多无人机网络编队的一致性控制方法技术

本发明专利技术公开了一种多无人机网络编队的一致性控制方法，包括：获取多无人机间的关于气动耦合的参数，基于该参数建立无人机间气动耦合模型，并根据气动耦合模型和多机动力学模型建立多无人机网络编队运动模型；基于多无人机网络编队运动模型的受控变量，提取所述多无人机网络编队运动模型的受控模型,并运用动态逆控制器将该受控模型化简为弱非线性的受控模型；建立一致性控制器，并基于一致性控制器对该弱非线性的受控模型进行一致性控制。本发明专利技术在无人机编队建模时考虑到机间气动耦合的影响，使得编队模型更加符合实际情况；采用动态逆和一致性控制降低模型的复杂性和非线性，实现了一致性控制的需求。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，包括：获取多无人机间的关于气动耦合的参数，基于该参数建立无人机间气动耦合模型，并根据气动耦合模型和多机动力学模型建立多无人机网络编队运动模型；基于多无人机网络编队运动模型的受控变量，提取所述多无人机网络编队运动模型的受控模型,并运用动态逆控制器将该受控模型化简为弱非线性的受控模型；建立一致性控制器，并基于一致性控制器对该弱非线性的受控模型进行一致性控制。本专利技术在无人机编队建模时考虑到机间气动耦合的影响，使得编队模型更加符合实际情况；采用动态逆和一致性控制降低模型的复杂性和非线性，实现了一致性控制的需求。【专利说明】
本专利技术涉及飞行控制
，尤其涉及一种。
技术介绍
作为未来战场的主导力量，无人机的研究和发展倍受各国关注。随着信息化作战向一体化联合作战发展，单架无人机已很难满足任务需求，无人驾驶飞行器编队飞行(Coordinated Formation Flight, CFF)逐渐受到重视。相对于单机飞行而言，多无人编队飞行可提高执行任务时的成功率和抗突发事件的能力，也可实现对目标全方位立体化拍照，提高信息的逼真度，具有单机飞行无法比拟的一系列优点，由此它成为各国军事专家研究的焦点问题之一。编队飞行控制需要解决的主要问题包括机群中无人机状态一致性的保持以及运动模型中无人机间翼尖涡的影响。现有多无人机编队控制方法所采用的数学模型大多数属于非线性，且一般仅包括编队飞机的动力学模型，其在控制阶段应用的自动驾驶仪模型或小扰动线性化等线性控制方法已难以满足控制设计要求。因此，越来越多地尝试倾向于非线性控制方法，其中包括反馈控制、滑模控制、反步控制、神经网络技术和鲁棒控制等。神经网络技术和鲁棒控制方法均是一种比较新的现代控制方法，虽然已经过理论研究和仿真实验，但其具体的实际应用还需要大量的实验验证，且在实践中，滑模控制的存在性、能达性和稳定性等条件的验证将比较困难，而反步控制中Lyapunov函数也不易找到。
技术实现思路
本专利技术所要解决的技术问题之一是需要提供一种，其在进行无人机运动编队建模时考虑到无人机间的气动耦合，更加切合实际情况。为了解决上述技术问题，本专利技术提供了一种，包括:建模步骤，获取多无人机间的关于气动耦合的参数，基于所述参数建立无人机间的气动耦合模型，并根据所述气动耦合模型和多机动力学模型建立多无人机网络编队运动模型；第一控制步骤，基于所述多无人机网络编队运动模型的受控变量，提取所述多无人机网络编队运动模型的受控模型，以所述多无人机网络编队运动模型中的多个参数作为动态逆控制器的输入变量，运用所述动态逆控制器将所述受控模型化简为弱非线性的受控模型；第二控制步骤，建立一致性控制器，并基于所述一致性控制器对所述弱非线性的受控模型进行一致性控制。在一个实施例中，在所述建模步骤中，基于涡流诱导半径获取多无人机间的关于气动耦合的参数。在一个实施例中，使用勾股定理利用以下表达式计算所述涡流诱导半径rp:rp=^j(yp±Av)2 +(zp+A^)，其中，yp+ Δ y代表无人机i受无人机j左侧润线作用，yp- Δ y代表无人机i受无人机j右侧涡线作用，P是受涡流作用的点，(Xp，yp, Zp)作为向量OjP I Wj的坐标,亦是P点在无人机j气流坐标系中的坐标，Ay和Λζ是无人机j的涡线分别在xoy|r;面和XozUi面上的投影与 X 轴之间的垂直距离，Al' = ~ cos/(./2 , Az = (bi lan Ian ζ, see Aj / 2 + zoj) cos a:ι，bj 为无人机j等效翼展，^ j为无人机j的反角，β j为无人机j侧滑角，Aj为无人机j四分之一弦处的后掠角，a j为无人机j迎角，Zoj分别为无人机j的翼跟在机坐标系中的坐标，Wj为无人机j的气流坐标系。