一种无人机姿态预测控制方法
- 国知局
- 2024-11-06 14:22:52
本发明涉及无人机。具体涉及一种无人机姿态预测控制方法。
背景技术:
1、目前无人机在军用领域和民用领域都得到了广泛的应用,要求其在城市地区安全运行完成诸如侦擦、检测、电力巡检诸多复杂任务,因此保证无人机系统稳定可显著提升无人机的工作效率及环境安全性。
2、近年来,随着无人机应用场景的不断扩大,无人机飞行姿态估计技术也在不断发展。对此,众多学者提出许多控制方法。例如:传统其利用无人机的线性效机动性模型设计;无人机反步控制,其思想为将非线性扰动观测器与控制器分开构建;然而上述控制方法难以应对较大的外界干扰和系统故障引起的姿态失控问题;同时目前存在在传统控制领域引用神经网络模型进行辅助控制,但是单一算法控制可能导致系统鲁棒性不足。
3、因此本发明基于无人机模糊控制系统,结合无人机姿态数据变化及神经网络模型,提出一种无人机姿态预测控制方法。
技术实现思路
1、本发明是要解决无人机受自身系统故障或外界环境因素影响所产生的整机不稳定问题,进而提供一种无人机姿态预测控制方法。
2、本发明涉及一种无人机姿态预测控制方法,所述方法主要包括如下步骤:
3、步骤一、ssa(奇异谱分析)数据预处理;
4、步骤二、改进lstm模型构建;
5、步骤三、模糊神经pid控制器构建;
6、步骤四、无人机系统搭建。
7、步骤一、ssa数据预处理
8、传感器采集无人机在不同环境中运行所产生的各项数据,包括速度、加速度、俯仰角、滚转角、航向角。考虑到无人机飞行时传感器数据可能受到各种干扰,如电磁干扰、机械振动,故采用信号处理技术对数据进行预处理。ssa算法能从原始时间序列数据中提取趋势、周期震荡和噪声成分,从而对传感器产生的时间序列进行分析和去噪,适用于分析具有潜在规律的时间序列。利用ssa对于原始数据进行预处理,从而提高lstm模型对数据的掌握能力。奇异谱分析包括构建矩阵、奇异值分解、特征分组、主要成分重构。
9、(1)构建矩阵;通过构建矩阵,将原始序列数据转换为矩阵形式,为后续的奇异值分解做准备,设有一个时间序列为xn=(x1,x2,...,xn),n>2,并且要求xn为非零序列;将时间序列分解嵌入到窗口长度为l的空间中形成轨迹矩阵x;
10、
11、式中:k=n-l+1,n是时间序列的长度;
12、(2)奇异值分解
13、计算矩阵xxt并对其进行奇异值分解获得l个特征值λ(λ1,λ2,...,λl),以及对应的特征向量u1,u2,...,ul;将x分解为若干个与其结构相同的初等矩阵:
14、x=e1+e2+...ed (2)
15、式中d=rank(x),ei表示第i个奇异值分解分量,其数学模型表示为:
16、
17、式中:ui和表示为xxt第i个左右奇异向量;为轨迹矩阵x按降序排列的奇异值;
18、(3)特征分组
19、通过奇异值的累积贡献率将初等矩阵划分为k个不相交子集,根据贡献率的大小对矩阵进行排序,贡献率越大,表示该矩阵在时序序列中的贡献越大;
20、(4)主要成分重构
21、通过主要成分重构可将式(2)中的每个初等矩阵通过对角平均计算转换为时间序列;定义z为一个l×k阶的矩阵,其元素为zi,j(1≤i≤l,1≤j≤k),令l*=min(l,k),k*=max(l,k),若l<k,反之对角平均计算公式为:
22、
23、在ssa算法中,经过多次敏感性分析,原始时序数列长度为500,尝试不同的l取值并比较结果的稳定性和准确性,选择l=240作为最佳窗口长度;对原始序列数据进行分解,根据贡献率进行分组,将贡献率大的轨迹数据重构为趋势项、周期项和噪声残差项3个分量。步骤二、改进lstm模型构建
