基于事件触发的多翼伞无人机系统的制作方法

本发明涉及多个翼伞无人机归航轨迹控制领域。

背景技术：

翼伞无人机是一种具有可控性和滑翔性的降落伞，在军事、航天等领域有着广泛的需求和应用。然后，能否按预定着落点安全着落是整个翼伞控制的目标。随风飘的状态往往使得着落偏差是几公里甚至几十公里，因此，如此采用先进控制方法完成精准空投和定点无损是及其重要的。

国内研究翼伞空头系统的研究所和高校主要有北航、南航、航空装备研究所、航宇救生装备有限公司空投部等，焦亮等提出基于混沌粒子群优化算法的翼伞系统轨迹智能算法；熊菁等采用模糊理论的pd控制进行研究；赵敏采用最优控制方法，规划处满足空投要求的最优归航轨迹。我国在这方面的研究起步较晚，实验验证就更少。

cn201510824172.5披露了一种翼伞无人机飞行器，包括数据采集模块和用于对数据采集模块采集的数据进行分析处理以及发送控制指令的飞控导航计算机，飞控导航计算机包括惯性解算处理器、数据输入输出处理器和逻辑处理器，逻辑处理器包括由导航控制器和增稳控制器；用于执行飞控导航计算机发出的控制指令，并控制翼伞无人机飞行状态进行变化的执行机构；地面站模块：地面站模块包括用于保证数据通信可靠性的底面测控链路通信模块、用于将翼伞无人机的位置和飞行姿态等数据进行显示的数据显示模块和对翼伞无人机进行任务规划和遥控动作进行控制的地面站，地面站通过底面测控链路通信模块与飞控导航计算机相连接；数据采集模块的输出端通过模数转换模块连接飞控导航计算机的输入端，飞控导航计算机的输出端接执行机构的控制器信号输入端。

这种翼伞无人机飞行器与地面站结合，地面站承担了任务规划和遥控动作指令的生成的任务，翼伞无人机飞行器自己承担任务规划和遥控动作指令以外的解算任务，在一定程度上降低了对飞行器运算能力的要求。但是，除了任务规划和遥控动作指令的生成以外，翼伞无人机飞行器需要解算自身的姿态，并将来自地面站的操作人员指令转化为对执行机构的执行指令。该翼伞无人机飞行器对飞控导航计算机仍然具有较高的解算和分析要求。并且，这种翼伞无人机飞行器只适用于只有一架翼伞无人机飞行器的情况，没有考虑多个翼伞无人机系统的行程规划和控制问题，也无法应对气流使翼伞无人机剧烈晃动等突发事件。

技术实现要素：

本发明的目的在于提供一种翼伞无人机只需要采集数据和执行命令，无需进行运算的基于事件触发的多翼伞无人机系统。

基于事件触发的多翼伞无人机系统，由地面控制站和多个翼伞无人机组成，每个翼伞无人机具有测量传感器模块，翼伞驱动控制模块和舵机，翼伞驱动控制模块使舵机控制操纵绳长度，测量传感器模块测得本翼伞无人机的实时信息，实时信息包括：加速度信息，角速度信息，磁力计确定的方位和操纵绳的长度；地面控制站具有轨迹规划模块；

其特征在于：实时信息包括舵机的实际驱动电流；

地面控制站具有翼伞姿态解算模块，翼伞姿态控制模块,事件应急模块，翼伞驱动辨识模块和翼伞驱动控制反演模块；翼伞无人机具有驱动模型检测模块；

翼伞姿态解算模块接收测量传感器模块发来的舵机驱动电流信息，加速度信息，角速度信息和操纵绳长度信息，并解算为相应翼伞无人机的姿态，翼伞姿态解算模块设定翼伞姿态的变化裕值，当翼伞无人机的实时姿态变化超过变化裕值，触发事件应急模块；事件应急模块使翼伞驱动控制模块停止工作，翼伞无人机进入自由飞行状态；

