一种基于ArduPilot的固定翼无人机自动驾驶自适应控制系统

一种基于ardupilot的固定翼无人机自动驾驶自适应控制系统
技术领域
1.本发明属于飞行器控制技术领域，具体涉及一种固定翼无人机自动驾驶自适应控制系统。


背景技术：

2.采用先进的控制方法设计无人机的自动驾驶仪控制系统对提高无人机的自主飞行能力有极大作用。现有应用于无人机的几种控制方法本质上都是基于模型的，例如鲁棒控制和最优控制。然而，基于模型的方法必须依赖无人机和环境的精确数学模型。但是在现实生活中，很难获得一个考虑环境对无人机动力学影响的精确数学模型。因此，基于模型的控制方法可以用自适应控制或智能控制方法来扩充或替代，这些方法可能会处理一些不确定性。
3.固定翼无人机的控制需要自动驾驶仪设计中的一些简化假设。最典型的简化是关于解耦动力学，例如假设滚转/俯仰/偏航动力学不相互影响。虽然比例积分微分(proportion integration differentiation，pid)方法在标准情况下是足够的，但有些情况下空气动力学效应和质量/惯性变化将大大降低这些传统自动驾驶定律的有效性。在这种情况下，为了保持小的跟踪误差和适当的增益裕度，需要在自动驾驶回路中增加对未建模动态的鲁棒性或对不确定动态的适应性。


技术实现要素：

4.发明目的：本发明的目的是提供一种基于ardupilot的固定翼无人机自动驾驶自适应控制系统，用无模型自适应控制方法来增强嵌入在ardupilot中的pid控制回路，可显著提高无人机姿态和总能量控制的性能。
5.技术方案：本发明所述的一种基于ardupilot的固定翼无人机自动驾驶自适应控制系统，包括：输入模块，用于输入无人机的量测数据及模型参数；总能量控制系统，用于以自适应的方式将无人机的动能转化为势能并保持动能和势能之间的分配平衡；低水平控制模块，用于对无人机的滚转、俯仰和偏航进行自适应控制；以及输出模块，用于输出对无人机的控制参数。
6.进一步地，总能量控制系统包括动能控制回路和势能控制回路，动能控制回路以动能误差及其导数作为输入的动能控制自适应模块对无人机的油门变化控制信号进行增广，势能控制回路以势能误差及其导数作为输入的势能控制自适应模块对无人机的升降翼变化控制信号进行增广。
7.进一步地，无人机的油门变化控制信号为：
[0008][0009]
[0010]
在前馈项t
ff
中，td是抵消阻力所需的平衡推力，k
t，ff
是控制前馈量的参数，是用于解释飞机倾斜过程中增加的阻力的参数，分别为关于推力能量控制的比例控制参数、积分控制参数，t0～t为积分时间，e
t，c
为指令高度和空速的无人机动能和势能的能量总和，表示e
t，c
的变化率，e
t
为无人机动能和势能的能量总和，φ表示无人机滚转角。
[0011]
进一步地，无人机的升降翼变化控制信号为：
[0012][0013]kpθ
、k
dθ
、k
iθ
分别表示关于升降翼能量控制的比例控制参数、积分控制参数和微分控制参数，va为无人机空速，g是重力加速度，e
d，c
为指令高度和空速的无人机势能与动能的能量差，ed为无人机势能与动能的能量差。
[0014]
进一步地，低水平控制模块包括滚转角控制回路、俯仰角控制回路以及偏航角控制回路，在滚转角控制回路中，滚转角由关于副翼变化控制的pid回路输出和关于副翼变化控制的mfac回路输出共同控制；在俯仰角控制回路中，俯仰角由关于升降翼变化控制的pid回路输出和关于升降翼变化控制的mfac回路输出共同控制；在偏航角控制回路中，偏航角由关于方向舵变化控制的pid回路输出和关于方向舵变化控制的mfac回路输出共同控制。
[0015]
进一步地，关于副翼变化控制的pid回路输出的滚转角为：
[0016][0017]
其中lim1表示第一限幅滤波，φc表示期望的滚转角，φ表示无人机滚转角，τ
φ
为关于滚转角的时间调谐参数，scaler是一个标量参数，为关于滚转角的时间调谐参数，scaler是一个标量参数，分别是关于滚转角的比例控制参数、积分控制参数和微分控制参数。
[0018]
