一种复杂操纵面飞机的智能飞行控制方法及应用技术

本发明专利技术公开了一种复杂操纵面飞机的智能飞行控制方法及应用，将复杂操纵面飞机6自由度飞行控制分为外环航迹机动决策与内环姿态控制两个层次加以实现，其中外环航迹机动决策由人工智能方法实现,相较于传统的采用线性增益调度控制律的飞行器外环控制方法，这样得到的智能决策机更加容易实现，同时由于结合成熟的内环姿态控制技术，使得该智能飞行控制方法具有更好的可靠性，有利于工程应用。有利于工程应用。有利于工程应用。

【技术实现步骤摘要】
一种复杂操纵面飞机的智能飞行控制方法及应用


[0001]本专利技术涉及航空飞行器飞行控制
，尤其涉及一种复杂操纵面飞机的智能飞行控制方法及应用。

技术介绍

[0002]目前复杂操纵面飞行器控制一般采用线性增益调度控制律，这种以配平状态小扰动线性化和经典控制理论为基础的传统控制律设计复杂，涉及到若干工作状态点的选取与相应线性控制律的设计，控制参数整定工作繁琐，同时由于航空飞行器的本质非线性，线性增益调度控制律的稳定性缺乏充足的理论保障。
[0003]2016年，AlphaGo击败了人类围棋冠军，引起了全世界的关注。AlphaGo的胜利一方面将强化学习推上了历史舞台，另一方面还验证了强化学习在博弈问题中的应用潜力。在DARPA于2020年8月份举办的“AlphaDogfight trial”人机对抗赛中，美国苍鹭公司设计的智能飞行自主决策系统驾驶F
‑
16战机以5:0的比分完胜了F
‑
16的飞行教官。吸引了全世界军事强国的目光，飞行器智能控制已成为当今各国的研究热点。
[0004]航空飞行器航迹控制一般通过外环质心运动控制与内环姿态运动控制复合嵌套实现，这两个控制回路分别称为外环航迹控制回路与内环姿态控制回路，相应的控制律分别称为外环航迹控制律与内环姿态控制律。
[0005]考虑飞行器外环航迹控制回路，飞行器外环航迹控制律设计任务即给定待跟踪的航迹指令，计算由内环姿态控制器实现的迎角指令、侧滑角指令、绕速度矢滚转角指令与控制发动机推力的油门指令。按照反馈线性化控制律设计流程，对飞行器位置微分方程再求导一次可以与迎角、油门等控制量关联起来，在对航迹指令的跟踪控制中，首先指定飞行器位置变量的动态过渡特性，然后求解代数方程计算相应的控制指令。但是飞行器质心运动模型并非仿射形式，因而不能直接得到迎角指令、绕速度矢量滚转角指令与油门指令的显式解，这就限制了反馈线性化控制律设计方法的应用。