翼伞驱动辨识模块建立舵机驱动模型其中为驱动电流的输入，u(t)为操纵绳长度的输出，a为控制系数，b为状态系数；翼伞驱动辨识模块用参数估计法完成对控制系数a和状态系数b的确定，并将控制系数a和状态系数b分别输入翼伞无人机的驱动模型检测模块和翼伞驱动控制模块；

最优操纵绳控制曲线utar输入翼伞驱动控制反演模块，翼伞驱动控制反演模型求解：

目标函数为约束条件为状态约束为其中为翼伞驱动控制模块输出的最小电流，为翼伞驱动控制模块输出的最大电流，为电流随时间的变化函数，求得的结果为电流随时间的具体输入值翼伞驱动控制反演模型获得的电流随时间的具体输入值输入翼伞无人机的翼伞驱动控制模块。

翼伞驱动控制模块只需将来自地面控制站的电流值输入执行机构即可，执行机构即可使操纵绳长度达到要求的目标，翼伞驱动控制模块无需解算操纵绳长度需要对应的使执行机构动作的电流值。

进一步，，测量传感器模块持续向翼伞姿态解算模块发送信息；事件应急模块被触发指定时长后，若翼伞无人机的姿态变化仍超过变化裕值，翼伞驱动控制模块向舵机输入。稳定翼伞无人机姿态的电流信号。

进一步，测量传感器模块包括电流测量模块，惯性传感单元，磁力计，gpd定位仪和风速测量模块。

进一步，翼伞驱动辨识模块确定控制系数a和状态系数b的过程包括：

步骤1：接收翼伞无人机的电流测量模块记录的参数辨识区间[0,ttest]电流随时间的变化函数的变化情况，记为

步骤2：记录操纵绳长度的输出，记为

步骤3：求解最小值其中ttest为参数辨识所需的时间；

步骤4：将带入通过数值求解得到u(t)，继而求解出然后通过智能优化算法完成参数a，b的估计。

进一步，驱动模型检测模块判断舵机驱动模型的输出和实际操纵绳的长度信息是否匹配，当两者出现明显不匹配时，触发事件应急模块，并将驱动控制模块的实时电流和当前操纵绳的长度信息传送给地面控制站。明显不匹配指的是实际操纵绳长度与舵机驱动模型的输出之间的差值大于设定裕值。

进一步，轨迹规划模块包含多翼伞轨迹归航模型，多翼伞轨迹归航的全离散单元和ampl优化单元；

多翼伞轨迹归航模型中，翼伞无人机的运动学模型为：

其中，r为翼伞无人机是总数，x^r,y^r,z表示第r个翼伞无人机在大地坐标系中坐标，ν^r表示第r个翼伞无人机的水平飞行速度，表示第r个翼伞无人机测量到的水平风速，νz表示翼伞无人机的垂直下落速度，θ^r表示第r个翼伞无人机的转弯角度，u^r表示第r个翼伞无人机的操纵绳长度。

各个翼伞无人机运动区域的限制条件为：

翼伞无人机之间的安全距离xmar,ymar设定为：

x^r-x^b≥xmar,y^r-y^b≥ymar；r＝1,2,...,r；b＝1,2,...,r；r≠b；

以期望降落点坐标和转弯角度为目标函数为：

t为翼伞无人机的降落总时间；

多翼伞轨迹归航的全离散单元将x^r,y^r,z,θ^r,u^r,在时域中离散成ne份子时间区间，离散后的时间表示为t＝tm+hmτ，在每个子时间区间中，状态变量表示为：ks为整数；

状态变量必须满足的连续性条件为：

仅连续性条件中，m＝1,2,...,ne-1；

控制变量表示为ku为整数；

控制变量必须满足的连续性条件为：仅连续性条件中，m＝1,2,...,ne-1；

全离散的运动学方程为：

限制条件全离散为：

安全距离全离散为：

全离散的轨迹归航模型的目标函数为：；；；

ampl优化单元优化求解全离散的轨迹归航模型及其目标函数，得到每个翼伞无人机的最优轨迹和最优控制曲线；并以每个翼伞无人机的最优轨迹和最优控制曲线作为集中优化的初始猜测求解多个翼伞无人机的归航轨迹；再将验证的归航轨迹验证是否满足状态变量的约束，连续性条件和任意两个翼伞机器人之间的安全距离是否满足；若满足，则将最优轨迹和最优控制曲线输入翼伞驱动控制反演模块；若不满足，则再次计算最优轨迹和最优控制曲线。