进一步地，关于升降翼变化控制的pid回路输出的俯仰角为：
[0019][0020]
其中lim2表示第二限幅滤波，bank
θ
指侧倾补偿的倾斜角，θc为期望的俯仰角，θ为无人机俯仰角，τ
θ
是关于俯仰角的时间调谐参数，分别是关于俯仰角的比例控制参数、积分控制参数和微分控制参数。
[0021]
进一步地，关于方向舵变化控制的pid回路输出的偏航角为：
[0022][0023]
其中high指高通滤波器，ψ表示无人机偏航角，表示角速度，bank
ψ
指用于转弯协调的角度，分别是关于偏航角的比例控制参数、积分控制参数和微分控制参数，ay指偏航角的加速度。
[0024]
进一步地，动能控制自适应模块、势能控制自适应模块、关于副翼变化控制的mfac回路、关于升降翼变化控制的mfac回路、关于方向舵变化控制的mfac回路均按照以下公式计算输出信号：
[0025][0026]
其中是辅助增益，λ为加权因子，u(k)为控制输入，为k时刻的控制输出，ny，nu∈z
+
为输出和输入的两个未知阶数，yd为期望输出信号，ly、lu分别是控制输出线性化长度常数和控制输入线性化长度常数，表示由k时刻及其之前的输入或输出数据组成的回归向量。
[0027]
有益效果：本发明实现了如何用无模型自适应控制方法来增强嵌入在ardupilot中的pid控制回路，这种增强策略被用于姿态和总能量控制。自适应增强不需要无人机的显式模型，但它使用输入/输出数据来构建伪线性模型。这种增强的体系结构在软件在环无人机平台上进行测试，存在几个不确定性，如由未建模的低层动力学和无人机的不同有效载荷表示。根据姿态和总能量控制回路的跟踪误差来测量性能，使用原始ardupilot和本发明的mfac增强控制方法进行的大量软件在环实验表明，本发明增强控制可以显著提高无人机的性能，无人机受风的影响较小，跟踪误差提高了63％以上，并保持所有有效载荷的一致性能。
附图说明
[0028]
图1是根据本发明的基于ardupilot的固定翼无人机自动驾驶自适应控制系统结构框图；
[0029]
图2是根据本发明的自动驾驶自适应控制系统中滚转控制回路结构示意图；
[0030]
图3是根据本发明的自动驾驶自适应控制系统中俯仰角控制回路结构示意图；
[0031]
图4是根据本发明的自动驾驶自适应控制系统中偏航控制回路结构示意图；
[0032]
图5是根据本发明的自动驾驶自适应控制系统中总能量控制系统回路结构示意图；
[0033]
图6是根据本发明的示例一的无人机负载0.75kg下原始pid控制和mfac增强控制下的路径对比示意图；
[0034]
图7是根据本发明的示例二的无人机负载1kg下原始pid控制和mfac增强控制下的路径对比示意图；
[0035]
图8是根据本发明的示例三的无人机负载1.5kg下原始pid控制和mfac增强控制下的路径对比示意图。
具体实施方式
[0036]
为了对本发明的技术方案的特征、优点有更清楚的了解，下面结合附图对具体方案的组成以及实施做出说明。
[0037]
面对无人机飞行中的不确定性，用自适应控制或智能控制方法来扩充或替代传统的基于模型的控制方法是一个可行的思路。在自动驾驶仪中进行自适应设计有两条路线：第一条是定义一种全新的控制架构，有助于嵌入适当的自适应律；第二条是承认过分背离
开源自动驾驶的架构可能接受度低，因此适应律应该与这些已建立的开源架构相结合考虑到被接受的可能性更高，第二条路线激发了保持现有自动驾驶架构并使这些架构具有适应性的研究。实现这一目标的一个合理方法是无模型自适应控制(model-free adaptive control，mfac)，其基本思想是在当前工作点建立非线性系统的动态线性数据模型：这是利用受控系统的输入/输出数据来估计一组伪偏导数。这些导数用于通过一步超前控制器优化成本。因此，无模型自适应控制属于一大类数据驱动控制方法，它们只依赖输入和输出，而不了解系统模型。这个系列中的其他代表性方法有迭代反馈调谐(iterative feedback tuning，ift)、虚拟参考反馈调谐(virtual reference feedback tuning，vrft)、非伪控制等等。
