无人机自动换臂多任务空中操作的自适应控制方法及系统

本技术涉及无人机，尤其涉及无人机自动换臂多任务空中操作的自适应控制方法及系统。

背景技术：

1、无人机的空中操作吸引了越来越多的关注，但大多数研究集中于非接触飞行，如物体探测、精准农业和灾害监测，这是因为空中操作系统的交互行为会对无人机造成额外的扰动，影响无人操作系统的稳定。为了执行不同的任务，无人操作系统需要不同的机械臂，而更换不同的机械臂以及与环境的交互都会带来突然的扰动。

2、对于无人机而言，空中操作涉及许多挑战，例如：1)无人机携带载荷和机械臂会导致整个系统建模的不确定性。在实践中，由于空中操作系统的复杂性，很难获得精确的模型，而没有精确的模型，稳定交互的动态规划和控制将相当困难；2)补偿机械臂运动造成的干扰，以保持空中操作系统的稳定性，补偿机械臂扰动导致的能量损失会缩短续航时间。

技术实现思路

1、本技术实施例的主要目的在于提出一种准确且鲁棒的无人机自动换臂多任务空中操作的自适应控制方法及系统，旨在实现自动换臂的轨迹优化和跟踪控制，无需手动调整控制器参数即可完成各种空中操作任务。

2、为实现上述目的，本技术实施例的一方面提出了无人机自动换臂多任务空中操作的自适应控制方法，所述方法包括：

3、根据第一训练集，采用损失函数对深度神经网络进行训练，得到目标扰动力模型；其中，所述第一训练集包括无人机装配不同机械臂运行得到的系统飞行数据；

4、将无人机作为质心，将机械臂作为弹簧，以弹簧力模拟所述机械臂的扰动力，构建质心弹簧模型；

5、基于所述质心弹簧模型，根据机械臂初始轨迹计算得到的机械臂扰动力，得到优化后的无人机预期轨迹和机械臂预期轨迹；

6、更换所述机械臂时，通过所述目标扰动力模型得出所述机械臂的扰动力矩，根据所述扰动力矩修正无人机动力学模型；

7、根据所述机械臂预期轨迹和所述无人机预期轨迹，结合机械臂关节的逆运动学和各个关节的阻抗控制，使得所述无人机飞行过程中采用更换后的所述机械臂执行操作任务；其中，所述无人机基于所述无人机动力学模型进行飞行。

8、在一些实施例中，所述根据第一训练集，采用损失函数对深度神经网络进行训练，得到目标扰动力模型，包括：

9、获取机械臂编号、飞行器姿态、飞行器与末端执行器之间的相对位置，以及飞行器的总推力，得到第一训练集；

10、结合交叉熵损失，确定深度神经网络模型的损失函数；

11、采用所述第一训练集对所述深度神经网络模型进行训练，直至所述损失函数收敛或者训练次数达到预设的次数阈值，得到目标扰动力模型；其中，所述目标扰动力模型用于对所述机械臂的扰动力进行分类与拟合。

12、在一些实施例中，所述将无人机作为质心，将机械臂作为弹簧，以弹簧力模拟所述机械臂的扰动力，构建质心弹簧模型的步骤中，所述质心弹簧模型包括第一运动学模型和机械臂扰动力模型，其中：

13、所述第一运动学模型的表达式为：

14、

15、所述机械臂扰动力模型的表达式为：

16、

17、其中，pq表示无人机质心位置；pm表示机械臂末端飞行器的位置；m表示操作工具坐标；l表示机械臂末端与无人机质心位置的距离；farm表示机械臂扰动力的结果；k表示弹簧的弹性系数；b代表弹簧的阻尼系数；δl表示机械臂末端与无人机质心位置的距离变化量；表示机械臂末端相对无人机质心位置运动的速度；ψ表示四旋翼飞行器的偏航角；θ表示机械臂末端到无人机质心位置的直线与无人机机体坐标系z轴的夹角。