进一步，每个翼伞无人机的测量传感器模块向翼伞姿态解算模块发送实时信息；地面控制站设有滚动时域实时控制模块，翼伞驱动控制反演模块的计算结果输入滚动时域实时控制模块，滚动时域实时控制模块将固定间隔时间[0,t]等分成nz段，每段时间尺度为t/nz，滚动时域实时控制模块使ampl优化单元在每段时间尺度优化一次最优轨迹和最优控制曲线；每个翼伞无人机具有滚动时域实时反馈控制模块，滚动时域实时反馈控制模块使舵机每次只执行[0,t/nz]段时间。

进一步，地面控制站具有归航轨迹实时显示模块，归航轨迹实时显示模块将最优轨迹，最优控制曲线和翼伞实时发来的gps位置信息。

基于事件触发的多翼伞无人机控制方法，包括以下步骤：

翼伞无人机执行的控制部分：

1)各个翼伞无人机通过测量传感器单元测得本翼伞无人机的实时信息，实时信息包括：加速度和角速度信息，磁力计确定方位，舵机的实际驱动电流，操纵绳的长度，实时风速和gps位置信息，实时信息传输给地面控制站；

2)接收到地面控制站发来的运动系统的辨识参数信息，参数信息更新后存入各个翼伞无人机的翼伞驱动控制模块和驱动模型检测模块；在驱动模型检测模块，设定操纵绳长度的输出裕值，当翼伞驱动控制模块舵机的操纵绳长度的输出和实际的操纵绳长度的输出匹配不准确时，触发事件应急模块；翼伞驱动控制模块控制舵机，舵机改变伞面到负载的操纵绳长度；

3)各个翼伞无人机接收到翼伞驱动控制反演模块发送的舵机电流输入指令，翼伞驱动控制模块使舵机控制操纵绳长度调节操纵绳长度；

4)由于翼伞无人机的工况变化，最优归航轨迹和实际的运行轨迹都存在一定的偏差，各个翼伞无人机将实时信息发送给地面控制站；

5)每隔固定时长重新接受地面控制站发来的舵机电流输入指令，重新执行3-4步骤；

6)事件应急模块的功能主要有三个：

●当接收自由飞行指令后，迅速停止电流驱动模块的工作。

●当接收到姿态调整命令后，根据地面站发送的电流命令指示，驱动舵机，稳住翼伞无人机的姿态。

●当舵机驱动模型的输出和实际的操纵绳的长度信息匹配不准确触发时，迅速采集驱动电流检测模块和拉绳子的长度信息，传给地面控制站，并启动地面控制站的应急模块。

地面控制站执行的控制步骤如下：

1)地面接收站接收到多个翼伞无人机传递的实时信息，并解算多个翼伞的姿态；

2)建立舵机驱动模型，用于对翼伞无人机的舵机的控制，舵机的输入为舵机为输出为操纵绳长度，采用参数估计方法，根据第1步传递的信息，求解得到具体的驱动模型参数信息，并将辨识的参数传给各个翼伞无人机；

3)根据各个翼伞的位置信息和风速信息，建立多个翼伞无人机模型，用于轨迹规划，输入为拉绳控制变量，输出为x,y,z,θ，翼伞无人机x,y,z,为地球坐标系下的坐标，θ表示转弯角度；设定控制约束，位置约束和各个翼伞之间的安全距离约束、翼伞飞行空域约束，并设定具体的翼伞无人机着落点，作为跟踪目标；