技术实现思路

[0006]本专利技术意在提供一种复杂操纵面飞机的智能飞行控制方法，将复杂操纵面飞机6自由度飞行控制分为外环航迹机动决策与内环姿态控制两个层次加以实现，其中外环航迹机动决策由人工智能方法实现,相较于传统的采用线性增益调度控制律的飞行器外环控制方法，这样得到的智能决策机更加容易实现，同时由于结合成熟的内环姿态控制技术，使得该智能飞行控制方法具有更好的可靠性，有利于工程应用。
[0007]为达到上述目的，本专利技术提供如下技术方案：一种复杂操纵面飞机的智能飞行控制方法，包括以下步骤：1）外环神经网络决策机设计；2）内环动态逆控制器设计；步骤1）中外环神经网络决策机设计的具体步骤是：
S11：利用外环航迹运动动力学方程获得飞行器完备的升力模型、阻力模型和推力模型；S12：基于步骤S11，利用深度强化学习算法搭建复杂操纵面飞机的智能飞行控制决策机进行训练，通过最终习得的决策机模型获得控制指令，将指令发送至内环姿态控制器、将指令发送至飞行器；步骤2）中内环动态逆控制器设计的具体步骤是：S21：根据内环控制律解算得到舵偏指令；S22：计算指令角速度；其中，为迎角指令，为侧滑角指令，为绕速度矢量滚转角指令，为发动机油门指令。
[0008]进一步，所述深度强化学习算法为TD3框架的深度强化学习算法，通过深度强化学习框架训练决策机模型。
[0009]进一步，迎角与侧滑角通过风标传感器获得，过载通过过载传感器获得，角速度和飞机姿态通过机载惯导传感器获得，航迹倾斜角与绕速度矢量滚转角信息基于飞机姿态角、迎角与侧滑角的关联关系间接计算得到。
[0010]进一步，飞行器姿态角为地面坐标系按3
‑2‑
1转序到机体系的偏航角、俯仰角和滚转角；偏航角、俯仰角、滚转角、迎角、侧滑角、航迹方位角、航迹倾斜角、绕速度矢量滚转角之间满足如下关系：
[0011]本专利技术还提供了如上所述的一种复杂操纵面飞机的智能飞行控制方法在复杂操纵面飞行器外环智能飞行控制中的应用。
[0012]本专利技术的有益效果是：（1）对于外环决策机设计时，通过外环航迹方程获得飞行器完备的升力模型、阻力模型和推力模型，在此基础上，基于深度强化学习技术，可以搭建准确可信的飞行环境模型对飞行器智能控制决策机进行训练，通过习得的决策机可以高效得出外环飞行控制指令；（2）对于内环动态逆控制器设计，采用非线性动态逆控制方法可以准确计算相应的舵偏指令；（3）通过外环神经网络决策机对飞行器平台准确发出控制指令，同时内环动态逆控制器对飞行器平台准确发出舵偏指令，结合发动机装置和舵机装置来控制飞行器进行机动以获得较好的控制效果。
附图说明
[0013]图1为本专利技术实施例提供的非线性飞行器航迹控制方法的飞行器航迹控制框图；图2为基于深度神经网络的复杂操纵面飞机的智能飞行控制决策机模型；图3为飞机飞行三维轨迹；虚线表示指令，实线表示飞行仿真状态；
图4为飞机速度幅值曲线；图5为飞机航迹方位角曲线；图6为飞机航迹倾角曲线；图7为飞机迎角指令曲线；图8为飞机绕速度矢量滚转角指令曲线；图9为发动机油门指令曲线。
具体实施方式
[0014]下面结合附图和实施方式对本专利技术作进一步的详细说明：在本实施例中，对某飞机进行航迹控制仿真，飞机初始位置为，初始时间t0=0s，初始速度幅值为50m/s，初始航迹方位角为0deg，初始航迹倾角为0deg，仿真时间取为15s，控制方法如图1所示，实施步骤如下：1、航迹指令生成器输入航迹坐标指令 至外环航迹控制器，
ꢀꢀ
、与 分别为地面坐标系下的横坐标指令、纵坐标指令与高度指令，上标“T”代表矢量转置。该航迹指令代表飞机沿x轴方向、高度为1050m、速度为50m/s的定直平飞。
[0015]2、外环航迹控制器为基于深度神经网络的复杂操纵面飞机自主决策模型,该模型通过传感器得到当前时刻t飞机的位置 、速度V、航迹方位角 、航迹倾角 ，根据设定的航迹指令 ，按下述步骤计算控制指令，将指令 发送至内环姿态控制器，将指令 发送至飞机。其中， 为迎角指令， 为侧滑角指令， 为绕速度矢量滚转角指令， 为发动机油门指令：2a、首先建立基于深度神经网络的复杂操纵面飞机智能飞行控制决策机,该神经网络包含一个输入层,五个隐藏层和一个输出层。其中输入层接收传感器信息，隐藏层对输入层接收到的信息进行加工处理，输出层从隐藏层接收处理后的信息，对其进行加工后输出控制指令。
[0016]2b、建立基于强化学习的复杂操纵面飞机智能飞行控制决策机训练模型，采用强化学习中的近端策略优化算法对建立的复杂操纵面飞机智能飞行控制决策机进行训练，并将训练得到的神经网络模型用于复杂操纵面飞机控制决策。3、内环姿态控制器接收当前时刻t飞机的迎角α、侧滑角β、绕速度矢量滚转角与三轴角速度信号。其中迎角与侧滑角通过风标传感器获得，角速度和飞机姿态通过机载惯导传感器获得，航迹倾角与绕速度矢量滚转角信息基于飞机姿态角、迎角与侧滑角的关联关系间接计算得到。飞行器姿态角为地面坐标系按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂操纵面飞机的智能飞行控制方法，其特征在于，包括以下步骤：1）外环神经网络决策机设计；2）内环动态逆控制器设计；步骤1）中外环神经网络决策机设计的具体步骤是：S11：利用外环航迹运动动力学方程获得飞行器完备的升力模型、阻力模型和推力模型；S12：基于步骤S11，利用深度强化学习算法搭建复杂操纵面飞机的智能飞行控制决策机进行训练，通过最终习得的决策机模型获得控制指令，将指令发送至内环姿态控制器、将指令发送至飞行器；步骤2）中内环动态逆控制器设计的具体步骤是：S21：根据内环控制律解算得到舵偏指令；S22：计算指令角速度；其中，为迎角指令，为侧滑角指令，为绕速度矢量滚转角指令，为发动机油门指令。2.根据权利要求1所述的一种复杂操纵面飞机的智能飞行控制方法，其特征在于：所述深度强化学习算法为T...

【专利技术属性】
技术研发人员：黄江涛，朱喆，章胜，杜昕，周攀，陈宪，陈其盛，钟世东，谭霄，周铸，刘刚，
申请(专利权)人：中国空气动力研究与发展中心空天技术研究所，
类型：发明
国别省市：