一种蒙特卡洛自适应动态规划无人机控制方法及系统技术方案

本发明专利技术公开了一种提高飞机电源利用率的自动加卸载方法及系统，所述系统包括蒙特卡洛仿真与数据管理模块和基于自适应动态规划的自学习最优控制算法模块：所述方法包括如下步骤：S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。实现飞行性能的最优化。实现飞行性能的最优化。

【技术实现步骤摘要】
一种蒙特卡洛自适应动态规划无人机控制方法及系统


[0001]本专利技术属于无人机控制
，具体涉及一种蒙特卡洛自适应动态规划无人机控制方法及系统。

技术介绍

[0002]无人机(Unmanned Aerial Vehicle，简称UAV)，是指利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，是无人驾驶飞行器的统称。与载人飞机相比，它具有体积小、造价低、使用灵活、适应范围广、隐蔽性好等优点，无人机在民用和军用领域得到了广泛的关注，而随着无人机技术的不断发展和完善，无人机将在航拍、物流、灾害救援、空中侦察等领域起到不可或缺的作用。
[0003]经过近100年的发展，无人机的形态和应用方式发生了全方位的改变，其种类和功能也发生了重大的变化，但是无人机最根本的变化还是其飞行控制方式的变化。无人机的飞行控制方式，大致可以分为遥控飞行、遥控加局域自动飞行、全自动飞行、全自动加局域自主飞行和全自主飞行。目前，国际上无人机的最高水平是全自动加局域自主飞行无人机，而全自主飞行是无人机控制未来的主要发展目标。实际上，随着无人机技术的不断发展，无人机在运动过程中受到的气动力、力矩等非线性因素影响了飞行控制系统的控制效果，并且在进行控制系统建模的过程中存在着广泛的不确定性，这使得现有的无人机控制策略无法完全满足日益严格的控制要求和性能指标要求，需要研究新型的具有自学习能力的智能优化控制技术。
[0004]随着无人机的复杂程度和控制系统要求的不断提高，以及先进智能控制理论和方法的不断提出和应用，使得飞行控制律也日趋复杂；此外，无人机的飞行控制系统是典型的强非线性多输入多输出系统，并且建模过程中有存在着广泛的不确定性，如何确保设计的控制策略能够在不确定条件下实现稳定、高品质的飞行是无人机飞行控制系统最重要的研究内容。在模型存在大量不确定性的条件下，通过对飞行控制策略下的无人机飞行性能进行评价，并以此为依据设计能够自学习优化的控制策略，从而获得无人机飞行性能最优的飞行控制策略，是未来无人机飞行控制的必然发展趋势。
[0005]开展无人机的飞行性能评价方法的研究和相应的自学习优化控制理论的研究，具有重要的研究意义和应用价值。因此，本专利技术开展无人机飞行指标的动态评价方法的研究，并在此基础上研究无人机的自学习优化控制理论与方法，具有重大的研究意义和应用价值。

