基于在线安全学习的四旋翼无人机路径跟踪控制方法技术

本发明专利技术涉及一种基于在线安全学习的四旋翼无人机路径跟踪控制方法。其技术方案是，首先建立四旋翼无人机名义模型

【技术实现步骤摘要】
基于在线安全学习的四旋翼无人机路径跟踪控制方法
本专利技术属于旋翼无人机路径跟踪控制
具体涉及一种基于在线安全学习的四旋翼无人机路径跟踪控制方法。
技术介绍
随着机器人和航天航空技术的不断发展，无人机的研究得到了越来越多的关注。四旋翼无人机作为一种典型的无人飞行器，拥有四个驱动电机，可以通过控制四个电机的转速来调整飞行器的飞行姿态和位置。正由于其结构小巧、成本低廉、使用起来安全灵活，因此在环境监测、抗灾救援、军事侦察等领域具有十分广阔的应用前景。由于四旋翼无人机具有六个自由度，多于控制量的个数，是一个典型的欠驱动控制系统。此外，四旋翼无人机模型还具有非线性、强耦合、不精确等特点。以上特点均给四旋翼无人机的控制带来了巨大的困难。为了使这种无人机能够灵活地飞行并完成期望的飞行任务，研究者们对四旋翼无人机的控制问题提出了多种方法，包括PID、、模型预测控制、反演控制、滑模控制、反馈线性化等。以上控制方法通常需要联合其它鲁棒控制方法，以自适应或优化的方式调整模型参数或控制器参数，才能在一定程度上应对系统存在的不确定性问题。引入的参数调节方法存在过程繁琐、效率低下、缺少最优性、易陷入局本文档来自技高网...

【技术保护点】
一种基于在线安全学习的四旋翼无人机路径跟踪控制方法，其特征在于所述控制方法包含如下步骤：步骤1、四旋翼无人机名义模型

【技术特征摘要】
1.一种基于在线安全学习的四旋翼无人机路径跟踪控制方法，其特征在于所述控制方法包含如下步骤：步骤1、四旋翼无人机名义模型的建立构建四旋翼无人机机体坐标系，所述机体坐标系是：以北为坐标系x轴的正方向，以东为坐标系y轴的正方向，以地为坐标系z轴的正方向；建立四旋翼无人机的名义模型式(1)中：φ表示四旋翼无人机的滚转角，rad，表示四旋翼无人机的滚转角加速度，rad/s，θ表示四旋翼无人机的俯仰角，rad，表示四旋翼无人机的俯仰角加速度，rad/s，ψ表示四旋翼无人机的偏航角，rad，表示四旋翼无人机的偏航角角速度，rad/s，z表示四旋翼无人机在z轴的位置，m，表示四旋翼无人机z轴方向的线速度，m/s，x表示四旋翼无人机在x轴的位置，m，表示四旋翼无人机x轴方向的线速度，m/s，y表示四旋翼无人机在y轴的位置，m，表示四旋翼无人机y轴方向的线速度，m/s，X表示四旋翼无人机12维的状态向量，U表示虚拟控制量，U＝[U1U2U3U4]，U1表示通道z的控制量，U2表示通道φ的控制量，U3表示通道θ的控制量，U4表示通道ψ的控制量，m表示四旋翼无人机的质量，kg，g表示重力加速度常量，9.8m/s2；步骤2、四旋翼无人机的学习模型假设在k时刻，传感器测得的四旋翼无人机实际状态根据k-1时刻的状态和k时刻的状态得到状态微分再将状态微分与k时刻名义模型的值相减，得到k时刻残差g(X(k),U(k))式(2)中：表示k时刻的状态微分，表示k时刻的名义模型；随着时间t的增加，得到N个残差g(X,U)的数据；然后，利用所述N个残差g(X,U)的数据，得到学习模型对四旋翼无人机的12个状态分别建立相应的高斯过程学习模型Xl表示状态向量X的第l个变量，l＝1,2,…，12，学习模型定义状态向量X的第l个学习样本结构sl＝[Xl,U]，l＝1,2,…，12，取M个时刻(200～1000)个样本，则i时刻状态向量X的第l个样本为gl(sli)，i＝1,2,…,M，l＝1,2,…,12，j时刻状态向量X的第l个样本为gl(slj)，j＝1,2,…,M，l＝1,2,…,12；假设样本的数据均值为0，i时刻状态向量X的第l个样本gl(sli)和j时刻状态向量X的第l个样本gl(slj)的协方差为：式(3)中：σlω表示测量噪声标准差，σ2lω表示测量噪声方差，σlη表示过程噪声标准差，σ2lη表示过程噪声方差，Ml表示对角矩阵，l＝1,2,…，12，sli表示i时刻状态向量X的第l个样本，i＝1,2,…,M，l＝1,2,…,12，slj表示j时刻状态向量X的第l个样本，j＝1,2,…,M，l＝1,2,…,12，δlab表示测量噪声方差系数，l＝1,2,…,12，采用梯度法求取最大似然，获得测量噪声标准差σlω、过程噪声标准差σlη和对角矩证Ml；对于下一时刻的样本s*，学习模型的预测参数为：式(4)中：K表示N行N列矩阵，k(si,sj)表示i时刻样本和j时刻样本的协方差，i＝1,2,…,M，j＝1,2,…,M，K(i,j)表示矩阵第i行第j列的值,K(i,j)＝k(si,sj),i＝1,2,…,M，j＝1,2,…,M，k(s*,s*)表示下一时刻的样本s*的方差，k(s*)表示下一时刻的样本s*与之前M个时刻样本分别的协方差，k(s*)＝[k(s*,s1),...,k(s*,sM)]，μ(s*)表示学习模型的预测值，σ2(s*)表示学习模型更新的协方差值；步骤3、学习模型在线更新在所述第l个学习模型的基础上，l＝1,2,…,12，依据置信度3σ(sl)建立第l个学习模型的估计的扰动集合

【专利技术属性】
技术研发人员：杨艳华，程欢，柴利，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42