[0038]
已有开源自动驾驶系统如pixhawk、ardupilot、navio等，在不断发展中，其中ardupilot是广泛使用的一个开源的无人机软件套件，由一个大型无人机社区开发和维护。根据发明人的探索，在本发明中实现了如何用无模型自适应控制方法来增强嵌入在ardupilot中的pid控制回路。这种增强策略被用于姿态和总能量控制。自适应增强不需要无人机的显式模型，但它使用输入/输出数据来构建伪线性模型。这种增强的体系结构在软件在环无人机平台上进行测试，存在几个不确定性，如由未建模的低层动力学和无人机的不同有效载荷表示。根据姿态和总能量控制回路的跟踪误差来测量性能，使用原始ardupilot和本发明的mfac增强控制方式进行的大量软件在环实验表明，本发明增强控制可以显著提高无人机的性能，无人机受风的影响较小，跟踪误差提高了63％以上，并保持所有有效载荷的一致性能。在以下描述中，无人机和飞行器、uav可互换地使用。
[0039]
参照图1，本发明的基于ardupilot的固定翼无人机自动驾驶自适应控制系统包括：输入模块，用于输入无人机的量测数据及模型参数；总能量控制系统，用于以自适应的方式将无人机的动能转化为势能并保持动能和势能之间的分配平衡；低水平控制模块，用于对无人机的滚转、俯仰和偏航进行自适应控制；以及输出模块，用于输出对无人机的控制参数。其中，总能量控制系统包括动能控制回路和势能控制回路，动能控制回路以动能误差及其导数作为输入的动能控制自适应模块对无人机的油门变化控制信号进行增广，势能控制回路以势能误差及其导数作为输入的势能控制自适应模块对无人机的升降翼变化控制信号进行增广；低水平控制模块包括滚转角控制回路、俯仰角控制回路以及偏航角控制回路，在滚转角控制回路中，滚转角由关于副翼变化控制的pid回路输出和关于副翼变化控制的mfac回路输出共同控制；在俯仰角控制回路中，俯仰角由关于升降翼变化控制的pid回路输出和关于升降翼变化控制的mfac回路输出共同控制；在偏航角控制回路中，偏航角由关于方向舵变化控制的pid回路输出和关于方向舵变化控制的mfac回路输出共同控制。
[0040]
下面对各系统的组成部分以及各组成部分之间的配合关系做出详细说明。
[0041]
(1)滚转roll/俯仰pitch/偏航yaw线性设计模型
[0042]
由于ardupilot架构本质上是基于滚转/俯仰/偏航的pid控制，因此需要理解如何获得滚转/俯仰/偏航动态的线性模型。固定翼的动力学可以大致分解为横向运动(包括滚转角和航向角)和纵向运动(包括空速、俯仰角和高度)。对于横向动力学，用于影响横向动力学的操纵面是副翼δa和方向舵δr。副翼主要用于影响滚转速率p，而方向舵主要用于控制飞机的偏航角ψ。在一些简化的假设下可以获得副翼和滚转角之间的二阶动力学：
[0043][0044]
其中s表示拉普拉斯算子，φ表示滚转角，是关于滚转角的来自无人机动力学线性化的系数，而是关于滚转角的考虑未建模的动力学的扰动。
[0045]
此外，还可以获得滚转角和航向角之间的一阶动力学：
[0046][0047]
其中x是航向角，vg表示地面速度，即无人机相对于地面的速度，d
χ
是一个关于航向角的考虑未建模的动力学的扰动。
[0048]
低水平控制包括滚转角控制，俯仰角控制和偏航角控制。上述这些二阶和一阶动态的级联可用于设计级联的用于低水平侧倾控制的pid回路。级联控制(也称为连续闭环)背后的基本思想是围绕一阶或二阶系统动力学连续闭合几个简单的反馈环。
[0049]
对于侧滑，可以得到方向舵和侧滑角β之间的一阶动力学：
[0050][0051]
其中，是关于侧滑角的来自无人机动力学线性化的系数，而d
β
是关于侧滑角的未建模动力学的干扰因素，δr表示方向舵变化的控制信号。这些一阶动力学可以用来设计另一个用于低水平偏航控制的pid回路。
[0052]
对于纵向动力学，用于影响纵向动力学的控制信号是升降翼δe和油门δ
t
