数据，并通过数据驱动的方式训练得到表征风扰的神经网络模型，包括：
12.通过飞行控制系统采集所述无人机的飞行状态数据和传感器数据；
13.对所述飞行状态数据和所述传感器数据进行离线滤波处理，得到处理后的数据；
14.利用数据驱动的神经网络对风扰进行建模，将所述处理后的数据中的扰动加速度增量作为数据集的标签数据，并将所述处理后的数据中的状态量作为所述数据集的特征数据；
15.根据所述数据集及所述状态量对所述神经网络进行训练，得到所述表征风扰的神
经网络模型。
16.在一种实现方式中，所述对飞行状态和所述传感器数据进行离线滤波处理，之前包括：
17.选择一组时间序列数据x＝{...,x
t-2
,x
t-1
,x
t
,x
t 1
,x
t 2
,...}，使用一个作用在时域上的滤波函数f，在任意t时刻的低通滤波值x
tf
表示为时间序列和滤波函数在整个时域上的卷积函数：
[0018][0019]
其中，fi表示为滤波函数f在i时刻的取值。
[0020]
在一种实现方式中，所述对飞行状态和所述传感器数据进行离线滤波处理，包括：
[0021]
确定窗函数：
[0022][0023]
根据所述窗函数和所述卷积函数对飞行状态和所述传感器数据进行离线滤波处理：
[0024][0025]
在一种实现方式中，所述无人机的状态量包括：加速度误差、姿态角的四元数表示、姿态误差的四元数表示以及电机转速。
[0026]
在一种实现方式中，所述根据数据集及所述状态量对所述神经网络进行训练，得到所述表征风扰的神经网络模型，之前包括：
[0027]
对各特征数据和各标签数据进行数据的标准化操作：
[0028][0029]
其中，均值μi和标准差σi分别定义为：
[0030][0031]
其中，k为所述无人机的控制参数。
[0032]
在一种实现方式中，所述将表征风扰的神经网络模型部署至所述无人机上，控制所述无人机进行在线运行，并实时预估当前场景风对所述无人机的扰动量，包括：
[0033]
将所述表征风扰的神经网络模型部署在所述无人机上；
[0034]
利用所述飞行状态数据反馈作为所述表征风扰的神经网络模型的输入，控制所述无人机进行在线运行；
[0035]
实时预估当前场景风对所述无人机的扰动量，得到当前时刻的扰动估计值
[0036]
在一种实现方式中，所述通过前馈补偿的方式对所述无人机的旋翼进行运动补偿，包括：
[0037]
计算所述无人机的位置控制器的轨迹跟踪误差；
[0038]
根据所述扰动估计值和所述轨迹跟踪误差，对所述无人机的旋翼进行运动补偿：
[0039][0040]
其中，ua为所述位置控制器的输出值；
[0041]
pd为所述无人机的期望轨迹；
[0042]
k,p均为所述位置控制器的控制参数；
[0043]
pe＝p
d-p为轨迹跟踪误差；
[0044]
为所述扰动估计值。
[0045]
在一种实现方式中，所述计算无人机的位置控制器的轨迹跟踪误差，包括：
[0046]
计算所述无人机的扰动观测器的估计误差：
[0047]
其中，ad为实际扰动量；
[0048]
确定所述估计误差的上界值：
[0049]
εm＝sup||ε||；
[0050]
根据所述估计误差和所述上界值计算所述位置控制器的误差带，得到所述轨迹跟踪误差：
[0051][0052]
在一种实现方式中，所述通过前馈补偿的方式对所述无人机的旋翼进行运动补偿，还包括：
[0053]
根据所述误差带调整所述控制参数k和p，或者减小所述扰动观测器的误差εm，以将所述无人机的估计跟踪误差收敛在所述误差带的范围内。
[0054]
第二方面，本发明提供一种无人机抗风扰控制装置，所述无人机抗风扰控制装置包括：
[0055]
训练模块，用于采集并处理无人机在风扰场景下的飞行状态数据和传感器数据，并通过数据驱动的方式训练得到表征风扰的神经网络模型；
[0056]
预估模块，用于将所述表征风扰的神经网络模型部署至所述无人机上，控制所述无人机进行在线运行，并实时预估当前场景风对所述无人机的扰动量；
