一种无人直升机位置跟踪的方法与装置与流程

本发明涉及无人直升机技术领域，特别是涉及一种无人直升机位置跟踪的方法与装置。

背景技术：

无人直升机在过去几年取得了较大的关注，得益于其在生活中的广泛应用，例如空中监测，数据采集，地图测绘和救援。国外的研究人员针对无人直升机的控制做了大量的研究，并获得一些显著的成果。J.R.Azinheira,P.Rives等人开发了一种基于图像的视觉伺服控制系统，用于控制飞行器在室外环境下的自主悬停。除了悬停控制以外，Madani和Benallegue提出一种通过改变直流电机的控制输入的控制方法，用于微型四旋翼无人直升机追踪3个期望的笛卡尔坐标位置和偏航角度。但是，在之前的研究工作中，都提出一种假设，即在无人直升机飞行过程中不会受到非线性空气摩擦阻力。然而，这种假设只有在无人直升机悬停或者低速飞行时才有效。对于高速飞行甚至中速飞行的无人直升机，忽略这种空气摩擦阻力会导致整个系统的不稳定。

目前来说，为了解决无人直升机在受到非线性空气摩擦力时轨迹追踪控制的问题，国外的D.Lee，C.Nataraj等人提出在欠驱动四旋翼飞行器的动力学模型中，气动力可以参数线性化。T.C.Burg，B.Xian等人提出一种基于观察器的自适应控制方法保证直升机良好的追踪性能。尽管空气动力学方面已经取得了很大的进步，但是现在仍然存在一些难题。实际上，姿态动力学模型中的转动惯量很难测得明确的值。因此，确定刚体转动惯量是发展高精度控制器最重要的程序之一，并且在进来引起极大关注。

国内外的研究人员为解决这一非常具有挑战性的难题做了大量研究。Chaturvedi提出了一种新的辨识器，可以渐进确定刚体的转动惯量。基于这个渐进辨识器，Chatuvedi开发出一种有六阶动态补偿形式的控制律，保证全局渐进稳定。此外，Lee通过设计一种转动惯量的在线辨识器，提出一种在SO(3)约束下的鲁棒自适应控制器保证了姿态跟踪误差的渐近收敛性。然而，他们之前所提出的辨识器只适应于不考虑非线性空气阻尼和外部干扰的飞行器。

