一种时变状态约束下四旋翼无人机轨迹跟踪控制方法

1.本发明涉及无人机控制的技术领域，尤其涉及一种时变状态约束下四旋翼无人机轨迹跟踪控制方法。


背景技术：

2.无人机作为一种成本低、可靠性高、机动能力强的无人系统，已经在军用和民用领域发挥了巨大的作用，并将在各个领域得到更为广泛和深入的应用。
3.轨迹跟踪控制是无人机应用中的核心技术难点之一，实际任务中如侦查、监视、集群攻击、巡检、测绘和林火检测等往往需要预先设计飞行轨迹或实时进行轨迹规划，无人机沿着期望轨迹飞行进而实现预定任务。但当无人机工作于复杂环境时，如存在障碍区，禁飞区、强电磁干扰区以及高温区等复杂环境时，通常要求无人机在安全通道内飞行，超出安全通道外会导致无人机受到极大安全威胁，在这种情况下往往通过对无人机的状态进行约束进而保证其处于安全通道之内，并且考虑到一般情况，其安全通道是时变的，因而研究状态约束下四旋翼无人机轨迹跟踪控制十分必要。另外考虑到环境因素以及自身参数不确定等对无人机存在干扰将导致无人机的控制性能下滑进而出现无人机飞出安全通道之外的情况，在进行轨迹跟踪控制器设计时需进一步考虑环境干扰和参数不确定性的影响。


技术实现要素：

4.本发明提出一种时变状态约束下四旋翼无人机轨迹跟踪控制方法，所述方法可以实现干扰和模型不确定存在情况下，四旋翼无人机轨迹跟踪且姿态稳定，并且在整个飞行任务过程中无人机一直处于时变状态约束范围之内。
5.本发明实施例的第一方面提供了一种时变状态约束下四旋翼无人机轨迹跟踪控制方法，所述方法包括：
6.1)建立四旋翼无人机位姿动力学方程；
7.2)通过非线性变换得到无人机位置动力学等价模型；
8.3)设计神经网络系统对位置系统中出现的不确定量δ1和δ2进行估计；
9.4)设计无人机位置虚拟控制率α
p
；
10.5)设计无人机位置控制率v
p
；
11.6)设计无人机的期望姿态轨迹；
12.7)设计神经网络系统对位置系统中出现的不确定量δ3进行估计；
13.8)设计无人机的姿态控制率va。
14.在第一方面的一种可能的实现方式中，所述建立四旋翼无人机位姿动力学方程，具体为：
15.[0016][0017][0018][0019]
δa＝δ
a,d
δ
a,e
[0020]
其中，ζ
p
＝[x y z]
t
为四旋翼无人机位置向量。为ζ
p
的二阶导数，a为无人机空气阻力系数矩阵，δ
p
为位置模型不确定项，m为无人机质量，g为重力加速度，四旋翼无人机四个电机产生的推力值分别为f1、f2、f3和f4，总推力u1＝f1 f2 f3 f4，c
ib
为无人机本体系到惯性系的旋转矩阵，为四旋翼无人机的绝对姿态角。
[0021]
在第一方面的一种可能的实现方式中，所述通过非线性变换得到无人机位置动力学等价模型，具体为：
[0022][0023]
h1＝diag(h
x1
(x,x
l
,xu),h
y1
(y,y
l
,yu),h
z1
(z,z
l
,zu))
[0024]
h2＝[h
x1
(x,x
l
,xu),h
y1
(y,y
l
,yu),h
z1
(z,z
l
,zu)]
t
[0025]
其中：
[0026][0027][0028][0029][0030][0031][0032]
其中，为ζ
p
的一阶导数。x
l
、y
l
和z
l
分别为x、y和z的下界，xu、yu和zu分别为x、y和z的下界。和分别为x
l
、y
l
和z
l
的一阶导数。
[0033]
在第一方面的一种可能的实现方式中，所述设计神经网络系统对位置系统中出现的不确定量δ1和δ2进行估计，具体为：
[0034]
令δ1＝-h1σ
p
，δ2＝-δ
p
；
[0035]
利用rbf神经网络系统θ
t
s对系统中出现的不确定量δ1和δ2进行估计；
[0036]
δ
1,i
＝θ
1,i*ts1,i
ρ
1,i
[0037]
δ
2,i
＝θ
2,i*ts2,i
ρ
2,i
[0038]
其中，s
1,i
和s
2,i
为高斯基函数。ρ
1,i
和ρ
2,i
为神经网络最小逼近偏差；θ