24、lstm是一种特殊类型的循环神经网络。对于ssa输出的重构数据,将其视为lstm模型的一个特征δ为5个成分,成分包括速度v、加速度a、俯仰角滚转角θ、航向角ψ,对应的lstm模型输入将具有5个特征。将不同风速风向环境下采集的数据进行分类,分别在不同风速风向作为前提条件下进行lstm训练,使得lstm学习根据过去的信息来做出准确的预测。
25、(1)lstm组成。lstm中的关键组成部分包括单元状态、遗忘门ft、输入门it、输出门ot。这些门控单元允许lstm在处理序列数据时选择性地记忆和遗忘信息,从而更好地捕捉长期依赖关系。lstm三个门作用如下:
26、1)遗忘门:用于控制是否遗忘之前的记忆细胞状态中的信息。记忆细胞是lstm中负责存储和传递信息的关键部分,公式为:
27、ft=σ(wf[ht-1,xt]+bf)
28、(5)
29、式中:ft表示遗忘门,wf是遗忘门的权重矩阵,[ht-1,xt]表示将上一时刻的隐藏状态ht-1和当前时刻的输入xt合并成一个向量,bf表示遗忘门的偏置项,σ表示sigmoid函数。
30、2)输入门:用于控制是否将当前输入信息加入到记忆细胞状态中。输入数据通过输入门来控制是否将其输入到记忆细胞状态中。公式为:
31、it=σ(wi[ht-1,xt]+bi)
32、(6)
33、ct=ft·ct-1+it·tanh(wc[ht-1,xt]+bc
34、(7)
35、式中:it是输入门的输出,表示当前时刻应该更新到记忆细胞的信息量,it∈(0,1);wi为输入门的权重矩阵;wc表示输入门权重矩阵;bc表示输出门的偏置项;bi表示输入门偏置项;ct表示t时刻的记忆细胞输入状态。
36、3)输出门:用于控制从记忆细胞状态输出到隐藏状态的信息。使用lstm进行预测时,将传感器数据输入至lstm模型的输入门中。控制从记忆细胞状态中提取的信息与lstm的输出相结合,以生成并输出姿态预测结果。公式为:
37、ot=σ(wo[ht-1,xt]+bo) (8)
38、ht=ot·tanh(ct) (9)
39、式中:ot是输出门的输出,wo是输出门的权重矩阵,bo表示遗忘门的偏置项,ht表示t时刻的隐藏状态。
40、(2)lstm模型改进。针对无人机这一高精系统,为增强lstm模型的表达能力和适应性,因此提出对lstm网络结构动态调整。基于梯度信号,将lstm单元之间的连接方式定义为可变,根据输入序列的不同特征和重要性程度,动态调整lstm网络的层数和单元数量,改善模型的性能。
41、将上述lstm模型作为初始神经网络,设其包含b(b为动态数值)个隐藏层,其对应b-1个门控制单元。引入一标记向量m(b),符号b表示lstm模型中的层数,m(b)取值0或1。采用误差信号的梯度来决定层数,首先计算损失函数关于的梯度,根据lstm模型的前向传播方程得到:
42、
43、
44、计算ct梯度:
45、
46、式中tanh′为tanh导数,基于上述式,得出梯度,公式为:
47、
48、表示遗忘门输出,为链接参数,根据上述式得出,若较小,则说明上一层信息权重较小,故m(b-1)为0,故删除层数,反之若幅值较大,说明当前层权重较大,故m(b-1)为1,增加层数。
49、上述动态调整方法根据输入序列的不同特征动态调lstm网络的层数和单元数量,使得模型更加适应不同类型的数据及任务。同时降低计算成本,使得模型在保持性能的同时减少计算资源消耗。
50、将ssa分解重构的各分量分别使用lstm模型进行预测,最后叠加各分量预测结果,得到姿态预测值。
51、步骤三、模糊神经pid控制器构建