在一个实施例中,通过如下表达式求解所述向量Ui:O1-PI11 ； = OjOi |w.+RuieRmOiP Ia其中，R为转换矩阵，R力由地坐标系E转化为无人机j的气流坐标系的转换矩阵Kb力由无人机i的机坐标系Bi转化为地坐标系E的转换矩阵ο P U为机坐标系Bi下原点Oj到受涡流作用的点P的向量，k通过如下表达式计算:°j°i \wj ~ ^-W1E (°E°i \e ~°E°j L.)其中，O15Oi |E为地坐标系E下原点Oi到oE的向量，0E0j|E为地坐标系E下原点Oj到Oe的向量。在一个实施例中，在P点位于无人机i的机翼时，通过如下表达式计算H U:.r()/ - a cos cos Ci sin sin Ai【权利要求】1.一种，包括: 建模步骤，获取多无人机间的关于气动耦合的参数，基于所述参数建立无人机间的气动耦合模型，并根据所述气动耦合模型和多机动力学模型建立多无人机网络编队运动模型； 第一控制步骤，基于所述多无人机网络编队运动模型的受控变量，提取所述多无人机网络编队运动模型的受控模型，以所述多无人机网络编队运动模型中的多个参数作为动态逆控制器的输入变量，运用所述动态逆控制器将所述受控模型化简为弱非线性的受控模型； 第二控制步骤，建立一致性控制器，并基于所述一致性控制器对所述弱非线性的受控模型进行一致性控制。2.根据权利要求1所述的一致性控制方法，其特征在于，在所述建模步骤中， 基于涡流诱导半径获取多无人机间的关于气动耦合的参数。3.根据权利要求2所述的一致性控制方法，其特征在于，使用勾股定理利用以下表达式计算所述涡流诱导半径rp: 4.根据权利要求3所述的一致性控制方法，其特征在于，通过如下表达式求解所述向量 OjP I Wj: 5.根据权利要求4所述的一致性控制方法，其特征在于， 在P点位于无人机i的机翼时，通过如下表达式计算0: 6.根据权利要求1至5中任一项所述的一致性控制方法，其特征在于，所述无人机间气动耦合模型如下符号表达式表示: g(x) = τ 其中，dv1、dx1、dYi和Cllii分别表示无人机i的参数V1、Χρ、和UiK受邻机涡流的影响,且V1、X 1、Y i和Ui为受控变量,Vi为无人机i的速度，为各姿态角，X i为无人机i的航迹偏转角，Y i为无人机i飞行航迹角，μ i为无人机i的绕飞行速度矢量的滚转角；速度和各姿态角是基于有效涡流诱导速度分别得到，所述有效涡流诱导速度是根据所述涡流诱导半径和Burhamn模型得到。7.根据权利要求6所述的一致性控制方法，其特征在于，通过如下表达式计算dv1、dx1、 8.根据权利要求6所述的一致性控制方法，其特征在于，通过如下表达式表示多无人机网络编队运动模型: X’ i = f (Xi) +g (X) i = I, 2...η其中，4 = (?...1 J = ,在 i 的取值为 1，2…η时，f(Xi)表示多机动力学模型，Vi, Xi, Y i和μ i为受控变量,H 3和％4.为无人机i在机坐标系Bi下的角速度，a i为无人机i迎角，β i为无人机i侧滑角，X1、y1、Zi为无人机i质心在地坐标系中的坐标。9.根据权利要求8所述的一致性控制方法，其特征在于，在第一控制步骤中，以多无人机网络编队运动模型中的升降舵Se1、副翼Sa1、方向舵δ Yi以及油门开度Sti这些参数作本文档来自技高网...

【技术保护点】
一种多无人机网络编队的一致性控制方法，包括：建模步骤，获取多无人机间的关于气动耦合的参数，基于所述参数建立无人机间的气动耦合模型，并根据所述气动耦合模型和多机动力学模型建立多无人机网络编队运动模型；第一控制步骤，基于所述多无人机网络编队运动模型的受控变量，提取所述多无人机网络编队运动模型的受控模型，以所述多无人机网络编队运动模型中的多个参数作为动态逆控制器的输入变量，运用所述动态逆控制器将所述受控模型化简为弱非线性的受控模型；第二控制步骤，建立一致性控制器，并基于所述一致性控制器对所述弱非线性的受控模型进行一致性控制。

【技术特征摘要】

【专利技术属性】
技术研发人员：王磊，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11