1,i*
和θ
2,i*
是神经网络的理想权值。
[0039]
在第一方面的一种可能的实现方式中，所述设计无人机位置虚拟控制率α
p
，具体为：
[0040]
定义跟踪误差为ε
p1
＝ξ
pd-ξ
p
,
[0041]
ξ
pd
为期望位置轨迹。为α
p
通过一阶滤波器得到的估计值；
[0042]
所述一阶滤波器为：
[0043][0044]
其中，ε为滤波常数；
[0045]
设计无人机位置虚拟控制率α
p
：
[0046][0047]
其中，k1为正定对称矩阵，称矩阵，为w
1,i
的估计。a1为正数。
[0048]
在第一方面的一种可能的实现方式中，所述设计无人机位置控制率v
p
，具体为：
[0049]
设计自适应率为：
[0050][0051][0052]
其中，γ
1,i
和γ
2,i
均为正数；
[0053]
设计位置控制率v
p
为：
[0054][0055]
其中，k2为正定对称矩阵，正定对称矩阵，为w
2,i
的估计。a2为正数。
[0056]
在第一方面的一种可能的实现方式中，所述设计无人机的期望姿态轨迹，具体为：
[0057]
令v
p
＝[v
p1 v
p2 v
p3
]
t
，由于则：
[0058][0059][0060][0061]
根据期望偏航角ψd以及上式可以得到u1、期望俯仰角和期望滚转角为：
[0062][0063][0064][0065]
为保证四旋翼无人机安全，四旋翼无人机通常有最大倾斜角限制，令该角度为κ，给出的指令也不宜超过该限制，对u1、期望俯仰角和期望滚转角的公式进行如下修正：
[0066][0067][0068]
设计如下一阶滤波器：
[0069][0070][0071]
可以得到以及可以得到四旋翼无人机的期望角速度为：
[0072][0073]
在第一方面的一种可能的实现方式中，所述设计神经网络系统对位置系统中出现的不确定量δ3进行估计，具体为：
[0074]
假设姿态动力学系统参数偏差有界，未知外部干扰有界且有界，令，c
ib,d
期望姿态对应旋转矩阵；
[0075]
利用神经网络系统θ
t
s对系统中出现的不确定量δ3进行估计：
[0076]
δ
3,i
＝θ
3,i*ts3,i
ρ
3,i
[0077]
其中，s
3,i
为高斯基函数。ρ
3,i
为神经网络最小逼近偏差。θ
3,i*
是神经网络的理想权值。
[0078]
在第一方面的一种可能的实现方式中，所述设计无人机的姿态控制率va，具体为：
[0079]
定义姿态角速度偏差为：定义姿态偏差为：
[0080][0081]
其中，为叉乘的逆运算；
[0082]
设计姿态控制率为：
[0083][0084]
其中，k3和k4为正定对角矩阵，为正定对角矩阵，为w
3,i
的估计。a3为正数。
[0085]
相比于现有技术，本发明实施例提供的一种时变状态约束下四旋翼无人机轨迹跟踪控制方法及装置，其有益效果在于：本发明针对四旋翼无人机执行任务过程中需处于安全通道内的特殊需求设计了控制方案，首先将模型进行非线性变换得到无人机位置等价模型，并在该模型基础上及进行控制器设计，通过神经网络系统对四旋翼无人机位置系统中
的不确定性进行估计，并采用动态面控制思想设计了控制器，该控制器能够保证无人机执行任务过程中满足时变状态约束。通过神经网络系统对四旋翼无人机姿态系统中的不确定性进行估计，并在此基础上设计了无人机姿态控制器，保证了无人机在执行任务过程中姿态的稳定。
附图说明
[0086]
图1是本发明一实施例提供的一种时变状态约束下四旋翼无人机轨迹跟踪控制方法的流程示意图；
[0087]
图2是本发明一实施例提供的无人机的结构示意图；
[0088]
图3是本发明一实施例提供的无人机期望轨迹的结构示意图。
具体实施方式
[0089]
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，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动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。