可见，如何在系统参数未知和遭到外部扰动的情况下，有效实现对无人直升机位置的跟踪，是本领域技术人员亟待解决的问题。

技术实现要素：

本发明实施例的目的是提供一种无人直升机位置跟踪的方法与装置，可以在系统参数未知和遭到外部扰动的情况下，有效实现对无人直升机位置的跟踪。

为解决上述技术问题，本发明实施例提供一种无人直升机位置跟踪的方法，包括：

根据空气动力学和刚体力学原理，确定出无人直升机的运动学方程和动力学方程；

依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程；

依据所述线速度误差微分方程，确定出基于鲁棒神经网络自适应控制器的运算方程；所述自适应控制器的运算方程中包括鲁棒自适应参数以及神经网络参数；

依据所述自适应控制器的运算方程以及自适应律方程，计算出所述无人直升机的位置；所述自适应律方程包括鲁棒自适应参数方程和神经网络参数方程。

可选的，所述依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程包括：

依据所述运动学方程和所述动力学方程，确定出所述无人直升机初始的位置误差微分方程；

将速度误差方程和预先设置的虚拟控制器方程带入到所述初始的位置误差微分方程，得到所述无人直升机对应的位置误差微分方程；

依据所述位置误差微分方程以及所述虚拟控制器方程，确定出虚拟控制器微分方程；

依据所述虚拟控制器微分方程，确定出所述无人直升机的线速度误差微分方程。

可选的，所述依据所述自适应控制器的运算方程以及自适应律方程，计算出所述无人直升机的位置包括：

利用自适应律方程中包括的鲁棒自适应参数方程和神经网络参数方程，对所述自适应控制器的运算方程中包括的鲁棒自适应参数和神经网络参数进行调整；

依据调整后的鲁棒自适应参数和神经网络参数，根据所述自适应控制器的运算方程，计算出所述无人直升机的位置。

本发明实施例还提供了一种无人直升机位置跟踪的装置，包括确定单元和计算单元：

所述确定单元，用于根据空气动力学和刚体力学原理，确定出无人直升机的运动学方程和动力学方程；

所述确定单元还用于依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程；

所述确定单元还用于依据所述线速度误差微分方程，确定出基于鲁棒神经网络自适应控制器的运算方程；所述自适应控制器的运算方程中包括鲁棒自适应参数以及神经网络参数；

所述计算单元，用于依据所述自适应控制器的运算方程以及自适应律方程，计算出所述无人直升机的位置；所述自适应律方程包括鲁棒自适应参数方程和神经网络参数方程。

可选的，所述确定单元具体用于依据所述运动学方程和所述动力学方程，确定出所述无人直升机初始的位置误差微分方程；

将速度误差方程和预先设置的虚拟控制器方程带入到所述初始的位置误差微分方程，得到所述无人直升机对应的位置误差微分方程；

依据所述位置误差微分方程以及所述虚拟控制器方程，确定出虚拟控制器微分方程；

依据所述虚拟控制器微分方程，确定出所述无人直升机的线速度误差微分方程。

可选的，所述计算单元包括：调整子单元和计算子单元；

所述调整子单元，用于利用自适应律方程中包括的鲁棒自适应参数方程和神经网络参数方程，对所述自适应控制器的运算方程中包括的鲁棒自适应参数和神经网络参数进行调整；

所述计算子单元，用于依据调整后的鲁棒自适应参数和神经网络参数，根据所述自适应控制器的运算方程，计算出所述无人直升机的位置。

由上述技术方案可以看出，根据空气动力学和刚体力学原理，可以确定出无人直升机的运动学方程和动力学方程。依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程；依据所述线速度误差微分方程，最终确定出基于鲁棒神经网络自适应控制器的运算方程；所述自适应控制器的运算方程中包括鲁棒自适应参数以及神经网络参数。依据自适应律方程中包括的鲁棒自适应参数方程和神经网络参数方程，可以实现对无人机外部扰动的补偿，以及对系统未知参数的在线估计，从而可以在系统参数未知和遭到外部扰动的情况下，根据自适应控制器的运算方程，准确的计算出所述无人直升机的位置，实现对无人直升机位置的跟踪。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种无人直升机位置跟踪的方法的流程图；

图2为本发明实施例提供的一种无人直升机位置跟踪的装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

接下来，详细介绍本发明实施例所提供的一种无人直升机位置跟踪的方法。图1为本发明实施例提供的一种无人直升机位置跟踪的方法的流程图，所述方法包括：

S101：根据空气动力学和刚体力学原理，确定出无人直升机的运动学方程和动力学方程。

确定出的运动学方程为：

其中，R(Θ)∈SO(3)是机体坐标系与惯性坐标系之间的欧拉转换矩阵，SO(3):＝{R∈R^3×3|R^TR＝I₃，det(R)＝1}是一个3×3的正交矩阵；T(Θ)为无人直升机姿态角度与角速度之间的转换矩阵；v(t)是线速度方程，ω(t)是角速度方程。

所述动力学方程为：

其中，v为相对于机载坐标系的线速度，ω为相对于机载坐标系的角速度，可表示为v＝(v_x,v_y,v_z)^T和ω＝(ω_x,ω_y,ω_z)^T；M＝diag{mI₃,J}表示质量-惯性矩阵；m是无人直升机的质量；J是对称正定转动惯量；S(ω)是一个斜对称矩阵；N₁和N₂是带有阻尼系数d₁和d₂的非线性空气摩擦阻力；G＝G(Θ)＝mgR^T(Θ)E_Z是重力向量,E_z＝(0,0,1)^T是单位向量，g是重力加速度；τ_d1和τ_d2是有界外部扰动；τ是驱动力；S(Jω)是包含了径向基函数的一个已知向量，O_3×3是三阶零矩阵，O_3×1是三维零向量。

S102：依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程。

依据运动学方程和动力学方程，可以确定出所述无人直升机初始的位置误差微分方程，其公式如下：

其中，是无人直升机目标位置跟踪轨迹的导数。

预先设置的虚拟控制器方程可以用于稳定位置误差系统。

在本发明实施例中，通过将速度误差方程e_v(t)和预先设置的虚拟控制器方程带入到所述初始的位置误差微分方程，得到所述无人直升机对应的位置误差微分方程。

其中，预先设置的虚拟控制器方程的公式如下：

其中，R^T(Θ)是R(Θ)的转置，K_p∈R^3×3是一个对称正定矩阵，e_p(t)是位置误差方程。

最终得到的位置误差微分方程的公式如下：

依据所述位置误差微分方程以及所述虚拟控制器方程，可以确定出虚拟控制器微分方程，其公式如下：

其中，R(Θ)是机体坐标系与惯性坐标系之间的欧拉转换矩阵，R^T(Θ)是R(Θ)的转置，是无人直升机目标位置跟踪轨迹二阶导数。

依据所述虚拟控制器微分方程，确定出所述无人直升机的线速度误差微分方程，其公式如下：

其中，N₁是非线性空气摩擦阻力，g是重力加速度，E_z是单位向量，τ₁是平移方向上的推力。

通过分析速度误差的变化率可以知道，因为空气阻尼系数d_1j(j＝1,2,3)不确定而无法处理非线性空气摩擦阻力，所以通过假设内部干扰Δ_i(·)＝0，使用RBFNNs补偿未知空气阻力，得到空气动力学函数F₁(·)的具体公式如下：