18、在一些实施例中，所述基于所述质心弹簧模型，根据机械臂初始轨迹计算得到的机械臂扰动力，得到优化后的无人机预期轨迹和机械臂预期轨迹的步骤中，得到优化后的无人机预期轨迹的步骤包括：

19、根据输入的初始机械臂轨迹，确定无人机末端效应器的给定航点；

20、根据所述初始机械臂轨迹，基于机械臂扰动力模型，计算得到机械臂扰动力；

21、根据所述给定航点，基于所述质心弹簧模型的第一运动学模型，计算得到无人机的期望航点；

22、根据所述期望航点和所述机械臂扰动力，通过多项式样条函数生成无人机预期轨迹。

23、在一些实施例中，所述基于所述质心弹簧模型，根据机械臂初始轨迹计算得到的机械臂扰动力，得到优化后的无人机预期轨迹和机械臂预期轨迹的步骤中，得到优化后的机械臂预期轨迹的步骤包括：

24、通过所述质心弹簧模型的机械臂扰动力模型，确定机械臂扰动力的方向；

25、根据所述机械臂扰动力的方向，通过多项式样条函数生成机械臂预期轨迹。

26、在一些实施例中，所述更换所述机械臂时，通过所述目标扰动力模型得出所述机械臂的扰动力矩，根据所述扰动力矩修正无人机动力学模型，包括：

27、基于所述目标扰动力模型，确定机械臂的扰动力矩；

28、根据非线性前馈项、基准控制器反馈项和所述机械臂的扰动力矩，确定飞行器的前馈控制律；

29、根据所述前馈控制律，通过反馈控制律修正无人机动力学模型。

30、在一些实施例中，所述根据所述机械臂预期轨迹和所述无人机预期轨迹，结合机械臂关节的逆运动学和各个关节的阻抗控制，使得所述无人机飞行过程中采用更换后的所述机械臂执行操作任务，包括：

31、根据机械臂关节的当前角度和所述机械臂关节的期望角度，确定机械臂关节的控制误差；

32、根据每个所述机械臂关节的阻抗控制误差，确定所述机械臂关节的阻抗控制律；

33、根据所述预期轨迹和所述阻抗控制律，控制所述机械臂执行操作任务。

34、为实现上目的，本技术实施例的另一方面提出了无人机自动换臂多任务空中操作的自适应控制系统，所述系统包括：

35、第一模块，用于根据第一训练集，采用损失函数对深度神经网络进行训练，得到目标扰动力模型；其中，所述第一训练集包括无人机装配不同机械臂运行得到的系统飞行数据；

36、第二模块，用于将无人机作为质心，将机械臂作为弹簧，以弹簧力模拟所述机械臂的扰动力，构建质心弹簧模型；

37、第三模块，用于基于所述质心弹簧模型，根据机械臂初始轨迹计算得到的机械臂扰动力，得到优化后的无人机预期轨迹和机械臂预期轨迹；

38、第四模块，用于更换所述机械臂时，通过所述目标扰动力模型得出所述机械臂的扰动力矩，根据所述扰动力矩修正无人机动力学模型；

39、第五模块，用于根据所述机械臂预期轨迹和所述无人机预期轨迹，结合机械臂关节的逆运动学和各个关节的阻抗控制，使得所述无人机飞行过程中采用更换后的所述机械臂执行操作任务；其中，所述无人机基于所述无人机动力学模型进行飞行。

40、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的方法。

41、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前面所述的方法。

42、本技术实施例至少包括以下有益效果：本技术提供无人机自动换臂多任务空中操作的自适应控制方法及系统，该方案将无人机的动力学模块与单刚体模型相结合，用于生成空中操作系统的优化轨迹，基于深度神经网络的控制器能够应对不同机械臂和环境交互产生的扰动力与扰动力矩进行分类和精确学习，对于无人机飞行器和机械臂的轨迹规划精确度高、鲁棒性好，最终能够准确地实现无人机更换机械臂进行多任务的空中操作。