。升降翼用于直接影响俯仰角θ，俯仰角可用于操纵高度h和空速va。在一些简化的假设下，可以获得升降翼和俯仰角之间的二阶动力学：
[0053][0054]
其中是关于俯仰角的来自无人机动力学线性化的系数，而是关于俯仰角的考虑未建模动力学的扰动。这些二阶动态特性可用于设计用于低水平俯仰控制的级联pid回路。
[0055]
(2)级联控制
[0056]
在ardupilot中，术语“级联控制”指的是用于控制不同动态的基于pid的环路。同时，ardupilot的级联控制使用了一些比例因子。例如，在滚转控制回路中，引入了一个比例因子，以根据空速缓和副翼的控制动作。换句话说，比例因子代表这样一个事实，即在高速时副翼表面应该移动得更少，而在低速时它们应该移动得更多。比例因子是：
[0057][0058]
其中v
a，scal
为标称巡航速度，默认情况下，该值为15m/s。
[0059]
参照图2所示的最终滚转控制回路，其中扩展加入了一个自适应模块，该模块以滚转角和期望的滚转角作为输入。为简洁起见，不再详细讨论其他低水平控制回路，仅报告控制方案。低水平滚转角控制是：
[0060][0061]
其中lim1指一种有限滤波，φc为期望的滚转角。τ
φ
∈[0.4，1]，τ
φ
是一个关于滚转角的调谐参数，可以看作是时间常数，以秒为单位。积分时间从t0到t。这里将scaler作为一个标量参数，则分别是关于滚转角的比例控制参数、积分控制参数和微分控制参数。
[0062]
俯仰控制方案如图3所示，以一个自适应模块扩充了环路，该模块以俯仰角和期望的俯仰角作为输入。低水平俯仰角控制是：
[0063][0064]
其中lim2指另一个有限滤波，bank
θ
指侧倾补偿的倾斜角。θc为期望的俯仰角。τ
θ
是一个关于俯仰角的调谐参数，可以看作是时间常数，以秒为单位。则分别是关于俯仰角的比例控制参数、积分控制参数和微分控制参数。
[0065]
偏航控制方案如图4所示，环路被一个自适应模块增强，该模块以偏航角和偏航角加速度作为输入。低水平偏航角控制为：
[0066][0067]
其中high指高通滤波器，符号上加一点指变化率，即角速度，bank
ψ
指用于转弯协调的角度。分别是关于偏航角的比例控制参数、积分控制参数和微分控制参数，ay指偏航角的加速度。
[0068]
值得指出的是，在转向机动过程中，俯仰和方向舵控制都有一定的补偿作用。
[0069]
针对总能量控制系统，可以看出，空速可用δ
t
来控制，高度可用δe来控制。很明显，高度动力学和空速动力学并不是完全解耦的：例如，对于一个恒定的推力，空速将改变，取决于是否无人机俯仰或下降。换句话说，俯仰可以将飞行器的一些动能转化为势能。基于这种情况，提出一个称为总能量控制系统(total energy control system，tecs)的基于能量考虑的控制设计。
[0070]
考虑下列标准定义：动能势能因此，可以得到能量率其中，g为重力加速度，h为高度，参数带一点指变化率，一般是一阶导数，空速va可以从无人机上的加速度计获得。另一方面，得到近似版本的典型方法是：在无风的情况下，vg与水平面的夹角为飞行路径角，所以其中vg表示地面速度，即无人机相对于地面的速度。根据能量定义，可以定义指令高度和空速(v
a，c
，hc)的能量，e
p，c
＝ghc，期望的能量率随之而来。总能量和能量差可以定义为：
[0071]et
＝ek+e
p
，ed＝e
p-ek[0072]et，c
＝e
k，c
+e
p，c
，e
d，c
＝e
p，c-e
k，c
ꢀꢀ
(9)
[0073]
定义e
t
的原因是：假设飞行路径和攻角α很小，推力fp和阻力d方向对齐，力平衡为
[0074]
这本质上证明了改变推力将按比例改变能量进入飞机的比率。因此，推力被用来控制总能量，这是通过一个带有前馈项的pid环完成的：
[0075][0076][0077]
在前馈项t
ff
中，td是抵消阻力所需的平衡推力，k
t，ff
是控制前馈量的参数，是用于解释飞机倾斜过程中增加的阻力的参数。分别为关于推力能量控制的比例控制参数、积分控制参数。
[0078]
