一种基于神经网络自适应的多无人机协同控制方法

本发明涉及多无人机编队的高度协同集群控制领域，具体而言，涉及一种基于神经网络自适应的多无人机协同控制方法。

背景技术：

1、无人机编队控制主要控制目标是保持编队飞行的队伍位置高精度地按照预期队形飞行。但由于编队中主机、僚机、从机之间的通信多级滞后延迟问题，以及飞行中的气流不确定干扰问题，还有存在电子电磁环境干扰等问题，使得僚机、从机的飞行容易存在失控或者短暂脱离期望轨迹的现象从而造成整体编队飞行动态特性不佳的问题，严重情况下甚至会导致编队飞行事故。多编队飞行中的控制效果是相关牵连与相互影响的，如领机的位置波动必然影响僚机、而僚机的位置波动又会传导给从机；传统的控制方法是基于静态考虑，即通过从机去跟随僚机，再通过僚机去跟随领机；那么从机的波动以及位置误差仅能够通过从机自身调整得以改善；但实际上多无人编队之间组网形成的误差应当是相互关联，牵一发而动全身，因此上述误差都会对编队飞行的整体效果产生影响。基于上述背景原因，本发明提出一种根据编队无人机的所有高度、姿态误差信号，建立一种全局的径向基神经网络，整体来调节僚机与从机的升降舵偏转角规律，从而实现误差反馈基础上的全局多无人机组网的自适应补偿，具有很高的理论与工程实用价值。

2、需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于神经网络自适应的多无人机协同控制方法，进而克服了由于相关技术限制而导致的无人机集群编高度控制快速性与干扰补偿不足的问题。

2、根据本发明的一个方面，提供一种基于神经网络自适应的多无人机协同控制方法，包括以下七个步骤：

3、步骤s10，在领机上安装惯性导航设备，测量领机高度信号、领机垂直速率信号、领机俯仰角速率信号与领机俯仰角信号；然后根据飞行任务，设置领机期望高度信号；再根据领机高度信号与期望高度信号进行比较作差，得到领机高度误差信号，并进行积分得到领机俯仰角误差积分信号；并在领机上安装通信设备，将领机高度信号发送给僚机；再将高度误差信号比例放大后与领机俯仰角信号进行对比得到领机俯仰角误差信号；然后根据领机俯仰角误差信号、领机俯仰角误差积分信号、领机垂直速率信号、领机俯仰角速率信号与领机高度误差信号进行叠加得到领机升降舵总控制信号；在僚机上安装通信设备，接收领机高度信号，同时并将僚机高度信号发送给两个从机；在僚机上安装惯性导航设备，测量僚机高度信号与僚机俯仰角信号；根据僚机高度信号与领机高度信号进行对比，得到僚机高度误差信号，进行比例放大后与僚机俯仰角信号进行对比，得到僚机俯仰角误差信号；然后根据所述的僚机俯仰角误差信号、僚机高度误差信号进行叠加，得到僚机升降舵误差反馈信号。

4、步骤s20，在一号从机上安装通信设备，接收僚机高度信号；在一号从机上安装惯性导航设备，分别测量一号从机高度信号、一号从机俯仰角速度信号；然后根据僚机高度信号与一号从机高度信号进行对比，得到一号从机高度误差信号；然后进行比例放大后与与一号从机俯仰角信号进行对比，得到一号从机俯仰角误差信号；然后根据所述的一号从机俯仰角误差信号、一号从机高度误差信号进行叠加，得到一号从机升降舵误差反馈信号；在二号从机上安装通信设备，接收僚机高度信号；在二号从机上安装惯性导航设备，分别测量二号从机高度信号、二号从机俯仰角速度信号；然后根据僚机高度信号与二号从机高度信号进行对比，得到二号从机高度误差信号；然后进行比例放大后与与二号从机俯仰角信号进行对比，得到二号从机俯仰角误差信号；然后根据所述的二号从机俯仰角误差信号、二号从机高度误差信号进行叠加，得到二号从机升降舵误差反馈信号。