[0057]
控制模块，通过前馈补偿的方式对所述无人机的旋翼进行运动补偿，并根据所述扰动量将所述无人机从偏移位置恢复至目标位置。
[0058]
第三方面，本发明提供一种终端，包括：处理器以及存储器，所述存储器存储有无人机抗风扰控制程序，所述无人机抗风扰控制程序被所述处理器执行时用于实现如第一方面所述的无人机抗风扰控制方法。
[0059]
第四方面，本发明提供一种存储介质，所述存储介质存储有无人机抗风扰控制程序，所述无人机抗风扰控制程序被处理器执行时用于实现如第一方面所述的无人机抗风扰
控制方法。
[0060]
本发明采用上述技术方案具有以下效果：
[0061]
本发明在实际应用中不需要进行复杂而繁琐的风扰理论模型，而是采用数据驱动的策略，离线训练得到能够刻画表征风扰的黑箱网络模型。同时相比于传统的pid控制方法本发明方法能够在线估计作用到无人机上的风扰量，实时感知风扰的大小，保证无人机在风扰作用中迅速抑制风扰噪声的位置偏离，恢复到目标位置，解决了扰动抑制效率低的问题。
附图说明
[0062]
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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0063]
图1是本发明的一种实现方式中无人机抗风扰控制方法的流程图。
[0064]
图2是本发明的一种实现方式中风机向无人机施加不同方向的风扰的场景示意图。
[0065]
图3是本发明的一种实现方式中滤波前后的加速度对比示意图。
[0066]
图4是本发明的一种实现方式中部分特征数据和标签数据的分布直方图。
[0067]
图5是本发明的一种实现方式中拟合误差值的变化曲线示意图。
[0068]
图6是现有的pd控制器针对风扰场景的无人机位置变化曲线示意图。
[0069]
图7是现有的pid控制器针对风扰场景的无人机位置变化曲线示意图。
[0070]
图8是本发明的一种实现方式中针对风扰场景的无人机位置变化曲线示意图。
[0071]
图9是本发明的一种实现方式中终端的功能原理图。
[0072]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0073]
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0074]
示例性方法
[0075]
如图1所示，本发明实施例提供一种无人机抗风扰控制方法，无人机抗风扰控制方法包括以下步骤：
[0076]
步骤s100，采集并处理无人机在风扰场景下的飞行状态数据和传感器数据，并通过数据驱动的方式训练得到表征风扰的神经网络模型。
[0077]
在本实施例中，所述无人机抗风扰控制方法应用于终端中，所述终端包括但不限于：计算机等无人机控制设备设备。
[0078]
在本实施例中，提供了一种无人机抗风扰控制方法，该方法基于数据驱动策略的四旋翼无人机系统对无人机进行抗风扰控制，能够在不分析复杂的风扰机理模型的前提下，根据预先收集的飞行记录数据，采用数据驱动的方式训练得到风扰的黑箱模型，部署到
四旋翼无人机上实时运行，最后通过前馈控制的方式补偿风扰，起到抗风的控制效果。
[0079]
在本实施例中，先采集并处理风扰下无人机的飞行状态以及传感器数据，使用数据驱动的方式训练得到表征风扰的黑箱模型。然后，将神经网络模型部署到四旋翼无人机上在线运行，实时估计风对无人机的扰动量，通过前馈控制的方式补偿风扰。通过本实施例的方法，在实际应用中不需要进行复杂而繁琐的风扰理论模型，而是采用数据驱动的策略，离线训练得到能够刻画表征风扰的黑箱网络模型。同时，相比于传统的pid控制方法本发明方法能够在线估计作用到无人机上的风扰量，实时感知风扰的大小，保证无人机在风扰作用中迅速抑制风扰噪声的位置偏离，恢复到目标位置。
[0080]
在本实施例的一种实现方式中，步骤s100包括以下步骤：