4)对于多个翼伞无人机运动学模型，采用正交配置方法，将状态变量x,y,z,θ和控制变量u在时间上和空间上离散，得到全离散模型，归航轨迹控制问题变为非线性规划问题；

5)利用ampl平台自带的非线性优化求解器，求解步骤4)得到的非线性规划问题，得到归航最优轨迹及最优控制曲线。为了加快多个翼伞无人机的集中优化效率，先对每个翼伞无人机独立采用正交配置，并行优化出归航轨迹，然后将各个的归航轨迹整合成集中优化的初始猜测，完成集中优化；

6)将优化结果放入驱动反演模块，以舵机驱动模型的拉绳输出和最优控制之差为性能指标，反演得到电流驱动变化量，传送给各个翼伞无人机；

7)地面控制站接收底层翼伞控制系统实时发来的位置信息。由于模型、工况等的变化，预设的轨迹信息和翼伞实时位置信息不能完全的匹配上，采用滚动优化策略，每隔一段时间从新执行步骤5)～6)，计算得到电流驱动变化量后，发送给各个翼伞无人机。同时，将优化的轨迹信息和翼伞实时发来的位置信息显示在归航轨迹实时显示模块；

8)事件触发的应急算法的功能主要有三个：

●根据实时接受到的翼伞gps信息，姿态信息(姿态模块解算后的信息)，风速信息，尤其是翼伞之间的相撞产生的翼伞姿态迅速变化等非理想状态，迅速做出自由飞行的指令。

●当自由飞行指令一段时间后，翼伞由于受风、相撞等影响还不能稳住姿态，地面控制站根据姿态的变化，启动姿态调整模块。根据加速度和角速度信息，利用常规pid控制，并将控制信息转化为稳定翼伞无人机姿态的电流信号，传给特定的翼伞系统。

●当接收到翼伞无人机重新辨识舵机驱动模型的指令后，执行地面控制站执行的步骤2)。

本发明的有益效果是：

1、利用地面控制站和翼伞无人机的协同控制，精简地完成一个复杂的多个翼伞无人机的归航轨迹控制问题。

2、整个翼伞无人机包括地面基站控制模块和翼伞控制系统模块。利用了地面基站快速地计算、优化、显示、辨识、反问题求解等强大功能，而翼伞控制系统模块主要负责数据的采集，传输与接收，执行地面基站发送的控制指令等。

3、通过惯性导航单元采集的数据信息和电流模块的检测信息，对舵机驱动模型采用参数估计方法，使得模型更逼近真实物理模型。

4、考虑各个翼伞的安全距离，考虑多个翼伞的协同控制，建立多个翼伞无人机的集中优化问题，并用单独翼伞的轨迹优化作为集中优化的初始值，加速集中优化问题的求解。

5、将各个翼伞无人机的状态变量x,y,z,θ和控制变量u通过正交配置方法，即时间离散，从而将归航轨迹优化问题转化为为一个非线性规划问题，结合ampl自带的优化求解器，直接给出规划最优轨迹和最优控制曲线。

6、根据舵机驱动模型和集中计算所得的各个最优控制曲线，反演得到各个翼伞控制系统的电流驱动变化量。

7、针对各种不同的工况、突然事件和正常运作过程中的辨识模型不匹配问题，设计基于事件触发的单元模块，使得系统更健康地运行。

8.翼伞无人机和地面站都设置滚动时域实时反馈控制模块，基于滚动优化的控制，增强了翼伞无人机对各种工况和干扰的适应能力。

附图说明

图1为本发明单个翼伞无人机的结构示意图。

图2为本发明多个翼伞无人机的系统控制示意图。

图3为本发明多个翼伞无人机的状态变量和控制变量的正交配置方法。

图4为本发明多个翼伞无人机最优轨迹曲线。

图5为本发明多个翼伞无人机算法流程图。

具体实施方式

如图1所示，翼伞无人机的结构示意图，主要由左操纵绳1、右操纵绳2、翼伞3、舵机等几部分组成。

基于事件触发的多翼伞无人机系统，由地面控制站和多个翼伞无人机组成，每个翼伞无人机具有测量传感器模块，翼伞驱动控制模块和舵机，以及驱动模型检测模块，翼伞驱动控制模块使舵机控制操纵绳长度，测量传感器模块测得本翼伞无人机的实时信息，实时信息包括：加速度信息，角速度信息，磁力计确定的方位和操纵绳的长度，以及舵机的实际驱动电流。