另一方面，从物理学的考虑可知，升降翼的偏转近似是能量守恒的，即允许将势能交换为动能，反之亦然。换句话说，升降翼可以用来控制能量分布。这是通过定义一个指令螺距θc来完成的，通过另一个带前馈的pid环路控制：
[0079][0080]kpθ
、k
dθ
、k
iθ
分别表示关于升降翼能量控制的比例控制参数、积分控制参数和微分控制参数。
[0081]
tecs方案总体如图5所示，有两个回路，一个是动能控制回路，一个是势能控制回路，分别以动能误差、势能误差及其导数作为输入的两个自适应模块对环路进行增广。需要注意的是，尽管所有的ardupilot文档中的pid循环是在连续时间中提供的，所有这些控制器最终都是离散的，以供实际实现。
[0082]
下面介绍无模型自适应控制，以便更容易理解如何在ardupilot架构中采用这种方法。
[0083]
考虑一个未知的离散时间单输入单输出(siso)非线性系统y(k+1)＝f(y(k)，y(k-1)，...，y(k-ny)，u(k)，...，u(k-nu))，其中u(k)∈r，y(k)∈r为控制输入，y(k)∈r为系统在k时刻的输出，ny，nu∈z
+
为输出和输入的两个未知阶数，f为未知非线性函数。在某些正则性假设下(非线性动力学f(
·
)满足lipschitz连续性，f(
·
)对所有变量的偏导数都是连续的)，得到系统可以转化为对任意k有b表示任意常数，是一个向量，它包括一个输入相关的移动时间窗[k-lu+1，k]中的所有控制输入信号和一个输出相关的移动时间窗[k-ly+1，k]中的所有系统输出信号。其中的元素表示由k时刻及其之前的输入/输出数据组成的线性或非线性回归向量。ly(1≤ly≤ny)和lu(1≤lu≤nu)这两个整数称为系统的伪阶数，用它们来定义控制律的阶数。ly、lu这两个常数也分别称为控制输出线性化长度常数和控制输入线性化长度常数。此时，无模型自适应控制考虑以下成本函数j(u(k))＝|yd(k+1)-y(k+1)|2+λ|u(k)-u(k-1)|2，
其中λ＞0为加权因子，yd(k+1)为期望输出信号。成本j表示参考跟踪和控制努力之间的权衡。注意，成本函数取决于要设计的输入。控制输入信号u(k)为：
[0084][0085]
其中是一种辅助增益，使控制器算法更加灵活。为了实现这个控制器，考虑以下使用被控设备的输入/输出闭环数据的新成本函数：
[0086][0087]
其中，μ＞0是一个权重因子，是的估计值。最小化成本函数可以得到：
[0088][0089]
其中η∈(0，2]，ε为表示梯度估计更新步骤的常数。
[0090]
在本发明中实现了ardupilot与mfac的集成。图2～图5给出了基于mfac的固定翼无人机自动驾驶控制系统的系统结构。控制系统设计是模块化的，在ardupilot中在低水平控制(滚转roll/俯仰pitch/偏航yaw)和总能量中集成了无模型自适应控制方法和总能量控制系统(tecs)。标准ardupilot架构的五个回路中每个回路所使用的增益列表如表1所示。相应的增益可以在图2～图5中找到。同时，标准的ardupilot架构集成了mfac方案，只需要选择回归量的顺序(在实验中，总是选择ny＝2，nu＝1)和输入/输出数据。五个循环中使用的所有参数的列表mfac见表2。
[0091]
表1低水平控制及tecs增益
[0092][0093]
表2 mfac中用到的参数
[0094][0095]
参照图2～图5，y和yd是自定义的量，y指实际输出，yd为期望输出，y-yd则为误差。这些回路具体是：
[0096]
(a)滚转角回路：
[0097]
y＝φ，yd＝lim1(ω
φ
(φ
c-φ))
ꢀꢀ
(16)
[0098][0099]
其中lim指限幅滤波器，act_roll∈{0，1}是用于激活或去激活滚转角控制自适应模块的二进制增益，为关于副翼变化控制的pid回路输出，其具体计算方式由式(6)给出，为关于副翼变化控制的mfac回路输出，其具体计算方式由式(13)给出。
[0100]
(b)俯仰角回路：
[0101]
y＝θ，yd＝lim2(ω