[0081]
步骤s101，通过飞行控制系统采集所述无人机的飞行状态数据和传感器数据。
[0082]
在本实施例中，需要先模拟不同的风扰场景，以采集四旋翼无人机在不同的风扰场景下的飞行状态数据和传感器数据。
[0083]
如图2所示，在模拟不同的风扰场景时，可以将风机放置在不同的方向、位置，风口保持朝向悬停的无人机，以对无人机产生不同的风扰作用，利用px4飞控(一种飞行控制算法)内的记录功能采集原始测量数据；其中，采集的原始数据包括飞行状态数据和传感器数据。
[0084]
在采集的原始数据中，飞行状态数据包括：飞行状态及状态量等数据；传感器数据包括：加速度传感器数据、角速度传感器数据以及方位传感器数据等数据。
[0085]
在本实施例的一种实现方式中，步骤s100还包括以下步骤：
[0086]
步骤s102，对所述飞行状态数据和所述传感器数据进行离线滤波处理，得到处理后的数据。
[0087]
在本实施例中，由于原始测量数据中存在大量的噪声，因此需要对线上采样得到的原始数据进行离线滤波处理。为了过滤掉时间序列中的高频扰动，保留有用的低频趋势，需要选用合适的低通滤波器。
[0088]
一般的低通滤波器(如巴特沃斯低通滤波)会产生时间上的滞后效应，但是，滑动平均低通滤波器(又称为均值滤波器)在对离线的数据进行滤波时，可以利用当前滤波时刻t之后的数据，而不仅仅是利用t以前的数据进行滤波，从而避免时域的滞后；因此，本实施例中可以采用滑动平均低通滤波器对采集的原始数据进行滤波。
[0089]
具体地，在选择滑动平均低通滤波器时，包括以下步骤：
[0090]
步骤s102a，选择一组时间序列数据x＝{...,x
t-2
,x
t-1
,x
t
,x
t 1
,x
t 2
,...}，使用一个作用在时域上的滤波函数f，在任意t时刻的低通滤波值x
tf
表示为时间序列和滤波函数在整个时域上的卷积函数：
[0091][0092]
其中，fi表示为滤波函数f在i时刻的取值。
[0093]
由于，在实际的滤波处理过程中，对一个时间序列不可能使用无穷多的数据进行滤波，因此，需要考虑给滤波过程加一个窗函数，以使得滤波函数仅在时间长度t的窗口内有效。
[0094]
具体地，在选择窗函数时，包括以下步骤：
[0095]
步骤s102b，确定窗函数：
[0096][0097]
在本实施例中，可以根据时间长度t选择有效的窗函数，具体如下：
[0098]
当或者时，fi＝0；
[0099]
当时，对于窗口t内的i，都有fi＝1，那么滤波器f就是滑动平均低通滤波器。
[0100]
具体地，对原始数据进行离线滤波处理时，包括以下步骤：
[0101]
步骤s102c，根据所述窗函数和所述卷积函数对飞行状态和所述传感器数据进行离线滤波处理：
[0102][0103]
在本实施例中，由于在滤波时，同时使用了先前时刻数据以及未来时刻的数据，因此在去除高频噪声、保留低频分量的同时，滤波后的波形理论上并不产生滞后。根据这种方式，对图3所示的加速度测量值进行滤波，得到滤波前后的加速度曲线对比。
[0104]
如图3所示，a_x_raw表示滤波前的原始数据，a_x_meanf表示滤波后的数据。和原始未滤波处理的曲线相比，滤波后加速度曲线的高频振动明显消失，仅保留了有效的低频分量。
[0105]
在本实施例的一种实现方式中，步骤s100还包括以下步骤：
[0106]
步骤s103，利用数据驱动的神经网络对风扰进行建模，将所述处理后的数据中的扰动加速度增量作为数据集的标签数据，并将所述处理后的数据中的状态量作为所述数据集的特征数据。
[0107]
在本实施例中，在得到离线滤波处理数据后，可以利用数据驱动的神经网络对风扰进行建模，将扰动加速度增量作为数据集的标签数据，以及将无人机的状态量作为数据集的特征数据。其中，选取的无人机状态量包括：加速度误差、姿态角的四元数表示、姿态误差的四元数表示、电机转速等。
[0108]