[0090]
为了高效且稳定地控制无人机飞行，避免在使用过程中因操控不当而造成坠机或碰撞，在执行上述检测时需要先确定检测的起点和目的地，然后根据目的地的坐标涉及对应的飞行路径，将飞行路径的数据导入其控制器中，使控制器控制无人机按照飞行路径飞行到达目的地，以完成检测任务。
[0091]
但目前常用的飞行控制方法有如下技术问题：当无人机工作在复杂的检测环境时(如存在障碍区，禁飞区、强电磁干扰区以及高温区等环境)，要求无人机在安全通道内飞行，一旦超出安全通道，可能会增加无人机坠机或损坏的风险。但在实际飞行过程中，可能受到各种不稳定因素(如风或雨)而导致无人机偏离飞行路径超出安全通道，进而增加了无人机的飞行风险。
[0092]
为了解决上述问题，下面将通过以下具体的实施例对本技术实施例提供的一种时变状态约束下四旋翼无人机轨迹跟踪控制方法进行详细介绍和说明。
[0093]
参照图1，示出了本发明一实施例提供的一种时变状态约束下四旋翼无人机轨迹跟踪控制方法的流程示意图。
[0094]
在一实施例中，所述方法可以适用于四旋翼的无人机。
[0095]
具体地，参照图2，示出了本发明一实施例提供的无人机的结构示意图。
[0096]
其中，作为示例的，所述时变状态约束下四旋翼无人机轨迹跟踪控制方法，可以包括：
[0097]
s1、建立四旋翼无人机位姿动力学方程。
[0098]
在一实施例中，所述建立四旋翼无人机位姿动力学方程，具体为：
[0099][0100]
[0101][0102][0103]
δa＝δ
a,d
δ
a,e
[0104]
其中，ζ
p
＝[x y z]
t
为四旋翼无人机位置向量。为ζ
p
的二阶导数，a为无人机空气阻力系数矩阵，δ
p
为位置模型不确定项，m为无人机质量，g为重力加速度，四旋翼无人机四个电机产生的推力值分别为f1、f2、f3和f4，总推力u1＝f1 f2 f3 f4，c
ib
为无人机本体系到惯性系的旋转矩阵，为四旋翼无人机的绝对姿态角。
[0105]
s2、通过非线性变换得到无人机位置动力学等价模型。
[0106]
在一实施例中，所述通过非线性变换得到无人机位置动力学等价模型，具体为：
[0107][0108]
h1＝diag(h
x1
(x,x
l
,xu),h
y1
(y,y
l
,yu),h
z1
(z,z
l
,zu))
[0109]
h2＝[h
x1
(x,x
l
,xu),h
y1
(y,y
l
,yu),h
z1
(z,z
l
,zu)]
t
[0110]
其中：
[0111][0112][0113][0114][0115][0116][0117]
其中，为ζ
p
的一阶导数。x
l
、y
l
和z
l
分别为x、y和z的下界，xu、yu和zu分别为x、y和z的下界。和分别为x
l
、y
l
和z
l
的一阶导数
[0118]
s3、设计神经网络系统对位置系统中出现的不确定量δ1和δ2进行估计。
[0119]
在一实施例中，所述设计神经网络系统对位置系统中出现的不确定量δ1和δ2进行估计，具体为：
[0120]
令δ1＝-h1σ
p
，δ2＝-δ
p
；
[0121]
利用rbf神经网络系统θ
t
s对系统中出现的不确定量δ1和δ2进行估计；
[0122]
δ
1,i
＝θ
1,i*ts1,i
ρ
1,i
[0123]
δ
2,i
＝θ
2,i*ts2,i
ρ
2,i
[0124]
其中，s
1,i
和s
2,i
为高斯基函数。ρ
1,i
和ρ
2,i
为神经网络最小逼近偏差；θ
1,i*
和θ
2,i*
是神经网络的理想权值。
[0125]
s4、设计无人机位置虚拟控制率α
p
。
[0126]
在一实施例中，所述设计无人机位置虚拟控制率α
p
，具体为：
[0127]
定义跟踪误差为ε
p1
＝ξ
pd-ξ
p
,
[0128]
ξ
pd
为期望位置轨迹。为α
p
通过一阶滤波器得到的估计值；
