一种数据驱动的无人机风扰模型在线风扰估计方法技术

本发明专利技术公开了一种数据驱动的无人机风扰模型在线风扰估计方法，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，离线训练得到一组能够显示风扰特征的神经网络特征量，避免了在线更新神经网络参数的庞大计算量；利用最小二乘算法对神经网络特征量进行线性组合，可以利用在线实时反馈数据，在线调整线性组合的参数，实现自适应的估计效果。本发明专利技术方法利用多任务学习的概念，将神经网络特征作为共享层，将特征的线性组合作为顶层，将计算量庞大的神经网络特征训练过程放在线下进行，将计算量较小的最小二乘算法在线运行，既能充分利用神经网络的强大表征能力，又可以使在线计算量能够满足实时运行的要求。求。求。

【技术实现步骤摘要】
一种数据驱动的无人机风扰模型在线风扰估计方法


[0001]本专利技术涉及无人机抗扰动控制
，具体涉及一种数据驱动的无人机风扰模型在线风扰估计方法。

技术介绍

[0002]近年来，由于无人机在勘探、搜救、空间成像、交通运输等场景中的广泛应用，关于无人机控制的研究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，造成无人机系统的不确定性与复杂性，如果没有妥善的处理，会对无人机的运动产生严重的影响。然而，一般的无人机系统运动控制通常并未针对风扰场景进行抗扰动控制系统设计，而是直接简单地在控制器中引入积分环节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。相比于反馈控制，前馈控制可以通过实时补偿、抵消扰动的方式，有效地抑制外界扰动的不良影响。但在实际应用时，需要在线得到风扰的估计值，才能进行前馈补偿。
[0003]因此，为利用前馈控制思想提高无人机在风扰场景下控制的性能，专门设计一个可靠的风扰估计方法是很有必要的。
专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的无人机风扰模型在线风扰估计方法，其特征在于，具体步骤包括：步骤一：构建风扰估计器：将不同的风扰环境定义为不同的风扰任务，针对不同的风扰任务构建底层参数共享HPS框架，所述HPS框架的底层为共享层，顶层为单线性层；其中所有的风扰任务在底层参数共享，在顶层参数独立；所述共享层采用神经网络结构，共享层以风扰下无人机的状态数据作为输入，输入的状态数据经神经网络训练得到每个采样时间点下的神经网络特征量；共享层的输出为神经网络特征量；所述单线性层以所述神经网络特征量为输入，对神经网络特征量进行线性组合，单线性层的输出为风扰估计结果；步骤二：利用训练数据针对所构建的风扰估计器中的共享层进行离线训练；步骤三：将步骤二训练好的风扰估计器部署到无人机上，获取所述无人机的实时状态数据，利用实时状态数据对风扰估计器中的单线性层进行在线训练，获得自适应的风扰估计结果。2.如权利要求1所述的风扰估计方法，其特征在于，所述步骤二中，利用训练数据针对所构建的风扰估计器中的共享层进行离线训练，具体为：第一步、针对共享层所采用的神经网络结构，设置神经网络结构的超参数，所述超参数包括架构、学习率、批大小和最大迭代次数；第二步、随机初始化共享层盛景网络结构的参数Θ；第三步、记录当前共享层的神经网络结构的参数Θ；第四步、针对每个风扰任务的数据集，执行下面的过程，获得共享层神经网络结构的：S401、将共享层神经网络结构的参数重设为步骤三中的Θ值；S402、在任务数据集D
i
中抽取一批数据d
i
用于当前的训练；S403、将数据集的N个无人机状态数据s1，s2，...，s
N
输入神经网络，得到M个神经网络特征k1，k2，...，k
M
；S404、运行线性最小二乘算法，对神经网络特征进行线性组合，得到最小残差平方和，作为损失值J
i
；利用神经网络训练优化器Adam，根据损失值运行反向传播算法，对网络共享层神经网络结构的参数Θ进行更...

【专利技术属性】
技术研发人员：杨庆凯，殷煜涵，赵欣悦，李若成，刘奇，肖凡，吕京硕，方浩，陈杰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：