地面控制站具有轨迹规划模块，翼伞姿态解算模块，翼伞姿态控制模块,事件应急模块，翼伞驱动辨识模块和翼伞驱动控制反演模块；轨迹规划模块包含多翼伞轨迹归航模型，多翼伞轨迹归航的全离散单元和ampl优化单元。

翼伞姿态解算模块接收测量传感器模块发来的舵机驱动电流信息，加速度信息，角速度信息和操纵绳长度信息，并解算为相应翼伞无人机的姿态，翼伞姿态解算模块设定翼伞姿态的变化裕值，当翼伞无人机的实时姿态变化超过变化裕值，触发事件应急模块；事件应急模块使翼伞驱动控制模块停止工作，翼伞无人机进入自由飞行状态。

翼伞驱动辨识模块建立舵机驱动模型其中为驱动电流的输入，u(t)为操纵绳长度的输出，a为控制系数，b为状态系数；翼伞驱动辨识模块用参数估计法完成对控制系数a和状态系数b的确定，并将控制系数a和状态系数b分别输入翼伞无人机的驱动模型检测模块和翼伞驱动控制模块。

最优操纵绳控制曲线utar输入翼伞驱动控制反演模块，翼伞驱动控制反演模型求解：

目标函数为约束条件为状态约束为其中为翼伞驱动控制模块输出的最小电流，为翼伞驱动控制模块输出的最大电流，为电流随时间的变化函数，求得的结果为电流随时间的具体输入值翼伞驱动控制反演模型获得的电流随时间的具体输入值输入翼伞无人机的翼伞驱动控制模块。

翼伞驱动控制模块只需将来自地面控制站的电流值输入执行机构即可，执行机构即可使操纵绳长度达到要求的目标，翼伞驱动控制模块无需解算操纵绳长度需要对应的使执行机构动作的电流值。

测量传感器模块持续向翼伞姿态解算模块发送信息；事件应急模块被触发指定时长后，若翼伞无人机的姿态变化仍超过变化裕值，翼伞驱动控制模块向舵机输入。稳定翼伞无人机姿态的电流信号

测量传感器模块包括电流测量模块，惯性传感单元，磁力计，gpd定位仪和风速测量模块。

地面控制站具有归航轨迹实时显示模块，归航轨迹实时显示模块将最优轨迹，最优控制曲线和翼伞实时发来的gps位置信息。

本发明算法实现的具体步骤：

1.翼伞无人机(测量传感器模块)：利用惯性传感单元测得多个翼伞无人机实时的加速度a，角速度w信息，磁力计，驱动电流等信息，传输给地面控制站。

2、地面控制站(翼伞姿态解算模块和翼伞驱动辨识模块)：根据多个翼伞无人机实时的加速度a和角速度w信息，结合四元数方法，计算出实时的翼伞姿态信息，设定姿态的变化裕度，如翼伞姿态短时间内剧烈变化，触发事件应急模块。(具体见事件应急模块，第11,12步)

由于舵机驱动模型十分复杂，是非线性、强不确定性的一个动态系统，具体的建模过程非常复杂，也非常难。因此，将翼伞无人机的驱动模型线性化后，用以下动力学模型表示(由于采用基于事件触发单元，动态地调整系数a,b，使得线性化的动力学模型能无限地逼近高阶非线性系统)

式中，为电流的输入，u(t)为具体的操纵绳长度的输出。a,b分别为控制系数和状态系数，由于线性化后，系数都未知，或是精度不高，采用参数估计来完成a,b的系数确定。具体步骤为：

