基于hp自适应伪谱法的飞行器多阶段轨迹优化

为解决助推-滑翔飞行器的多阶段多约束轨迹优化问题,在考虑速度约束、轨迹阶段切换点约束与轨迹末端参数约束的条件下,建立了助推-滑翔飞行器纵向运动模型与多阶段轨迹优化模型。采用基于hp自适应伪谱法的Legendre-Gauss-Radau离散点,将该最优控制问题转换为多阶段非线性规划问题,求解得到最大飞行距离轨迹。为解决多阶段轨迹优化算法难以确定位置自由的阶段切换点的问题,基于动态规划的思想,设计了新的多阶段轨迹优化策略。改进后的优化策略在得到了多阶段全局近似最优解结果的同时,减少了原优化算法的计算量。仿真结果表明,改进的hp自适应伪谱法能有效解决多阶段助推-滑翔飞行器轨迹优化问题,优化结果优于最大升阻比滑翔飞行轨迹。      

基于hp自适应Radau伪谱法的再入飞行器轨迹优化

全局伪谱方法在解决平滑最优控制问题时具有指数级收敛速度,但对于状态变量震荡的最优控制问题往往难以在短时间内取得满意解。飞行器机动再入轨迹通常为震荡形式,因此设计了hp自适应Radau伪谱算法(hp-RPM)求解再入最优轨迹。hp-RPM以相对曲率作为判据,将震荡轨迹划分为多个平滑子区间,在每个子区间内采用低阶插值多项式逼近最优轨迹,以提高算法效率、估计精度和解的最优性。仿真结果表明,hp-RPM方法在算法效率、估计精度、解的最优性上,较全局Radau伪谱方法均有较大程度的提高。     

采用hp自适应伪谱法的全自动泊车系统轨迹规划与跟踪控制

针对平行泊车和垂直泊车应用场景,提出一种基于hp自适应伪谱法的全自动泊车系统轨迹规划与跟踪控制方法。首先,综合考虑汽车运动学约束、泊车过程中避障约束和边界条件约束,建立泊车轨迹规划问题数学描述,并通过hp自适应伪谱法将其转化成非线性规划问题进行求解;然后,将泊车轨迹跟踪控制问题解耦成了泊车路径跟踪控制问题和泊车速度跟踪控制问题,并基于有限时间稳定性理论设计了泊车路径跟踪快速终端滑模控制律,以及基于"比例+积分"平滑切换准则设计了泊车速度跟踪控制律。结合汽车动力学仿真软件对所提出的全自动泊车系统轨迹规划与跟踪控制方法的可行性和有效性进行验证,结果表明:针对不同泊车起始点,所提出的方法均可以规划出满足约束条件的时间最短泊车轨迹,并能够精确地控制汽车沿着规划的轨迹自动完成泊车操作。     

基于LSTM的四旋翼无人机轨迹预测方法

实时、准确、高效的轨迹预测是对四旋翼无人机进行有效管控的重要前提.基于深度学习理论,提出一种基于长短期记忆神经网络(LSTM)的四旋翼轨迹预测方法.在LSTM基础上,使学习速率自动调整,基于四旋翼无人机位置坐标与速度参量,对轨迹数据进行训练与预测,其经度、纬度、高度误差分别为6.04、6.45、2.33 m.分析历史时间步长对于预测精度的影响,结果表明历史学习步长为40～45时,LSTM预测结果最佳;比较不同预测步数的预测误差,结果表明一步预测、两步预测误差结果较好,三步预测误差显著增大.     

基于自适应遗传算法的无人机轨迹优化

针对目前无人机爬升轨迹优化算法存在的收敛速度慢、容易陷入局部最优解等问题,提出了一种基于自适应遗传算法的爬升轨迹优化方法。首先,结合无人机爬升阶段的运动方程和性能指标给出爬升段轨迹的优化模型。其次,为提高染色体的多样性和算法的收敛速度,对自适应遗传算法做了相应改进,使其更适合用于爬升轨迹的优化。最后,根据无人机爬升段轨迹特点,给出具体优化步骤,并对某型无人机爬升段轨迹做了优化仿真验证,结果表明所提出的方法能够在一定程度上节省运营成本。     

基于改进高斯伪谱法的多无人机协同轨迹规划

针对当前伪谱法求解无人机轨迹存在的计算量大、运算时间长以及难以保证最优性等问题,提出了将粒子群算法与高斯伪谱法相结合的改进方法。首先,使用粒子群算法进行航迹预规划,保证近似最优解的快速实现;其次,针对高斯伪谱法配点的相对位置选取,对粒子群预规划的航迹点做拟合处理,并以此作为高斯伪谱法的初始参考指令,从而解决伪谱法的初值敏感问题,加快优化算法的收敛速度。最后,综合考虑无人机编队性能指标、飞行环境以及协同飞行约束等进行实验。实验结果验证了初值选取的重要性,同时表明了所设计算法可提升解的最优性与收敛速度。研究结果可为多无人机协同飞行控制快速规划出多维度、高精度的引导指令,对实现智能自主化飞行有一定参考价值。     

