System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种考虑视场约束的车载无人机视觉伺服精准降落控制方法技术_技高网

一种考虑视场约束的车载无人机视觉伺服精准降落控制方法技术

技术编号:44696849 阅读:2 留言:0更新日期:2025-03-19 20:46
本发明专利技术公开了一种考虑视场约束的车载无人机视觉伺服精准降落控制方法,包括以下步骤:采用虚拟平面特征点构成图像矩特征值,建立集成了无人机动力学和图像动力学的解耦系统动力学模型;根据当前时刻相机拍摄的图像和无人机运动状态,获取当前时刻系统状态;基于模型预测控制方法设置外环控制和内环控制,其中在外环控制中设置优化目标,在内环控制中设置姿态约束,基于当前时刻系统状态,预测后续时刻系统状态,获得当前时刻最优控制作为系统输入;基于系统输入,对无人机进行飞行控制。本发明专利技术公开的方法,保证了无人机自主降落过程中满足视场可见性。

【技术实现步骤摘要】

本专利技术涉及一种考虑视场约束的车载无人机视觉伺服精准降落控制方法,属于飞行器控制。


技术介绍

1、采用视觉伺服的方法在gps拒止环境中仍然能够获取导航信息,且视觉定位方式为非接触式测量,具有较好的可靠性,因此常用于无人机自主飞行控制中。

2、现有的视觉伺服控制方法,大都未考虑可见性条件的约束或无人机姿态对图像的影响,往往会使得实际飞行过程中目标出现在相机视场之外,从而无法获取相对于目标的位置信息,导致控制失效。

3、虽然现有技术中也具有考虑可见性条件约束的视觉伺服控制方法,例如文献【k.zhang,y.shi and h.sheng,"robust nonlinear model predictive control basedvisual servoing of quadrotor无人机s,"in ieee/asme transactions onmechatronics,vol.26,no.2,pp.700-708,april 2021,doi:10.1109/tmech.2021.3053267】中使用非线性模型预测控制方法(nmpc)实现了无人机自主降落的鲁棒控制,但其对于可见性的约束是基于虚拟图像平面进行分析的;文献【h.sheng,e.shiandk.zhang,"image-based visual servoing of a quadrotor with improved visibilityusing model predictive control,"2019ieee 28th international symposium onindustrial electronics(isie),vancouver,bc,canada,2019,pp.551-556,doi:10.1109/isie.2019.8781212】针对无人机降落控制设计了一个基于mpc的考虑视场约束的视觉伺服控制器,但直接引入姿态角约束可能会出现无法满足视场约束的情况;可见,现有视觉伺服方法仍然不能保证控制稳定性。

4、因此,有必要对现有的视觉伺服方法进行更为深入的研究,以解决上述问题。


技术实现思路

1、为了克服上述问题,本专利技术人进行了深入研究,提出了一种考虑视场约束的车载无人机视觉伺服精准降落控制方法,包括以下步骤:s1、采用虚拟平面特征点构成图像矩特征值,建立集成了无人机动力学和图像动力学的解耦系统动力学模型;

2、s2、根据当前时刻相机拍摄的图像和无人机运动状态,获取当前时刻系统状态;

3、s3、基于模型预测控制方法设置外环控制和内环控制,其中在外环控制中设置优化目标,在内环控制中设置姿态约束,基于当前时刻系统状态,预测后续时刻系统状态,获得当前时刻最优控制作为系统输入;

4、s4、基于系统输入,对无人机进行飞行控制。

5、在一个优选的实施方式中,s1中,所述虚拟平面为在无人机与水平面之间建立的平行于水平面的一个平面。

6、在一个优选的实施方式中,所述特征点为虚拟平面上任一正方形的边线交点。

7、在一个优选的实施方式中,所述图像矩特征值s设置为

8、s=[s1,s2,s3,s4]