在本实施例中，通过对收集的数据集进行统计分析，得到所述特征数据和标签数据的分布直方图。
[0109]
如图4所示，根据数据分布直方图可以看出，各个特征数据和标签数据经常发生较大的变动，且相互之间数据的分布差别较大，数据本身的物理含义也不同。例如无人机状态量qe等数据，其主要密集在0左右，分布范围窄；而执行器(电机)输出围绕在1100附近，分布范围宽。
[0110]
为解决数据本身差距过大、量纲等物理含义不同等问题，对各个特征数据和标签数据进行数据的z-score标准化操作。
[0111]
具体地，确定标签数据和特征数据之后，还包括以下步骤：
[0112]
步骤s103a，对各特征数据和各标签数据进行数据的标准化操作：
[0113][0114]
其中，均值μi和标准差σi分别定义为：
[0115][0116]
其中，k为所述无人机的控制参数。
[0117]
在本实施例中，引入z-score标准化操作后，数据分布统一稳定，数据的均值均为0，标准差均为1。同时由于数据分布稳定，使用较大的学习率不会轻易造成损失函数曲线出现发散等现象，可以使用相对更大的学习率进行误差反传更新参数，有利于加快收敛的速度。
[0118]
在本实施例的一种实现方式中，步骤s100还包括以下步骤：
[0119]
步骤s104，根据所述数据集及所述状态量对所述神经网络进行训练，得到所述表征风扰的神经网络模型。
[0120]
在本实施例中，神经网络风扰模型的训练使用adam优化器，学习率设置为1e-5。训练过程拟合误差值(均方误差以10为底的对数)变化曲线如图5所示，随着训练次数的增加，误差不断减小。
[0121]
本实施例通过模拟风扰环境，并根据风扰环境进行建模，可根据预先收集的飞行记录数据，采用数据驱动的方式训练得到风扰的黑箱模型，从而将表征风扰的神经网络模型部署到四旋翼无人机上进行实时运行，并通过前馈控制的方式补偿风扰。
[0122]
如图1所示，在本发明实施例的一种实现方式中，无人机抗风扰控制方法还包括以下步骤：
[0123]
步骤s200，将所述表征风扰的神经网络模型部署至所述无人机上，控制所述无人机进行在线运行，并实时预估当前场景风对所述无人机的扰动量。
[0124]
在本实施例中，在得到表征风扰的神经网络模型后，可以将该训练后的神经网络模型部署到四旋翼无人机上在线运行，以实时估计风对无人机的扰动量，通过前馈控制的方式补偿风扰。
[0125]
在本实施例的一种实现方式中，步骤s200包括以下步骤：
[0126]
步骤s201，将所述表征风扰的神经网络模型部署在所述无人机上；
[0127]
步骤s202，利用所述飞行状态数据反馈作为所述表征风扰的神经网络模型的输入，控制所述无人机进行在线运行；
[0128]
步骤s203，实时预估当前场景风对所述无人机的扰动量，得到当前时刻的扰动估计值
[0129]
在本实施例中，采用可以运行深度神经网络的nvidia tx2机载电脑，将表征风扰的神经网络模型部署在无人机上，利用飞控的状态数据反馈作为风扰模型的输入，使无人机具有实时估计风扰动量的能力。
[0130]
在无人机在线飞行的过程中，可通过无人机的扰动观测器(传感器)实时对当前环境的风扰量进行实时估计，从而得到当前时刻扰动估计值然后，可以根据实时得到的当前时刻扰动估计值采用前馈控制方案，以实现无人机在风扰等不确定因素下位置的精准控制。
[0131]
如图1所示，在本发明实施例的一种实现方式中，无人机抗风扰控制方法还包括以下步骤：
[0132]
步骤s300，通过前馈补偿的方式对所述无人机的旋翼进行运动补偿，并根据所述扰动量将所述无人机从偏移位置恢复至目标位置。
[0133]
在本实施例中，通过无人机的控制器对无人机的旋翼进行控制；在理想环境(即无风扰环境)下，无人机在控制器的控制下，可以按照期望轨迹进行飞行；由于，在不同的风扰环境下，需要计算得到无人机的当前估计与期望轨迹之间的误差，得到轨迹跟踪误差；然后，根据扰动估计值和轨迹跟踪误差，对无人机的旋翼进行运动补偿。