采用时延状态观测器的旋翼无人机自适应编队控制

针对无人机编队中的通信时延与工作引起的惯量变化,提出了一种基于时延状态观测器的旋翼无人机自适应编队控制方法。该方法利用编队结构参数确定队形,把编队控制转化为跟随无人机对虚拟无人机的轨迹跟踪;考虑精确的无人机动力学模型,并据此设计变时延状态观测器,对领航无人机的状态进行观测和补偿;针对补偿后的被控对象,设计自适应滑模编队控制器,并估计变负载工作状态下的质量和惯量。两组仿真结果表明:该方法对编队飞行中变质量变惯量行为的自适应误差小于6%,稳态时延状态的观测误差趋近0,体现出较好的控制精度和鲁棒性,具有很好的工程应用前景。     

基于滑模控制的四旋翼无人机的轨迹跟踪控制

针对四旋翼无人机,研究了基于滑模控制的轨迹跟踪问题.根据无人机复杂的数学模型,首先利用单位四元数法描述系统姿态,再将其分解为位置和姿态两个子系统;通过引入中间控制输入,跟踪三个自由度的位置信息;考虑到位置和姿态子系统分别受到干扰力和干扰力矩的影响,设计了鲁棒反演滑模控制器,保证了对目标轨迹的稳定跟踪.仿真结果验证了该控制方法的有效性.     

基于改进反步法的四旋翼无人机轨迹跟踪控制

四旋翼无人机是一个欠驱动、强耦合、高度不稳定的非线性系统.无人机系统的鲁棒性和抗干扰能力是飞行控制的关键问题.在经典反步控制(classical backstepping control,CBC)方法的基础上,增加了误差积分和饱和函数,设计了积分饱和反步控制(integral saturation backstepping control,ISBC)策略,用于抵抗无人机飞行过程中受到的常值干扰和变值干扰.系统的稳定性由Lyapunov稳定性定理证明.在MATLAB/SIMULINK环境下做了轨迹跟踪仿真实验.仿真结果表明,相比CBC控制策略,ISBC控制策略对四旋翼无人机系统有更好的抗干扰能力和优越的鲁棒性.     

基于扩张状态观测器的四旋翼无人机轨迹跟踪控制

针对四旋翼无人机飞行控制中高不确定性、强耦合性、模型参数摄动等问题,提出一种控制方法,将无法精确建模的动态量及未知干扰量合并为扰动项,通过引入线性扩张状态观测器对扰动项的值进行估计,并结合反步控制器进行补偿,从而消除了未知扰动的影响,有效提升了四旋翼无人机的抗干扰能力。通过仿真对比验证了控制策略的有效性。     

基于自适应动态规划的四旋翼无人机分布式最优协调控制

为了提高四旋翼无人机编队的自适应能力,通过自适应动态规划(Adaptive Dynamic Programming)方法研究四旋翼无人机编队分布式最优协调控制问题。将该算法引入到分布式协调控制器的设计中,既避免了冗余数据的传输,又使各无人机的性能函数最小化。基于模糊双曲模型的评价神经网络(Critic Neural Network) 逼近值函数,以实现控制策略的设计。闭环系统稳定性证明权值估计误差和局部邻域协调误差是一致最终有界的。最后,进行了有向切换通信拓扑下的四旋翼编队仿真实例,结果表明了该算法的有效性。     

基于反推法的四旋翼飞行器轨迹跟踪控制

研究了四旋翼飞行器的轨迹跟踪控制.针对建立的四旋翼飞行器位置及姿态误差动力学模型,采用反推法设计镇定控制项,分别进行位置控制器设计和姿态控制器设计.利用Lyapunov理论证明了闭环系统的稳定性.数值仿真实验结果表明,所提方法具有较好的跟踪性能.     

四旋翼无人机悬停飞行自适应PD控制器设计

提出一种基于模型参考的自适应PD控制器设计方法,用于质量可变的四旋翼无人机的悬停飞行控制。由无人机的动力学方程对悬停飞行时姿态角近似处理得出参考模型,根据参考模型选取一个与实际系统相似并且有期望动态特性的二阶系统。基于Lyapunov稳定性理论的方法,通过被控对象的输出与参考模型输出之间的误差确定控制器的参数,当被控对象参数发生变化时,自适应机构通过参数估计调整PD控制器的输出,使被控对象参数的估计值总能跟踪其实际值,并分别与常规的PD控制器和加入了限速补偿环节的PD控制器进行仿真实验对比。结果表明,该控制器的控制信号比常规的PD控制器超调量小;比加入了限速补偿环节的PD控制器调节速度快,稳定性更好。对于四旋翼无人机的悬停有更好的控制效果。     