其中，是权重矩阵，δ₁(v)是逼近误差，X₁是隐含层神经元的个数，S₁(v)是径向基函数。

S103：依据所述线速度误差微分方程，确定出基于鲁棒神经网络自适应控制器的运算方程。

所述自适应控制器的运算方程中包括鲁棒自适应参数以及神经网络参数，其公式如下：

其中，K_v是对称正定矩阵，a₁是一个常数，是径向基函数S₁(v)的转置，是理想化权重矩阵，是用来估计ε₁值的鲁棒自适应参数；是一个神经网络在线学习参数；用来估计W₁的值，W₁是理想化权重矩阵θ₁的最大奇异值的平方。

需要说明的是，上述自适应控制器的运算方程中e_v与上述介绍中e_v(t)为同一个函数，为了描述公式方便，在本发明实施例中将e_v(t)简化为e_v表示。

S104：依据所述自适应控制器的运算方程以及自适应律方程，计算出所述无人直升机的位置。

所述自适应律方程包括鲁棒自适应参数方程和神经网络参数方程，其公式如下：

其中，k_ε1，k₀₁是修正参数，r_ε1，r₁是设计参数。

根据该自适应律方程可以使得位置跟踪误差渐进收敛到原点附近的任意小区域，具体的，利用自适应律方程中包括的鲁棒自适应参数方程和神经网络参数方程，对所述自适应控制器的运算方程中包括的鲁棒自适应参数和神经网络参数进行调整；依据调整后的鲁棒自适应参数和神经网络参数，根据所述自适应控制器的运算方程，可以计算出所述无人直升机的位置。

在神经网络算法逼近未知的空气动力学函数时，通过估计理想化权重矩阵θ₁最大奇异值的平方，只需要在线调整一个自适应参数以此来解决直接在线估计权重矩阵θ₁导致的在线学习参数过多加大了无人直升机板载控制器的繁重计算任务。

由上述技术方案可以看出，根据空气动力学和刚体力学原理，可以确定出无人直升机的运动学方程和动力学方程。依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程；依据所述线速度误差微分方程，最终确定出基于鲁棒神经网络自适应控制器的运算方程；所述自适应控制器的运算方程中包括鲁棒自适应参数以及神经网络参数。依据自适应律方程中包括的鲁棒自适应参数方程和神经网络参数方程，可以实现对无人机外部扰动的补偿，以及对系统未知参数的在线估计，从而可以在系统参数未知和遭到外部扰动的情况下，根据自适应控制器的运算方程，准确的计算出所述无人直升机的位置，实现对无人直升机位置的跟踪。

图2为本发明实施例提供的一种无人直升机位置跟踪的装置的结构示意图，包括确定单元21和计算单元22：

所述确定单元21，用于根据空气动力学和刚体力学原理，确定出无人直升机的运动学方程和动力学方程。

所述确定单元21还用于依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程。

所述确定单元21还用于依据所述线速度误差微分方程，确定出基于鲁棒神经网络自适应控制器的运算方程；所述自适应控制器的运算方程中包括鲁棒自适应参数以及神经网络参数。

所述计算单元22，用于依据所述自适应控制器的运算方程以及自适应律方程，计算出所述无人直升机的位置；所述自适应律方程包括鲁棒自适应参数方程和神经网络参数方程。

可选的，所述确定单元具体用于依据所述运动学方程和所述动力学方程，确定出所述无人直升机初始的位置误差微分方程；

将速度误差方程和预先设置的虚拟控制器方程带入到所述初始的位置误差微分方程，得到所述无人直升机对应的位置误差微分方程；

依据所述位置误差微分方程以及所述虚拟控制器方程，确定出虚拟控制器微分方程；

依据所述虚拟控制器微分方程，确定出所述无人直升机的线速度误差微分方程。

可选的，所述计算单元包括：调整子单元和计算子单元；

所述调整子单元，用于利用自适应律方程中包括的鲁棒自适应参数方程和神经网络参数方程，对所述自适应控制器的运算方程中包括的鲁棒自适应参数和神经网络参数进行调整；

所述计算子单元，用于依据调整后的鲁棒自适应参数和神经网络参数，根据所述自适应控制器的运算方程，计算出所述无人直升机的位置。

图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。

由上述技术方案可以看出，确定单元根据空气动力学和刚体力学原理，可以确定出无人直升机的运动学方程和动力学方程；依据所述运动学方程、所述动力学方程以及预先设置的虚拟控制器方程，确定出所述无人直升机的线速度误差微分方程；依据所述线速度误差微分方程，最终确定出基于鲁棒神经网络自适应控制器的运算方程；所述自适应控制器的运算方程中包括鲁棒自适应参数以及神经网络参数。依据自适应律方程中包括的鲁棒自适应参数方程和神经网络参数方程，可以实现对无人机外部扰动的补偿，以及对系统未知参数的在线估计，从而可以在系统参数未知和遭到外部扰动的情况下，计算单元可以根据自适应控制器的运算方程，准确的计算出所述无人直升机的位置，实现对无人直升机位置的跟踪。

以上对本发明所提供的一种无人直升机位置跟踪的方法与装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。