[0134]
在本实施例的一种实现方式中，步骤s300包括以下步骤：
[0135]
步骤s301，计算所述无人机的位置控制器的轨迹跟踪误差；
[0136]
步骤s302，根据所述扰动估计值和所述轨迹跟踪误差，对所述无人机的旋翼进行运动补偿。
[0137]
在本实施例中，设定的无人机控制器的控制方式如下：
[0138]
定义pd为无人机期望的轨迹；
[0139]
pe＝p
d-p为轨迹跟踪误差；
[0140]
k,p为控制器参数且均为正数；
[0141]
则控制器设计的控制律为：
[0142][0143]
位置控制器的输出ua为无人机加速度的设定值。
[0144]
在确定控制率后，对扰动估计误差进行分析，以计算所述无人机的位置控制器的轨迹跟踪误差。
[0145]
具体地，计算轨迹跟踪误差时，包括以下步骤：
[0146]
步骤s301a，计算所述无人机的扰动观测器的估计误差；
[0147]
步骤s301b，确定所述估计误差的上界值。
[0148]
步骤s301c，根据所述估计误差和所述上界值计算所述位置控制器的误差带，得到所述轨迹跟踪误差。
[0149]
在本实施例中，可定义无人机扰动观测器的估计误差为其中，ad为实际扰动值；同时，可定义估计误差的上界为εm＝sup||ε||。
[0150]
在定义扰动观测器的估计误差和估计误差的上界后，通过以下算法计算得到轨迹跟踪误差：
[0151]
首先，将控制器的控制律代入二阶积分器近似的无人机动力学中，经过整理后得到：
[0152][0153]
即方程：
[0154][0155]
然后，引入新的变量s：
[0156][0157]
用变量s替换方程中的pe，则原方程转化为：
[0158][0159]
该方程为一阶非齐次微分方程，其解析解为：
[0160]
s＝c1e-∫pdt
e-∫pdt
∫εe
∫pdt
dt；
[0161]
求取绝对值，得到：
[0162]
||s||＝||c1e-∫pdt
e-∫pdt
∫εe
∫pdt
dt||；
[0163]
将三角不等式||a b||《||a|| ||b||代上式右侧，得到：
[0164]
||s||《||c1e-∫pdt
|| ||e-∫pdt
∫εe
∫pdt
dt||；
[0165]
将εm＝supε代入，得到：
[0166]
||s||《||c1e-∫pdt
|| ||e-∫pdt
∫ε
me∫pdt
dt||；
[0167]
由于p为常值，因此求解上式中的积分项，得到：
[0168][0169]
因此，||s||最终的上界小于一个可以人为控制的常值，即：
[0170][0171]
进一步地，求解一阶非齐次微分方程式，得到：
[0172]
pe＝c2e-∫kdt-e-∫kdt
∫se
∫kdt
dt；
[0173]
对上式求取绝对值，并代入三角不等式，得到：
[0174]
||pe||《||c2e-∫kdt
|| ||e-∫kdt
∫se
∫kdt
dt||；
[0175]
进一步可以得到：
[0176][0177]
由于k和p均为常值，对式中的积分项进行化简，得到：
[0178][0179]
因此，||pe||最终的上界小于一个常值，即轨迹跟踪误差||p
d-p||最终将收敛于一个误差带以内：
[0180]
[0181]
具体地，在对旋翼进行运动补偿时，包括以下步骤：
[0182]
步骤s303，根据所述误差带调整所述控制参数k和p，或者减小所述扰动观测器的误差εm，以将所述无人机的估计跟踪误差收敛在所述误差带的范围内。
[0183]
在本实施例中，根据误差带的表示式可以得知，观测器误差εm越小，增益k和p越大，都可以使误差带的范围缩小。因此，可以通过调整增益k和p，或者减小观测器的误差，将控制精度限制在容许的范围之内，这也从理论上说明了所设计控制律的有效性。
[0184]
在本实施例中，为验证所提出方法的控制效果，进行了实物实验，在距离无人机0.6m左右的位置，施加峰值为4m/s的风扰，并和pd和pid控制效果进行对比，实验过程中无人机x方向位置曲线如图6至8所示。
