【技术实现步骤摘要】
一种四旋翼无人机姿态动态特性模型、辨识方法及自适应柔化预测控制方法
[0001]本专利技术涉及四旋翼无人机的姿态控制领域,提出了一种描述四旋翼无人机姿态非线性动 态特性的ReCNN
‑
ARX模型及其辨识方法,结合了残差卷积神经网络的非线性拟合能力和 SD
‑
ARX模型的系统表征能力,在任意时刻,根据当前和历史的四旋翼无人机状态预测飞行 器下一时刻的姿态,为基于该模型的预测控制方法提供一个预测对象未来动态行为的模型。 同时提出了一种采样自适应柔化因子的基于ReCNN
‑
ARX模型的四旋翼无人机姿态预测控制 方法,将柔化因子与控制误差相关联,对柔化因子在不同的控制阶段进行调整,以获取更好 的控制效果。
技术介绍
[0002]目前,四旋翼无人机在实际生活中的应用越来越广泛,如下述场景:某大型金属冶炼厂 区,由于工作和管理需要,需监测厂区各点的温度、湿度等环境参数;需监测厂区空气环境 指数等,传统方法既耗费大量人力物力财力其效果欠佳,但通过四旋翼无人机搭配各仪器则 能够快速方便准确的实现上述工作,但是上述工作对四旋翼无人机姿态控制精度的要求也非 常高。四旋翼无人机作为一个复杂系统,具有快速、强非线性、强耦合性、多输入多输出等 特点,这为控制算法的设计带来了难度。在进行控制研究之前,通常需要对被控对象建立合 理的模型以便控制器的设计。建模的方式一般分为机理建模和实验建模。对四旋翼无人机而 言,常通过动力学分析建立其物理模型;或者应用一种基础的控制方法进行控制实验并获取 辨识 ...
【技术保护点】
【技术特征摘要】
1.一种四旋翼无人机姿态动态特性模型,其特征在于,使用四旋翼无人机的三个姿态角作为输出、四旋翼无人机的四个旋翼电机电压作为输入,建立四旋翼无人机的ReCNN
‑
ARX动态特性模型,其表达式如下所示:其中,y(t)表示t时刻四旋翼无人机的实际姿态角输出,分别为俯仰角φ(t)、翻转角θ(t)、偏航角ψ(t);u(t)表示t时刻四旋翼飞行器四个电机的电压;是t时刻的状态相依偏移量;ny、nu分别是模型的输出和输入阶次,是状态相依系数矩阵;上述ReCNN
‑
ARX动态特性模型的状态相依系数通过ReCNN(残差卷积网络)模型计算得到,其模型如下:其中,是ReCNN
‑
ARX模型中状态相依系数矩阵的元素;h
i
(t)表示残差卷积网络全连接层的输出,分别表示ReCNN
‑
ARX模型中的偏移项系数、输出
项系数与输入项系数中的偏置参数;W
i
、b
i
表示残差卷积网络全连接层的权重参数和偏置参数,g(
·
)表示全连接层的激活函数;表示第i个残差卷积网络中第r个残差块中的第l个卷积层的第j个特征图,M1、M2分别表示残差块中第一、三个卷积层的卷积核数目与第二个卷积层的卷积核数目;表示第t个时刻,第n个残差块的所有输出特征图经过扁平化得到的一维向量,f(
·
)表示卷积层的激活函数,表示第r个残差块的第j个特征图,是第一个残差块的输入向量,即残差卷积网络的输入向量input=[y(t
‑
1)
T y(t
‑
2)
T
ꢀ…ꢀ
y(t
‑
d)
T
]
T
,d是输入向量的维数。2.根据权利要求1所述的一种四旋翼无人机姿态动态特性模型,其特征是所述残差卷积网络包括以下模块:(1)输入层,用于接收输入状态向量input;(2)多个由卷积层组合形成的残差块,用于对输入向量input进行残差卷积运算,通过激活函数和每个卷积层的权值参数计算输出特征图,并作为下一个残差块的输入;反向传播时,残差块提供梯度上升的旁路,将输出层的梯度上传到靠近输入层,使得输入层的参数可以正常更新,避免了梯度消失的问题;(3)全连接层,用于处理经过扁平化后的特征图;(4)输出层,可以看作一个没有激活函数的全连接层,只进行线性运算。输出层将全连接层输出的特征经过线性组合后获得ReCNN
‑
ARX模型的状态相依系数。3.一种四旋翼无人机姿态动态特性模型的辨识方法,包括以下步骤:(S1)获取...
【专利技术属性】
技术研发人员:许红兵,付雷,彭辉,胡铜生,吴强,洪小兵,朱兵,俞显平,胡涌,王亚夔,蒋永红,黄其斌,黄玮玲,韩松山,许润国,侯锦贤,黄永冠,刘凡,方健,翟祥民,
申请(专利权)人:铜陵有色金属集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。