9、

10、其中,s1、s2、s3、s4为中间变量,[uvc,nvc]表示特征点的重心坐标,f为相机的焦距,a表示无人机加速度,ad为无人机期望高度时对应的a值,ur1表示真实图像中对应特征点第一个点的横坐标,nr1表示真实图像中对应特征点第一个点的纵坐标,ur2表示真实图像中对应特征点第二个点的横坐标,nr2表示真实图像中对应特征点第二个点的纵坐标,urc表示真实图像中对应特征点四个点的重心横坐标,nrc表示真实图像中对应特征点四个点的重心横坐标。。

11、在一个优选的实施方式中,所述图像动力学表示为:

12、

13、其中,表示无人机在虚拟相机坐标系的速度,ψ表示无人机的偏航角。

14、在一个优选的实施方式中,所述无人机动力学表示为:

15、

16、其中,p表示无人机在地面系中的位置,v表示无人机在地面系中的速度,表示无人机机体系和惯性系之间的旋转矩阵,t表示由桨叶产生的总升力,e3=[0,0,1]t表示升力t在无人机机体系中的方向,m表示无人机的质量,g表示重力加速度,[·]×表示将向量转换成斜对称矩阵的运算符,ω表示无人机的角速度,i表示无人机的转动惯量,τ表示输入力矩。

17、在一个优选的实施方式中,所述解耦系统动力学模型表示为:

18、

19、其中,x表示系统状态,为系统状态x的一阶导数,u表示系统输入。

20、在一个优选的实施方式中,所述外环控制设置为:

21、

22、u(k+i|k)∈uset

23、其中,为预测控制的目标函数,为优化指标,表示过程代价函数,表示终端代价函数,xd表示期望的系统状态,x(k+i|k)表示基于第k步的系统输入u(k|k)对第k+i步的系统状态所作的预测;表示第k步对第k+i步所作预测与期望值的误差,表示第k步对第k+i步所作预测的一阶导数,u(k+i|k)表示第k步预测的第k+i步的系统输入,i∈{0,···,n},n为预测时间步区间长度,uset表示u的取值区间。

24、在一个优选的实施方式中,所述内环控制设置为:

25、

26、eω=ω-rtrdωd

27、τ=-krer-kωeω+ω^jω

28、θd=θ-er(2)

29、φd=φ-er(1)

30、b=[cos(θ),sin(θ),0]′

31、其中,rd为期望旋转矩阵,rd1,rd2,rd3为期望旋转矩阵的分量,b为中间参量,ωd为角速度的中间矩阵,er为期望姿态角和实际姿态角的偏差,eω表示期望角速度和实际角速度的偏差,τ表示无人机的力矩,kr、kω为可设定参数,j为转动惯量,上标t表示转置,上标^和∨为矩阵变换符合,^表示将3*1矩阵变换为3*3矩阵,∨表示将3*3矩阵还原为3*1矩阵。

32、在一个优选的实施方式中,设置最大允许俯仰角θmax、最大允许滚转角φmax进行姿态约束:

33、当θmax<θd时,er(2)=-(θmax-θ),否则er(2)为期望俯仰角与实际俯仰角的偏差;

34、φmax<φd时,er(1)=-(φmax-φ),否则er(1)为期望滚转角与实际滚转角的偏差。

35、本专利技术所具有的有益效果包括:

36、(1)保证了无人机自主降落过程中满足视场可见性;

37、(2)控制稳定性高,降落精准度高。

本文档来自技高网...

【技术保护点】

1.一种考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

3.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

4.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

5.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

6.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

7.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

8.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

9.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

10.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

【技术特征摘要】

1.一种考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

3.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

4.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

5.根据权利要求1所述的考虑视场约束的车载无人机视觉伺服精准降落控制方法,其特征在于,

<...

【专利技术属性】
技术研发人员:宋韬郭涵宇陈柏健刘浩胡凯焜杨国枫
申请(专利权)人:北京理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1