[0129]
所述一阶滤波器为：
[0130][0131]
其中，ε为滤波常数；
[0132]
设计无人机位置虚拟控制率α
p
：
[0133][0134]
其中，k1为正定对称矩阵，称矩阵，为w
1,i
的估计。a1为正数。
[0135]
s5、设计无人机位置控制率v
p
。
[0136]
在一实施例中，所述设计无人机位置控制率v
p
，具体为：
[0137]
设计自适应率为：
[0138][0139][0140]
其中，γ
1,i
和γ
2,i
均为正数；
[0141]
设计位置控制率v
p
为：
[0142][0143]
其中，k2为正定对称矩阵，正定对称矩阵，为w
2,i
的估计。a2为正数。
[0144]
s6、设计无人机的期望姿态轨迹。
[0145]
在一实施例中，所述设计无人机的期望姿态轨迹，具体为：
[0146]
令v
p
＝[v
p1 v
p2 v
p3
]
t
，由于则：
[0147][0148][0149][0150]
根据期望偏航角ψd以及上式可以得到u1、期望俯仰角和期望滚转角为：
[0151][0152][0153][0154]
为保证四旋翼无人机安全，四旋翼无人机通常有最大倾斜角限制，令该角度为κ，给出的指令也不宜超过该限制，对u1、期望俯仰角和期望滚转角的公式进行如下修正：
[0155][0156][0157]
设计如下一阶滤波器：
[0158][0159][0160]
可以得到以及可以得到四旋翼无人机的期望角速度为：
[0161][0162]
s7、设计神经网络系统对位置系统中出现的不确定量δ3进行估计。
[0163]
在一实施例中，所述设计神经网络系统对位置系统中出现的不确定量δ3进行估计，具体为：
[0164]
假设姿态动力学系统参数偏差有界，未知外部干扰有界且有界，令，c
ib,d
期望姿态对应旋转矩阵；
[0165]
利用神经网络系统θ
t
s对系统中出现的不确定量δ3进行估计：
[0166]
δ
3,i
＝θ
3,i*ts3,i
ρ
3,i
[0167]
其中，s
3,i
为高斯基函数。ρ
3,i
为神经网络最小逼近偏差。θ
3,i*
是神经网络的理想权值
[0168]
s8、设计无人机的姿态控制率va。
[0169]
在一实施例中，所述设计无人机的姿态控制率va，具体为：
[0170]
定义姿态角速度偏差为：定义姿态偏差为：
[0171][0172]
其中，为叉乘的逆运算；
[0173]
设计姿态控制率为：
[0174][0175]
其中，k3和k4为正定对角矩阵，为正定对角矩阵，为w
3,i
的估计。a3为正数。
[0176]
在本实施例中，本发明实施例提供了一种基于飞行变化参数的无人机跟踪控制方法，其有益效果在于：本发明针对四旋翼无人机执行任务过程中需处于安全通道内的特殊
需求设计了控制方案，首先将模型进行非线性变换得到无人机位置等价模型，并在该模型基础上及进行控制器设计，通过神经网络系统对四旋翼无人机位置系统中的不确定性进行估计，并采用动态面控制思想设计了控制器，该控制器能够保证无人机执行任务过程中满足时变状态约束。通过神经网络系统对四旋翼无人机姿态系统中的不确定性进行估计，并在此基础上设计了无人机姿态控制器，保证了无人机在执行任务过程中姿态的稳定
[0177]
进一步的，本技术实施例还提供了一种电子设备，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程序时实现如上述实施例所述的时变状态约束下四旋翼无人机轨迹跟踪控制方法。
[0178]
进一步的，本技术实施例还提供了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可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的时变状态约束下四旋翼无人机轨迹跟踪控制方法。
[0179]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。