[0185]
通过实验验证，可以说明，pid控制的误差均明显小于pd控制，本实施例中的控制方法的误差量又小于pid控制。pd控制存在稳态误差，受到扰动后，无人机最终位置无法回到设定值。pid控制和带扰动前馈补偿的控制均无稳态误差，虽然可以回到设定位置，但本实施例中的控制器与pid控制器相比，无论是重新回到设定值的时间(即位置补偿效率)还是最大误差指标，本实施例中的方法都明显更优。
[0186]
本实施例通过上述技术方案达到以下技术效果：
[0187]
本实施例在实际应用中不需要进行复杂而繁琐的风扰理论模型，而是采用数据驱动的策略，离线训练得到能够刻画表征风扰的黑箱网络模型。同时相比于传统的pid控制方法本发明方法能够在线估计作用到无人机上的风扰量，实时感知风扰的大小，保证无人机在风扰作用中迅速抑制风扰噪声的位置偏离，恢复到目标位置，解决了扰动抑制效率低的问题。
[0188]
示例性装置
[0189]
基于上述实施例，本发明还提供一种无人机抗风扰控制装置，所述无人机抗风扰控制装置包括：
[0190]
训练模块，用于采集并处理无人机在风扰场景下的飞行状态数据和传感器数据，并通过数据驱动的方式训练得到表征风扰的神经网络模型。
[0191]
预估模块，用于将所述表征风扰的神经网络模型部署至所述无人机上，控制所述无人机进行在线运行，并实时预估当前场景风对所述无人机的扰动量。
[0192]
控制模块，通过前馈补偿的方式对所述无人机的旋翼进行运动补偿，并根据所述扰动量将所述无人机从偏移位置恢复至目标位置。
[0193]
在一种实现方式中，所述训练模块，包括：
[0194]
采集模块，用于通过飞行控制系统采集所述无人机的飞行状态数据和传感器数据。
[0195]
滤波模块，用于对所述飞行状态数据和所述传感器数据进行离线滤波处理，得到处理后的数据。
[0196]
建模模块，利用数据驱动的神经网络对风扰进行建模，将所述处理后的数据中的扰动加速度增量作为数据集的标签数据，并将所述处理后的数据中的状态量作为所述数据集的特征数据。
[0197]
训练子模块，用于根据所述数据集及所述状态量对所述神经网络进行训练，得到所述表征风扰的神经网络模型。
[0198]
卷积函数模块，用于选择一组时间序列数据x＝{...,x
t-2
,x
t-1
,x
t
,x
t 1
,x
t 2
,...}，使用一个作用在时域上的滤波函数f，在任意t时刻的低通滤波值x
tf
表示为时间序列和滤波函数在整个时域上的卷积函数：
[0199][0200]
其中，fi表示为滤波函数f在i时刻的取值。
[0201]
窗函数模块，用于确定窗函数：
[0202][0203]
滤波子模块，用于根据所述窗函数和所述卷积函数对飞行状态和所述传感器数据进行离线滤波处理：
[0204][0205]
数据标准化模块，用于对各特征数据和各标签数据进行数据的标准化操作：
[0206][0207]
其中，均值μi和标准差σi分别定义为：
[0208][0209]
其中，k为所述无人机的控制参数。
[0210]
在一种实现方式中，所述预估模块包括：
[0211]
模型部署模块，用于将所述表征风扰的神经网络模型部署在所述无人机上。
[0212]
运行控制模块，利用所述飞行状态数据反馈作为所述表征风扰的神经网络模型的输入，控制所述无人机进行在线运行。
[0213]
扰动量估计模块，用于实时预估当前场景风对所述无人机的扰动量，得到当前时刻的扰动估计值
[0214]
在一种实现方式中，所述控制模块包括：
[0215]
第一误差计算模块，用于计算所述无人机的位置控制器的轨迹跟踪误差。
[0216]
运动补偿模块，用于根据所述扰动估计值和所述轨迹跟踪误差，对所述无人机的旋翼进行运动补偿：
[0217][0218]
其中，ua为所述位置控制器的输出值；
[0219]
pd为所述无人机的期望轨迹；
[0220]