5、步骤s30，根据所示的僚机高度误差信号，设置60个僚机高度误差神经网络中心点数据以及一个高度误差方差数据，分别求解僚机高度误差相对僚机高度误差神经网络中心点数据的僚机高度网络偏差数据；根据所示的僚机俯仰角误差数据，设置60个僚机俯仰角误差神经网络中心点数据以及一个俯仰角误差方差数据，分别求解僚机俯仰角误差相对僚机俯仰角误差神经网络中心点数据的僚机俯仰角网络偏差数据；根据所示的一号从机高度误差信号，设置60个一号从机高度误差神经网络中心点数据，分别求解一号从机高度误差相对一号从机高度误差神经网络中心点数据的一号从机高度网络偏差数据；根据所示的一号从机俯仰角误差数据，设置60个一号从机俯仰角误差神经网络中心点数据，分别求解一号从机俯仰角误差相对一号从机俯仰角误差神经网络中心点数据的一号从机俯仰角网络偏差数据；根据所示的二号从机高度误差信号，设置60个二号从机高度误差神经网络中心点数据，分别求解二号从机高度误差相对二号从机高度误差神经网络中心点数据的二号从机高度网络偏差数据；根据所示的二号从机俯仰角误差数据，设置60个二号从机俯仰角误差神经网络中心点数据，分别求解二号从机俯仰角误差相对二号从机俯仰角误差神经网络中心点数据的二号从机俯仰角网络偏差数据。

6、步骤s40，根据所述的僚机高度误差信号、僚机俯仰角误差信号与僚机高度网络偏差数据、僚机俯仰角网络偏差数据分别求解僚机神经网络中僚机高度网络权值与僚机俯仰角网络权值的自适应调节规律，分别进行积分得到僚机神经网络中僚机高度网络权值与僚机俯仰角网络权值；根据所述的僚机高度误差信号、僚机俯仰角误差信号与一号从机高度网络偏差数据、一号从机俯仰角网络偏差数据分别求解僚机神经网络中一号从机高度网络权值与一号从机俯仰角网络权值的自适应调节规律，分别进行积分得到僚机神经网络中一号从机高度网络权值与一号从机俯仰角网络权值；根据所述的僚机高度误差信号、僚机俯仰角误差信号与二号从机高度网络偏差数据、二号从机俯仰角网络偏差数据分别求解僚机神经网络中二号从机高度网络权值与二号从机俯仰角网络权值的自适应调节规律，分别进行积分得到僚机神经网络中二号从机高度网络权值与二号从机俯仰角网络权值；最后根据所述的僚机神经网络中60个僚机高度网络权值、僚机俯仰角网络权值、一号从机高度网络权值、一号从机俯仰角网络权值、二号从机高度网络权值、二号从机俯仰角网络权值进行线性叠加求和得到僚机神经网络的总输出信号。

7、步骤s50，根据所述的一号从机高度误差信号、一号从机俯仰角误差信号与僚机高度网络偏差数据、僚机俯仰角网络偏差数据分别求解一号从机神经网络中僚机高度网络权值与僚机俯仰角网络权值的自适应调节规律，分别进行积分得到一号从机神经网络中僚机高度网络权值与僚机俯仰角网络权值；根据所述的一号从机高度误差信号、一号从机俯仰角误差信号与一号从机高度网络偏差数据、一号从机俯仰角网络偏差数据分别求解一号从机神经网络中一号从机高度网络权值与一号从机俯仰角网络权值的自适应调节规律，分别进行积分得到一号从机神经网络中一号从机高度网络权值与一号从机俯仰角网络权值；根据所述的一号从机高度误差信号、一号从机俯仰角误差信号与二号从机高度网络偏差数据、二号从机俯仰角网络偏差数据分别求解一号从机神经网络中二号从机高度网络权值与二号从机俯仰角网络权值的自适应调节规律，分别进行积分得到一号从机神经网络中二号从机高度网络权值与二号从机俯仰角网络权值；最后根据所述的一号从机神经网络中60个僚机高度网络权值、僚机俯仰角网络权值、一号从机高度网络权值、一号从机俯仰角网络权值、二号从机高度网络权值、二号从机俯仰角网络权值进行线性叠加求和得到一号从机神经网络的总输出信号。