基于扰动观测器的时变负载四旋翼无人机自适应有限时间控制

针对具有未知外部扰动和阻力系数的时变负载四旋翼无人机系统,提出了一种复合有限时间控制策略。首先,通过牛顿-欧拉方法建立了完整的四旋翼无人机数学模型。位置环采用自适应参数校正方法对负载进行估计,并与反步递推控制相结合,在阻力系数未知情况下设计了自适应轨迹跟踪控制器。其次,采用基于扰动观测器的有限时间滑模控制器,并利用Lyapunov稳定性理论进行无人机系统位置环和姿态环渐近稳定和有限时间稳定性验证。最后,通过数值仿真进行验证。结果表明,所提控制器提高了系统的收敛速度,减少了外界扰动对系统的影响。研究方法克服了已有研究要求阻力系数和负载已知的局限性,提高了系统的抗干扰能力,对于增强四旋翼无人机的实际应用性具有一定的参考价值。     

基于ADRC的四旋翼无人机姿态控制研究

四旋翼无人机由于受到自身的非线性、模型的不确定性和外部突发气流等的影响,较难完成预设的飞行任务.为此,使用自抗扰控制,通过安排合理的过渡过程减少超调和设计扩张状态观测器来估计总扰动并实时补偿,并实现四旋翼无人机姿态控制.仿真结果表明:相比传统PID控制,该控制方法使得四旋翼无人机能够更好地适应自身参数的变化和应付外部气流带来的影响,具有更好的鲁棒性和抗扰性.同时验证了自抗扰控制器下的系统具有超调小、精度高、收敛速度快、抗扰能力强和鲁棒性能好等特点.     

基于反步滑模法的四旋翼飞行器的轨迹跟踪

研究了四旋翼飞行器的轨迹跟踪控制问题。首先根据经典的动力学模型建立惯性坐标系下带有扰动的四旋翼方程。其次将系统划分为姿态子系统和位置子系统,对姿态子系统的轨迹跟踪控制,采用反步控制与滑模控制相结合的方法,根据飞行器的欠驱动和强耦合特性,利用反步控制方法实现位置子系统的轨迹跟踪控制。然后对系统进行稳定性分析。最后通过仿真实验结果验证所提出控制方法的有效性。     

小型四旋翼无人直升机自适应优化控制

摘要： 针对小型四旋翼无人直升机姿态稳定及位移跟踪控制问题,提出了一种新的控制方法.根据牛顿 欧拉方程及刚体理论建立了小型四旋翼直升机的动力学模型,并利用二次拟合实验建立了旋翼升力和输入控制信号之间的关系模型.将自适应优化 (Adaptive Control Optimization,ACO)控制方法运用于小型四旋翼直升机控制系统中,实现了小型四旋翼直升机的姿态稳定及位移跟踪控制.实际飞行实验表明,自适应优化控制方法在小型四旋翼直升机姿态及位移控制中相对于传统的自适应控制方法,具有很好的实时性和鲁棒性.     

基于神经网络的多四旋翼保性能编队控制

针对多四旋翼编队飞行过程中存在的参数和外界扰动不确定性导致编队系统不稳定问题,设计了一种多四旋翼分布式神经自适应动态面协同编队控制方法。采用学习维数低、实时性强的最小参数学习神经网络观测器,实现对四旋翼位置回路和角度回路未知非线性干扰的快速平滑学习与补偿。利用预设性能控制方法将原先受约束的同步误差经转换函数变换为不受约束的误差,解决协同编队中的位置一致性控制问题,确保各四旋翼位置跟踪同步误差能够按照预设的收敛速度、超调量及稳态误差收敛至期望的区域。仿真实验表明,所提多四旋翼协同抗干扰编队方法在较大扰动环境下仍能达到良好的控制效果。     

多无人机编队控制轨迹的凸优化设计

将多无人机编队控制优化模型分解为优化层和协调层,从而将多无人机编队控制轨迹的设计转化为优化层和协调层的优化设计。首先在共有的辅助决策变量汇合点的前提下,对优化层采用对偶理论将约束问题转化为无约束问题,进而利用最优必要条件求解最优的控制输入信号值。对协调层关于辅助变量汇合点的设计,可采用凸算法中的梯度投影策略,并分析该梯度投影算法的收敛性。最后用仿真算例验证该方法的有效性。     

基于干扰观测器的分布式四旋翼编队跟踪控制

针对具有模型不确定性和外部干扰的一组欠驱动四旋翼飞行器提出了一种基于干扰观测器的分布式编队跟踪控制策略.根据系统严格反馈的结构特点,将四旋翼的动力学模型划分为位置子系统和姿态子系统.首先,根据快速终端滑模方法(FTSM)设计了一个干扰观测器作为复合干扰的估计器;其次,基于图论和快速终端滑模技术,设计了分布式编队跟踪控制器来实现编队的形成和保持;并在两个子系统之间,引入三阶积分滤波器对姿态子系统的虚拟输入及其导数进行估计;最后,稳定性分析表明闭环控制系统是全局渐进稳定的.仿真结果表明所提出的分布式控制器是有效的.