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技术

本发明专利技术一种四旋翼无人机姿态动态特性模型，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

【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 辨识数据，根据数据进行四旋翼无人机对象的实验建模。对于四旋翼无人机对象而言，由于 其机理模型的准确表达式难以获得且其中的有关参数难以准确得到，因此使用机理建模方式 获得的物理模型有相当大的局限性。而实验建模方式可以通过系统的输入输出数据，采样系 统辨识的方法获得系统的模型，得到的模型抗干扰能力更强，但采用不同的辨识模型其建模 效果会有很大的不同。在获得四旋翼无人机对象的模型后，可以将其作为预测模型，进而以 此为基础设计预测控制算法。由于系统的实际输出无法实现像期望输出一样的快速变化，因 此传统预测控制算法中常常添加一个固定的柔化因子对参考轨迹进行柔化以获取较好的控制 效果。但采用固定柔化因子方法的预测控制有时难以达到满意的结果。

技术实现思路

[0003]针对上述四旋翼无人机的实验建模问题，本专利技术提出了一种结合卷积神经网络与 SD
‑
ARX模型的ReCNN
‑
ARX模型，用于描述四旋翼无人机姿态的动态变化特性。该模型结 合了残差卷积网络的非线性参数拟合能力和SD
‑
ARX模型的非线性系统表征能力，是一种局 部线性化、全局非线性的模型。残差卷积网络结构灵活可变，相比普通卷积网络，它可以更 好地解决建模中的梯度消失问题；SD
‑
ARX模型则通过选取与系统相关的历史状态变量，可 以全面地表征系统的非线性动态特性。
[0004]针对上述四旋翼无人机姿态的预测控制算法设计问题，本专利技术还提出了一种基于 ReCNN
‑
ARX模型的柔化因子自适应的四旋翼无人机姿态预测控制算法，将柔化因子和输出 信号实际值与期望值之间的偏差联系起来，根据偏差大小的不同，对柔化因子进行在线修正， 从而可以获得比传统的采用固定柔化因子的预测控制算法更好的控制效果。
[0005]本专利技术提供一种四旋翼无人机姿态动态特性模型及其辨识方法、基于构建的特性模型的 四旋翼无人机姿态自适应柔化因子预测控制算法，以提高四旋翼无人机姿态动态特性模型的 预测精度、改善预测控制的效果。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：一种四旋翼无人机姿态动态特性的 ReCNN
‑
ARX模型，该模型表达式为：
[0007][0008]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。
[0009]上述四旋翼无人机的ReCNN
‑
ARX模型的状态相依系数通过下面的ReCNN(残差卷积网 络)模型计算得到：
[0010][0011]其中，是四旋翼无人机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，分别表示四旋翼无人机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。
[0012]四旋翼无人机的ReCNN
‑
ARX模型具有显著的模块化的特点，其中的残差卷积神经网络 部分包括以下模块：
[0013](1)输入层，用于接收输入状态向量input；
[0014](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；
[0015](3)全连接层，用于处理经过扁平化后的特征图；
[0016](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。
[0017]四旋翼无人机的ReCNN
‑
ARX模型的辨识方法，包括以下步骤：
[0018](a)获取四旋翼无人机的输出/输入数据作为ReCNN
‑
ARX模型的辨识数据；
[0019](b)选择ReCNN
‑
ARX模型的输出/输入变量阶次ny、nu，以及模型的结构参数M1、 M2、n；
[0020](c)对所述模型参数赋初值；
[0021](d)对所述模型进行前向本文档来自技高网...

【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：