8、步骤s60，根据所述的二号从机高度误差信号、二号从机俯仰角误差信号与僚机高度网络偏差数据、僚机俯仰角网络偏差数据分别求解二号从机神经网络中僚机高度网络权值与僚机俯仰角网络权值的自适应调节规律，分别进行积分得到二号从机神经网络中僚机高度网络权值与僚机俯仰角网络权值；根据所述的二号从机高度误差信号、二号从机俯仰角误差信号与一号从机高度网络偏差数据、一号从机俯仰角网络偏差数据分别求解二号从机神经网络中一号从机高度网络权值与一号从机俯仰角网络权值的自适应调节规律，分别进行积分得到二号从机神经网络中一号从机高度网络权值与一号从机俯仰角网络权值；根据所述的二号从机高度误差信号、二号从机俯仰角误差信号与二号从机高度网络偏差数据、二号从机俯仰角网络偏差数据分别求解二号从机神经网络中二号从机高度网络权值与二号从机俯仰角网络权值的自适应调节规律，分别进行积分得到二号从机神经网络中二号从机高度网络权值与二号从机俯仰角网络权值；最后根据所述的二号从机神经网络中60个僚机高度网络权值、僚机俯仰角网络权值、一号从机高度网络权值、一号从机俯仰角网络权值、二号从机高度网络权值、二号从机俯仰角网络权值进行线性叠加求和得到二号从机神经网络的总输出信号。

9、步骤s70，根据所述的僚机神经网络的总输出信号与僚机升降舵机偏转角误差反馈信号进行叠加得到僚机升降舵机偏转角总控制信号；根据所述的一号从机神经网络的总输出信号与一号从机升降舵机偏转角误差反馈信号进行叠加得到一号从机升降舵机偏转角总控制信号；根据所述的二号从机神经网络的总输出信号与二号从机升降舵机偏转角误差反馈信号进行叠加得到二号从机升降舵机偏转角总控制信号。

10、最后，将所述的领机升降舵总控制信号、僚机升降舵机偏转角总控制信号、一号从机升降舵机偏转角总控制信号、二号从机升降舵机偏转角总控制信号输送给相应无人机升降舵，即可完成各无人机的高度通道跟随控制，同时实现无人机协同组网编队飞行控制。

11、在本发明的一种示例实施例中，领机升降舵总控制信号的解算包括：

12、

13、e1a＝θ1-cxe1；

14、s1a＝∫e1adt；

15、δt1a＝k11e1+k12e1a+k13q1+k14v1h+k15s1a；

16、其中e1为领机高度误差信号；h1为领机高度信号，为领机高度期望信号；θ1为领机俯仰角信号；c1为常值控制参数；e1a为领机俯仰角误差信号；s1a为领机俯仰角误差积分信号；q1为领机俯仰角速率信号；v1h为领机垂直速率信号；δt1a为领机升降舵总控制信号；k11、k12、k13、k14、k15为常值控制参数。

17、在本发明的一种示例实施例中，僚机升降舵误差反馈信号的解算包括：

18、e2＝h2-h1；

19、e2a＝θ2-c2e2；

20、δt2a＝h21e2+k22e2a；

21、其中k11、k12为常值控制参数；e2为僚机高度误差信号；h2为僚机高度信号；θ2为僚机俯仰角信号；为僚机俯仰角期望信号；c2为常值控制参数；δt2a为僚机升降舵误差反馈信号；k21、k22为常值控制参数。

22、在本发明的一种示例实施例中，一号从机升降舵误差反馈信号的解算包括：

23、e3＝h3-h2；

24、e3a＝θ3-c3e3；

25、δt3a＝k31e1+k32e1a；

26、其中e3为一号从机高度误差信号；h3为一号从机高度信号；θ3为一号从机俯仰角信号；c3为常值控制参数；e3a为一号从机俯仰角误差信号；δt3a为一号从机升降舵误差反馈信号；k31、k32为常值控制参数。

27、在本发明的一种示例实施例中，二号从机升降舵误差反馈信号的解算包括：

28、e4＝h4－h2；

29、e4a＝θ4－c4e4；

30、δt4a＝k41e4+k42e4a；

31、其中e4为二号从机高度误差信号；h4为二号从机高度信号；θ4为二号从机俯仰角信号；vh4为二号从机垂向速度信号；c4为常值控制参数；e4a为二号从机俯仰角误差信号；δt4a为二号从机升降舵误差反馈信号；k41、k42为常值控制参数。