根据第1步，电源测量单元记录参数辨识区间[0,ttest]内电流随时间的变化函数变化情况，记为

记录收的操纵绳长度的输出，记为

根据操纵绳长度的输出，采用智能优化算法(如粒子群优化算法，神经网络算法)，求解最小值其中ttest为参数辨识所需的时间(ttest根据经验而定)；

根据记录的的变化情况，带入方程(1)，数值求解得到u(t)值。继而求解出通过智能优化算法，完成a,b的参数估计。

3、翼伞无人机(翼伞驱动控制模块和驱动模型检测模块)：各个翼伞接收到地面控制站发送的辨识参数信息，更新后存入各个翼伞控制单元的翼伞驱动控制模块和驱动模型检测模块，驱动模型检测模块用于进行舵机驱动模型的输出和实际的操纵绳的长度信息匹配。当舵机驱动模型的输出和实际的操纵绳的长度信息有明显的不准确时(即两者的差值超过设定裕值)，及早地触发事件驱动程序。由于驱动模型的准确性极大地影响整个协调系统的运行，因此在翼伞无人机增加自检功能。

4、地面控制站(多翼伞轨迹归航建模与控制模块)：根据各个翼伞无人机发送的gps位置信息(地球坐标下的三维位置信息)和风速信息建立翼伞无人机的运动学模型

式中，r为翼伞无人机的数量，x^r,y^r,z分别表示第r个翼伞在大地坐标系中的水平x,y和垂直z方向上的位置；v^r表示第r个翼伞的水平飞行速度，代表第r个翼伞的水平风速，vz代表翼伞的的垂直下落速度，θ^r表示第r个翼伞的转弯角度，u^r表示第r个翼伞的控制变量。各个状态的初始条件记为(各个翼伞无人机传送的gps信息和翼伞的姿态信息)。

由于各个翼伞无人机需要在指定区域内运动，我们有如下限制指标

式中，为状态变量x^r的上下界，为状态变量y^r的上下界，为状态变量θ^r的上下界，为控制变量u^r的上下界。由于不能让多个翼伞相互发送碰撞，我们还要设定安全距离：

x^r-x^b≥xmar,y^r-y^b≥ymar,

r＝1,...,r，b＝1,...,r,r≠b,

其中，xmar,ymar为翼伞之间的安全距离。

同时我们期望的降落点和方向为则我们的目标函数定为

t为翼伞无人机的降落总时间；多翼伞同时降落，翼伞的降落时间相同。

5、地面控制站(多翼伞轨迹归航的正交配置模块)：如图3所示的正交配置方法，将状态变量和控制变量在时域中离散成ne份子时间区间(图中虽只画了x^r,y^r，但z,θ^r也可以同样得到)。离散后的时间可以表示为t＝tm+hmτ,0≤τ≤1,。每个子时间区间中，状态变量x^r,y^r,z,θ^r用拉格朗日多项式进行逼近，得到

ks为整数。由于状态变量必须连续，得到：

同样，每个时间区间中，控制变量u用拉格朗日多项式进行逼近，得到

ku为整数。同时我们要求控制变量也连续

图2中我们以ks＝ku＝2为例。

通过正交配置方法，我们已经将状态变量和控制变量在时域中离散，将公式(3)(4)带入(2)得到翼伞无人机的运动学离散方程，完成动力学模型的全离散。

式中，，对于实际过程中，状态变量x^r,y^r,z^r,θ^r和控制变量u^r都会有限制条件，因此，得到

为了翼伞不碰撞，我们有一下约束

目标函数定为

因此，公式(3)-(6)就构成了一个非线性规划问题。

6、地面控制站(多翼伞无人机的ampl优化单元)：优化程序算法模块如下：

利用ampl平台自带的非线性优化求解器并行求解每个翼伞无人机归航轨迹优化的非线性规划问题，得到每个归航最优轨迹及最优控制曲线；

将每个归航最优轨迹和最优控制曲线作为集中优化的初始猜测，求解多个翼伞无人机的归航轨迹；

重点验证多个轨迹优化的状态约束、连续性条件、任意两个翼伞之间安全距离是否满足。

图4给出了三个翼伞控制的轨迹，其中三个翼伞的初始点为分别为目标着落点为[500,1000,0,0]。

7、地面控制站(翼伞驱动反演模型)：步骤6所得的各个翼伞无人机最优操纵绳长度的变化情况utar，根据步骤2所得辨识得到的舵机驱动模型设定以最优控制曲线utar和舵机驱动模型输出为偏差的性能指标即求解问题

