基于物理神经网络预测模型的无人机飞行控制方法技术

本发明专利技术属于无人飞行器控制技术领域，提出一种基于物理神经网络预测模型的无人机飞行控制方法，包括建立多层感知机神经网络预测模型，并设定损失函数，多层感知机神经网络预测模型用于根据无人机的当前时刻状态和控制输入，预测得到无人机的下一时刻预测状态；对多层感知机神经网络预测模型进行训练；初始化模型预测控制器并建立多目标优化函数；运行模型预测控制器，基于预测结果、约束条件求解多目标优化函数获得最优控制输入，并控制无人机按照参考轨迹飞行。本发明专利技术在多层感知机神经网络预测模型的损失函数中引入了动力学原理，具有物理可解释性，且预测准确性高、稳定性好；本发明专利技术的模型预测控制器对给定参考轨迹可实现稳定的飞行控制。

【技术实现步骤摘要】

本专利技术涉及无人飞行器控制，尤其涉及一种基于物理神经网络预测模型的无人机飞行控制方法。

技术介绍

1、在无人机飞行控制领域，基于模型的控制技术对无人机动力学模型准确性的依赖度较高，其中，模型预测控制(model predictive control, mpc)中，对系统行为的状态预测和在线优化还会带来“复杂度爆炸”的问题，除了数值求解方法，需要探索更精确的动力学建模方式。近年来，基于神经网络(neural network, nn)的数据驱动建模方法得到了广泛应用，比如采用修正线性单元、卷积神经网络、循环神经网络等，依赖于输入-输出观测来描绘系统的动态特性。同时，神经网络被应用于mpc，这种方法可以针对动力学模型预测系统未来的行为，并将其纳入优化过程，从而确定操作变量的最优轨迹。神经网络模型预测控制轨迹跟踪控制方式已经在电气工程技术、风电技术、机器人控制等领域获得了应用。

2、公开号为cn117555270a的中国专利技术专利申请公开了一种基于神经网络预测飞行器模型的控制方法，明确飞行器模型中的不确定项，将飞行器模型中的不确定项作为bp神经网络本文档来自技高网...

【技术保护点】

1.一种基于物理神经网络预测模型的无人机飞行控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无人机飞行控制方法，其特征在于，所述步骤S1中的多层感知机神经网络预测模型的输入为无人机的当前时刻状态值和控制输入值，输出为无人机的下一时刻预测状态值。

3.根据权利要求2所述的无人机飞行控制方法，其特征在于，当前时刻状态值，控制输入值，下一时刻预测状态值，为无人机的俯仰角，为无人机在地面坐标系下的前向速度，为无人机在地面坐标系下的法向速度，为无人机的俯仰角速度，为无人机旋翼舵机的偏转角，为无人机旋翼电机的旋转角速度，为无人机的预测俯仰角，为无人机在地面坐标系...

【技术特征摘要】

1.一种基于物理神经网络预测模型的无人机飞行控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无人机飞行控制方法，其特征在于，所述步骤s1中的多层感知机神经网络预测模型的输入为无人机的当前时刻状态值和控制输入值，输出为无人机的下一时刻预测状态值。

3.根据权利要求2所述的无人机飞行控制方法，其特征在于，当前时刻状态值，控制输入值，下一时刻预测状态值，为无人机的俯仰角，为无人机在地面坐标系下的前向速度，为无人机在地面坐标系下的法向速度，为无人机的俯仰角速度，为无人机旋翼舵机的偏转角，为无人机旋翼电机的旋转角速度，为无人机的预测俯仰角，为无人机在地面坐标系下的预测前向速度，为无人机在地面坐标系下的预测法向速度，为无人机的预测俯仰角速度。

4.根据权利要求3所述的无人机飞行控制方法，其特征在于，所述多层感知机神经网络预测模型由输入层、第一全连接层、第一激活函数层、第二...

【专利技术属性】
技术研发人员：屠展，张佳慧，李道春，邸伟承，卫子兴，李昊泽，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：