32、在本发明的一种示例实施例中，僚机高度误差相对僚机高度误差神经网络中心点数据的僚机高度网络偏差数据、僚机俯仰角误差相对僚机俯仰角误差神经网络中心点数据的僚机俯仰角网络偏差数据求解包括：

33、

34、

35、其中σ1为高度误差方差数据，σ2为高度误差方差数据，为常值参数；e2i为僚机高度误差神经网络中心点数据，ea2i为僚机俯仰角误差神经网络中心点数据，ew2i为僚机高度网络偏差数据，ewa2i为僚机俯仰角网络偏差数据。

36、在本发明的一种示例实施例中，一号从机高度误差相对一号从机高度误差神经网络中心点数据的一号从机高度网络偏差数据、一号从机俯仰角误差相对一号从机俯仰角误差神经网络中心点数据的一号从机俯仰角网络偏差数据求解包括：

37、

38、

39、其中e3i为一号从机高度误差神经网络中心点数据，ea3i为一号从机俯仰角误差神经网络中心点数据，ew3i为一号从机高度网络偏差数据，ewa3i为一号从机俯仰角网络偏差数据；e4i为二号从机高度误差神经网络中心点数据。

40、在本发明的一种示例实施例中，二号从机高度误差相对二号从机高度误差神经网络中心点数据的二号从机高度网络偏差数据、二号从机俯仰角误差相对二号从机俯仰角误差神经网络中心点数据的二号从机俯仰角网络偏差数据求解包括：

41、

42、

43、其中ea4i为二号从机俯仰角误差神经网络中心点数据，ew4i为二号从机高度网络偏差数据，ewa4i为二号从机俯仰角网络偏差数据。

44、在本发明的一种示例实施例中，僚机神经网络的总输出信号的求解包括：

45、

46、w2i(n+1)＝w2i(n)+w2idt；

47、

48、wa2i(n+1)＝wa2i(n)+wa2idt；

49、

50、w3i(n+1)＝w3i(n)+w3idt；

51、

52、wa3i(n+1)＝wa3i(n)+wa3idt；

53、

54、w4i(n+1)＝w4i(n)+w4idt；

55、

56、wa4i(n+1)＝wa4i(n)+wa4idt；

57、

58、其中p2i、pa2i、p3i、pa3i、p4i、pa4i为常值参数，用于调节神经网络权值的收敛速度；w2id为僚机神经网络中僚机高度网络权值的自适应调节规律，wa2id为僚机神经网络中僚机俯仰角网络权值的自适应调节规律；w2i为僚机神经网络中僚机高度网络权值，wa2i为僚机神经网络中僚机俯仰角网络权值；w3id为僚机神经网络中一号从机高度网络权值的自适应调节规律，wa3id为僚机神经网络中一号从机俯仰角网络权值的自适应调节规律；w3i为僚机神经网络中一号从机高度网络权值，wa3i为僚机神经网络中一号从机俯仰角网络权值；w4id为僚机神经网络中二号从机高度网络权值的自适应调节规律，wa4id为僚机神经网络中二号从机俯仰角网络权值的自适应调节规律；w4i为僚机神经网络中二号从机高度网络权值，wa4i为僚机神经网络中二号从机俯仰角网络权值；δt2b为僚机神经网络的总输出信号。

