【技术实现步骤摘要】
本专利技术涉及无人机控制，尤其涉及一种基于深度强化学习的旋翼无人机双向推力控制方法及装置。
技术介绍
1、旋翼无人机凭借操作简便、机动性强以及可垂直起降等显著优势，成为当前低空经济运行的重要载体之一，在多个领域有着广泛应用。随着旋翼无人机应用场景的日益复杂和多样化，对控制技术的要求也不断提升。传统的控制方法主要分为两类：一类是以pid控制为代表的与模型无关的控制算法，这类方法无需依赖无人机动力学模型，通过调整控制器参数即可实现对无人机的控制。然而，该类方法对控制器参数的设置具有较强的依赖性，而参数的设置通常依赖人工经验，这使得在面对复杂的飞行环境和多样化的任务需求时，难以找到一套通用且最优的参数配置方案，从而限制了旋翼无人机最大性能的发挥。另一类是以mpc控制、lqr控制为代表的基于动力学模型的控制算法，虽然理论上能够提供较好的控制效果，但这类方法对动力学模型的精确性要求极高。在实际应用中，建立精确的无人机动力学模型存在显著困难，尤其是在电机反向转动时，非线性耦合效应显著增加，以及在复杂飞行工况下空气动力学特性呈现高度不确定性，这些因素...
【技术保护点】
1.一种基于深度强化学习的旋翼无人机双向推力控制方法，所述旋翼无人机包括对称桨叶和双向无刷电机，其特征在于，该控制方法包括以下步骤：
2.根据权利要求1所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，所述步骤S01中，无人机动力学模型包括：
3.根据权利要求1所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，所述步骤S01中，所述电机—桨叶模型为：
4.根据权利要求3所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，步骤S02中，所述期望电机转速的计算表达式为：
5.根据权利要...
【技术特征摘要】
1.一种基于深度强化学习的旋翼无人机双向推力控制方法，所述旋翼无人机包括对称桨叶和双向无刷电机，其特征在于，该控制方法包括以下步骤：
2.根据权利要求1所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，所述步骤s01中，无人机动力学模型包括：
3.根据权利要求1所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，所述步骤s01中，所述电机—桨叶模型为：
4.根据权利要求3所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，步骤s02中，所述期望电机转速的计算表达式为：
5.根据权利要求1所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，所述步骤s02中，定义无人机的状态st为：
6.根据权利要求1～5中任意一项所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征在于，所述步骤s02中，所述神经网络控制器由全连接神经网络构建形成，所述全连接神经网络包括2个隐藏层，每个隐藏层含有64个神经元，激活函数为tanh。
7.根据权利要求1～5中任意一项所述的基于深度强化学习的旋翼无人机双向推力控制方法，其特征...
【专利技术属性】
技术研发人员：刘志宏，李晓信，刘天佑，王祥科，王冠政，刘云昊，李治威，冯瑞琪，王嘉伟，齐锟鹏，陆敏芳，骆科燚，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。