52、(1)构建模糊控制器。模糊系统是基于模糊理论和模糊推理技术的推论系统。相比于传统的精确数学模型和控制方法,模糊系统具有较强的鲁棒性,更适用于复杂和非线性系统的控制。结合相关无人机控制文献及领域内实际研究经验,对无人机系统响应速度、稳定性、参数超调因素进行综合分析,构建无人机模糊控制表。其中pid修正公式为:
53、
54、式中kp、ki、kd分别为三个修正参数,δkp、δki、δkd分别为比例、积分、微分控制参数。
55、将无人机模糊控制量划分为nb(负大)、nm(负中)、ns(负小)、zo(零)、ps(正小)、pm(正中)、pb(正大),由此得出七级模糊子集{nb、nm、ns、zo、ps、pm、pb},隶属函数选为三角函数。根据比例、积分、微分作用及无人机实际控制进行分析得出,当绝对值误差e的数值较大时,采用对δkp数值进行增大;δki也应增大数值,减小误差;δkd应适当增大,保证系统动态特性,其他情况同理。
56、(2)构建模糊神经pid控制器。加利福尼亚大学的jang roger于1993年首次提出了自适应神经模糊推理系统(anfis),自适应神经模糊推理系统不仅具有神经网络的自学习机制,还具有模糊逻辑系统的语言推理能力。这一系统将神经网络的自我学习能力与模糊逻辑推理方法相结合,专注于模糊控制系统的三个关键步骤:模糊化、模糊逻辑推理和清晰化。anfis利用神经网络算法来优化模糊控制系统,通过对样本数据的训练处理来获取数值求解,提高性能和效率。
57、通过以上步骤,得到一个具有自动调节控制功能的模糊神经pid控制器。
58、步骤四、无人机系统搭建
59、无人机系统搭建主要包括无人机飞控算法、无人机姿态预测控制算法、硬件系统配置选型。
60、(1)无人机飞控算法。无人机飞控算法包括主算法和协算法。主算法主要包括无人机控制、导航与定位、路径规划与轨迹跟踪及系统自稳定控制算法。协算法主要包括通信、滤波、数据传输、主循环、任务调度、遥控信号数据处理、pwm输出模块及定时器、电子罗盘、气压计、板载存储芯片、激光模块驱动程序。
61、(2)无人机姿态控制算法。ssa算法对数据进行预处理;改进lstm模型根据输入数据,采用动态调整网络结构方法进行p、i、d预测;模糊pid控制器根据预测值与理想姿态差值作为输入,进行pid值自适应,以上协同实现系统姿态预测控制。
62、(3)硬件系统配置选型。无人机硬件系统包括主控系统及基础配件。主控系统包括主处理器、协处理器及传感器单元。主算法处理器采用nvidia agx orin,属于边缘计算平台。协处理器采用stm32f405,arm cortex-m432位risc处理器。传感器单元主要包括速度计、加速度计、陀螺仪、温度计、gps。基础配件包括tarot4012/320kv电机、16寸桨叶、680mm规格四轴机架、at92.4g遥控、4s40a电调、4500mah-4s(14.8v)电池。
63、有益效果
64、本发明实时估计系统的状态并反馈,ssa与改进lstm模型不断更新姿态预测值,系统计算预测值与理想姿态值进行做差得到e以及ec,输入至模糊控制器中。通过模糊神经pid控制器实现无人机p、i、d参数控制。以上关键算法相互配合,使得无人机能够有效对抗系统以及环境中的扰动,抑制外界对系统造成的干扰,提高系统的稳定性和鲁棒性,同时相较于单算法控制方法,系统稳定性更加突出。
本文地址:https://www.jishuxx.com/zhuanli/20241106/321698.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表