59、在本发明的一种示例实施例中，一号从机神经网络的总输出信号的求解包括：

60、

61、y2i(n+1)＝y2i(n)+y2idt；

62、

63、ya2i(n+1)＝ya2i(n)+ya2idt；

64、

65、y3i(n+1)＝y3i(n)+y3idt；

66、

67、ya3i(n+1)＝ya3i(n)+ya3idt；

68、

69、y4i(n+1)＝y4i(n)+y4idt；

70、

71、ya4i(n+1)＝ya4i(n)+ya4iat；

72、

73、其中q2i、qa2i、q3i、qa3i、q4i、qa4i为常值参数，用于调节神经网络权值的收敛速度；y2id为一号从机神经网络中僚机高度网络权值的自适应调节规律，ya2id为一号从机神经网络中僚机俯仰角网络权值的自适应调节规律；y2i为一号从机神经网络中僚机高度网络权值，ya2i为一号从机神经网络中僚机俯仰角网络权值；y3id为一号从机神经网络中一号从机高度网络权值的自适应调节规律，ya3id为一号从机神经网络中一号从机俯仰角网络权值的自适应调节规律；y3i为一号从机神经网络中一号从机高度网络权值，ya3i为一号从机神经网络中一号从机俯仰角网络权值；y4id为一号从机神经网络中二号从机高度网络权值的自适应调节规律，ya4id为一号从机神经网络中二号从机俯仰角网络权值的自适应调节规律；y4i为一号从机神经网络中二号从机高度网络权值，ya4i为一号从机神经网络中二号从机俯仰角网络权值；δt3b为一号从机神经网络的总输出信号。

74、在本发明的一种示例实施例中，二号从机神经网络的总输出信号的求解包括：

75、

76、g2i(n+1)＝g2i(n)+g2idt；

77、

78、ga2i(n+1)＝ga2i(n)+ga2idt；

79、

80、g3i(n+1)＝g3i(n)+g3idt；

81、

82、ga3i(n+1)＝ga3i(n)+ga3idt；

83、

84、g4i(n+1)＝g4i(n)+g4iat；

85、

86、ga4i(n+1)＝ga4i(n)+ga4idt；

87、

88、其中r2i、ra2i、r3i、ra3i、r4i、ra4i为常值参数，用于调节神经网络权值的收敛速度；g2id为二号从机神经网络中僚机高度网络权值的自适应调节规律，ga2id为二号从机神经网络中僚机俯仰角网络权值的自适应调节规律；g2i为二号从机神经网络中僚机高度网络权值，ga2i为二号从机神经网络中僚机俯仰角网络权值；g3id为二号从机神经网络中一号从机高度网络权值的自适应调节规律，ga3id为二号从机神经网络中一号从机俯仰角网络权值的自适应调节规律；g3i为二号从机神经网络中一号从机高度网络权值，ga3i为二号从机神经网络中一号从机俯仰角网络权值；g4id为二号从机神经网络中二号从机高度网络权值的自适应调节规律，ga4id为二号从机神经网络中二号从机俯仰角网络权值的自适应调节规律；g4i为二号从机神经网络中二号从机高度网络权值，ga4i为二号从机神经网络中二号从机俯仰角网络权值；δt4b为二号从机神经网络的总输出信号。

89、在本发明的一种示例实施例中，僚机升降舵机偏转角总控制信号、一号从机升降舵机偏转角总控制信号、二号从机升降舵机偏转角总控制信号的求解包括：

90、δt2＝δt2a+δt2b；

91、δt3＝δt3a+δt3b；

92、δt4＝δt4a+δt4b；

93、其中δt2为僚机升降舵机偏转角总控制信号、δt3为一号从机升降舵机偏转角总控制信号、δt2为一号从机升降舵机偏转角总控制信号。

94、有益效果

95、本发明提供了一种基于神经网络自适应的多无人机协同控制方法，其主要创新点有如下两点。第一是提出了采用领机与僚机、僚机与从机之间的高度、姿态偏差构建径向基神经网络，设计自适应权值调节规律并通过误差反馈调节六输入三输出神经网络的输出来消除多无人机编队协同控制的系统不确定性与干扰的方法，解决了传统的控制方法是单机静态误差反馈调节的方法，而无法从多机动态互联组网的角度进行多误差耦合反馈补偿。第二是提出了一种通过高度误差信号分别生成主机、僚机、从机的姿态期望信号；最终通过高度误差、姿态误差以及神经网络自适应补偿信号来组成多无人机的升降舵偏转规律，实现多无人机协同控制的方法。其既能将传统误差反馈、与神经网络自适应控制进行有机融合；又能将单机误差反馈与多机组网误差耦合铰链反馈补偿进行有效融合，进一步提高了多机协同组网控制的动态性能。

96、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。