技术实现思路

[0006]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种提高飞机电源利用率的自动加卸载方法及系统。
[0007]为实现上述技术目的，本专利技术采取的技术方案为：
[0008]一种蒙特卡洛自适应动态规划无人机控制方法，所述方法包括如下步骤：
[0009]S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；
[0010]S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；
[0011]S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。
[0012]优选地，所述S1中所述参数包括状态参数、气动参数、结构参数、操纵量参数、传感器参数和大气环境参数。
[0013]本专利技术还公开了一种蒙特卡洛自适应动态规划无人机控制系统，用于运行上述方法，所述系统包括蒙特卡洛仿真与数据管理模块和基于自适应动态规划的自学习最优控制算法模块：
[0014]所述蒙特卡洛仿真与数据管理模块功能包括配置拉偏参数、测试用例自动生成与保存、测试用例与仿真结果自动管理和测试用例与仿真结果的快速匹配；
[0015]所述基于自适应动态规划的自学习最优控制算法模块功能包括仿真结果自动评价、仿真结果自动学习、生成基于自适应动态规划的控制系统和根据评价指标生成控制的报告。
[0016]优选地，所述系统的工作流程包括：
[0017]S4.1：针对具体的模型大量地飞行仿真，通过拉偏参数，把飞机的控制器参数以及仿真结果进行对应关联，将测试用例参数化，从而减小数据库的存储量，同时规范化文本的保存路径和命名方式，以统一的形式将测试用例进行保存；
[0018]S4.2：蒙特卡洛树搜索搜索针对具体的飞行仿真过程，给不同的控制律具体的价值回报函数。最后根据最终的价值回报函数得到初始最优控制律；
[0019]S4.3：模型网络模块用神经网络逼近飞机模型，根据飞机的当前时刻的状态、控制律求得下一个时刻的状态；
[0020]S4.4：评判模块逼近性能指标函数；
[0021]S4.5：执行模块用来逼近系统控制律，当飞机给出特定的信号之后，找到最优的控制率满足性能指标函数并且响应这一信号。
[0022]S4.6：自动报告生成模块基于蒙特卡洛仿真与管理模块、蒙特卡洛自动评价管理工具测试验证模块的闭环学习更新，生成飞行性能评价、关键偏差和典型故障敏感度、关键指标评价优选、自学习优化控制律等结果，在数据分析完成后，将评价结果以特性曲线、图表等形式进行呈现。
[0023]本专利技术具有以下有益效果：
[0024]本专利技术提出了一种蒙特卡洛自适应动态规划无人机控制方法及系统，通过开展无人机飞行指标的动态评价方法的研究，并在此基础上研究无人机的自学习优化控制理论与方法，确保了设计的控制策略能够在不确定条件下实现稳定、高品质的飞行。
附图说明
[0025]图1为本专利技术一种蒙特卡洛自适应动态规划无人机控制系统架构示意图。
[0026]图2为本专利技术一种蒙特卡洛自适应动态规划无人机控制方法流程图。
[0027]图3为本专利技术一种蒙特卡洛自适应动态规划无人机控制系统的蒙特卡洛树搜索流程。
[0028]图4为本专利技术一种蒙特卡洛自适应动态规划无人机控制系统自适应动态规划流程图。
具体实施方式
[0029]以下结合附图对本专利技术的实施例作进一步详细描述。
[0030]一种蒙特卡洛自适应动态规划无人机控制方法，所述方法包括如下步骤：
[0031]S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；
[0032]S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；
[0033]S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。
[0034]具体实施时，所述S1中所述参数包括状态参数、气动参数、结构参数、操纵量参数、传感器参数和大气环境参数。
[0035]参见图1，本专利技术还公开了一种蒙特卡洛自适应动态规划无人机控制系统，用于运行上述方法，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种蒙特卡洛自适应动态规划无人机控制方法，其特征在于：所述方法包括如下步骤：S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。2.根据权利要求1所述的一种蒙特卡洛自适应动态规划无人机控制方法，其特征在于：所述S1中所述参数包括状态参数、气动参数、结构参数、操纵量参数、传感器参数和大气环境参数。3.一种蒙特卡洛自适应动态规划无人机控制系统，用于运行上述方法，其特征在于：所述系统包括蒙特卡洛仿真与数据管理模块和基于自适应动态规划的自学习最优控制算法模块：所述蒙特卡洛仿真与数据管理模块功能包括配置拉偏参数、测试用例自动生成与保存、测试用例与仿真结果自动管理和测试用例与仿真结果的快速匹配；所述基于自适应动态规划的自学习最优控制算法模块功能包括仿真结果自动评价、仿真结果自动学习、生成基于自适应动态规划的控制系统和根据评价...

【专利技术属性】
技术研发人员：滕龙，雷宇，王利剑，
申请(专利权)人：中国商用飞机有限责任公司，
类型：发明
国别省市：