θ
(θ
c-θ))+bank
θ
ꢀꢀ
(18)
[0102][0103]
其中act_pitch∈{0，1}是用于激活或去激活俯仰角控制自适应模块的二进制增益，为关于升降翼变化控制的pid回路输出，其具体计算方式由式(7)给出，为关于升降翼变化控制的mfac回路输出，其具体计算方式由式(13)给出。
[0104]
(c)偏航角回路：
[0105][0106][0107]
其中high为高通滤波器，bank
ψ
为转弯协调的倾斜角度，其中act_slip∈{0，1}是用于激活或去激活偏航角控制自适应模块的二进制增益，为关于方向舵变化控制的pid回路输出，其具体计算方式由式(8)给出，为关于方向舵变化控制的mfac回路输出，其具体计算方式由式(13)给出。
[0108]
(d)tecs1回路：
[0109]
y＝e
t
，yd＝e
t，c
ꢀꢀ
(22)
[0110][0111]
其中act_tecs1∈{0，1}是用于激活或去激活动能控制自适应模块的二进制增益，为关于油门变化控制的pid回路输出，其具体计算方式由式(11)给出，为关于油门变化控制的mfac回路输出，其具体计算方式由式(13)给出。
[0112]
(e)tecs2回路：
[0113]
y＝ed，yd＝e
d，c
ꢀꢀ
(24)
[0114]
[0115]
其中act_tecs2∈{0，1}是用于激活或去激活势能控制自适应模块的二进制增益，为关于指令螺距θc的pid回路输出，其具体计算方式由式(11)给出，为关于指令螺距θc的mfac回路输出，其具体计算方式由式(13)给出。
[0116]
本发明第一次将无模型自适应控制集成到一个完整的基于ardupilot的自动驾驶系统架构中。这意味着最初的ardupilot架构没有被修改，而只是增加了适应功能，这可以提高无人机界对采用这种方法的接受度。值得一提的是，无模型自适应控制方法集成在低水平控制(滚转/俯仰/偏航)和ardupilot的总能量控制系统(tecs)中，替代了最初的都由pid回路组成的ardupilot低水平控制和tecs，实现了对无人机跟踪性能和总能量控制性能的极大提升。通过使用原始pid和增广pid+mfac回路的不同组合，实验表明无模型自适应控制增广总是有益于ardupilot体系结构的任何回路。在存在几个不确定性的情况下(由未建模的低层动力学和uav的不同有效载荷表示)，使用真实的半实物仿真来验证架构。ardupilot功能是根据ardupilot文档和代码在matlab中仿真的，这允许执行软件在环仿真。
[0117]
为了验证本发明系统的性能，进行了对比性的实验。图6～图8分别示出了无人机负载0.75kg(示例一)、1kg(示例二)、1.5kg(示例三)设置下利用原始pid控制和本发明mfac增强控制下的路径对比示意图。示例中原始的ardupilot架构用作基准性能。此外，为了评估原始ardupilot架构增加不同循环的效果，将检查不同的组合(例如，只增加一个循环，或增加两个循环，或增加三个循环，等等)。最终，原始ardupilot架构的所有五个循环都通过适应性增强。每个循环的代价误差计算为：
[0118][0119]
其中t
fin
表示仿真的总步长，yd、y和u为ardupilot的三个低水平控制(滚转/俯仰/偏航)和两个tecs适当选择的输入/输出数据。换句话说，计算成本时考虑了飞行期间的跟踪误差(例如滚转误差、俯仰误差、偏航误差和tecs中的两种能量误差)和控制增益。改进的百分比，即误差成本的减少，是相对于原始的ardupilot架构计算的。
[0120]
结果表明：mfac增加性能总是比不加要有益。最终，当原始ardupilot架构的所有五个循环都进行了适应性增强时，获得了最佳的改进。所有质量的改进都是一致的：例如，在63.4％～78.1％范围内，完全增强导致一致的改进。通过姿态跟踪误差和总能量控制回路来测量性能。广泛的模拟实验与原始ardupilot和所提出的增强方法都表明，增强方法可以显著提高无人机的性能，并保持所有载荷的性能一致。