其中分别为电流驱动器输出的最小电流和最大电流。反问题迭代求解得到电流随时间的具体输入值即步骤6得到最优操作绳长度u(t)，步骤2得到控制系数a,和状态系数b，反演计算得到电流输入

8、翼伞无人机(翼伞驱动控制模块)：各个翼伞无人机接收到翼伞驱动反演模块发送的电流输入指令及电流的输入值控制底层电流的输出，经过翼伞驱动控制模块调节拉绳的控制了；

9、地面控制站(滚动时域实时控制模块)：由于模型的误差、工况变化等原因，地面控制站收到的最优运行轨迹和实际的运行轨迹会有一定的偏差，因此我们将第7步翼伞驱动控制反演模块给出的计算结果输入滚动时域实时控制模块，滚动时域实时控制模块将固定间隔时间[0,t]等分成nz段，每段时间尺度为t/nz，滚动时域实时控制模块使ampl优化单元在每段时间尺度优化一次最优轨迹和最优控制曲线；每个翼伞无人机具有滚动时域实时反馈控制模块，滚动时域实时反馈控制模块使舵机每次只执行[0,t/nz]段时间。

然后，地面工作接收底层翼伞控制系统实时发来的位置信息和风速信息，更新地面控制站中的

将优化的轨迹信息和翼伞实时发来的位置信息显示在地面控制站的同时，重新做第6—8步骤，滚动优化直至翼伞安全、精准地降落。

10、翼伞无人机(滚动时域实时控制模块)：接受地面控制站滚动时域实时控制模块发送的滚动优化的电流驱动信号，并将电流驱动信号反馈给翼伞的电流驱动模型。翼伞无人机的滚动时域实时控制模块与地面控制站滚动时域实时控制模块相匹配，地面控制站是滚动控制模块的命令制定者，翼伞无人机的滚动时域实时控制模块是具体滚动控制的执行者。

11、地面控制站(事件应急模块)：事件触发的应急模块的功能主要有三个：

根据实时接受到的各个翼伞gps信息，姿态信息，风速信息，尤其是翼伞之间的相撞，翼伞底层指令执行错误等造成对一些短时间的翼伞姿态的迅速变化等的非正常状态。在地面控制站中设定姿态的变化裕度，如角速度变化裕值αy和加速度变化裕值wy，设定当收到的姿态信息超过这个限度后，迅速发出自由飞行的指令。

当自由飞行指令后，翼伞无人机由于受风等影响还不能稳住姿态，就要，迅速启动姿态调整模块，根据当前的加速度α和角速度w信息，利用常规pid控制稳住翼伞系统，解算出翼伞电流驱动信号，发给特定翼伞系统。

收到重新辨识舵机驱动模型，执行步骤2，辨识参数后发送给翼伞无人机。

12、翼伞无人机(事件应急模块)：

发出自由飞行的指令，暂时停止电流驱动输入，让翼伞处于自由飞行状态。对于翼伞姿态的剧烈变化的情况，十分复杂。通过自由飞行的模式，使得飞行姿态能尽快地慢下来。然而针对大风、尤其是多个翼伞无人机相互碰撞的情况十分复杂，自由飞行模式的作用有限。

收到姿态调整的指令后，接收相应电流信号，驱动舵机，稳住翼伞无人机的姿态，让翼伞无人机能安全的着落。

当舵机驱动模型的输出和实际的操纵绳的长度信息匹配超过一定的裕值时，迅速采集当前的翼伞无人机的电流和拉绳信息并向下位机发送，重新辨识舵机驱动模型。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。