k,p均为所述位置控制器的控制参数；
[0221]
pe＝p
d-p为轨迹跟踪误差；
[0222]
为所述扰动估计值。
[0223]
第二误差计算模块，用于计算所述无人机的扰动观测器的估计误差：
[0224]
其中，ad为实际扰动量。
[0225]
上界值模块，用于确定所述估计误差的上界值：
[0226]
εm＝sup||ε||。
[0227]
误差带计算模块，用于根据所述估计误差和所述上界值计算所述位置控制器的误差带，得到所述轨迹跟踪误差：
[0228][0229]
参数调节模块，用于根据所述误差带调整所述控制参数k和p，或者减小所述扰动观测器的误差εm，以将所述无人机的估计跟踪误差收敛在所述误差带的范围内。
[0230]
本实施例通过上述技术方案达到以下技术效果：
[0231]
本实施例在实际应用中不需要进行复杂而繁琐的风扰理论模型，而是采用数据驱动的策略，离线训练得到能够刻画表征风扰的黑箱网络模型。同时相比于传统的pid控制方法本发明方法能够在线估计作用到无人机上的风扰量，实时感知风扰的大小，保证无人机在风扰作用中迅速抑制风扰噪声的位置偏离，恢复到目标位置，解决了扰动抑制效率低的问题。
[0232]
示例性设备
[0233]
基于上述实施例，本发明还提供一种终端，其原理框图可以如图9所示。
[0234]
该终端包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储器包括存储介质以及内存储器；该存储介质存储有操作系统和计算机程序；该内存储器为存储介质中的操作系统和计算机程序的运行提供环境；该接口用于连接外部终端设备，例如，移动终端以及计算机等设备；该显示屏用于显示相应的无人机抗风扰控制信息；该通讯模块用于与云端服务器或移动终端进行通讯。
[0235]
该计算机程序被处理器执行时用以实现一种无人机抗风扰控制方法。
[0236]
本领域技术人员可以理解的是，图9中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端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。
[0237]
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存储器存储有无人机抗风扰控制程序，无人机抗风扰控制程序被处理器执行时用于实现如上的无人机抗风扰控制方法。
[0238]
在一个实施例中，提供了一种存储介质，其中，存储介质存储有无人机抗风扰控制程序，无人机抗风扰控制程序被处理器执行时用于实现如上的无人机抗风扰控制方法。
[0239]
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，计算机程序可存储于一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实
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。
[0240]
综上，本发明提供了一种无人机抗风扰控制方法、装置、终端及存储介质，其中，方法包括：采集并处理无人机在风扰场景下的飞行状态数据和传感器数据，并通过数据驱动的方式训练得到表征风扰的神经网络模型；将表征风扰的神经网络模型部署至无人机上，控制无人机进行在线运行，并实时预估当前场景风对无人机的扰动量；通过前馈补偿的方式对无人机的旋翼进行运动补偿，并根据扰动量将无人机从偏移位置恢复至目标位置。本发明能够在不分析复杂的风扰机理模型的前提下，根据预先收集的飞行记录数据，采用数据驱动的方式训练得到风扰的黑箱模型，部署到四旋翼无人机上实时运行，最后通过前馈控制的方式补偿风扰，起到抗风的控制效果，解决了扰动抑制效率低的问题。
[0241]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。