CN106200673A - 一体化自动飞行机动控制方法 - Google Patents
一体化自动飞行机动控制方法 Download PDFInfo
- Publication number
- CN106200673A CN106200673A CN201610593079.2A CN201610593079A CN106200673A CN 106200673 A CN106200673 A CN 106200673A CN 201610593079 A CN201610593079 A CN 201610593079A CN 106200673 A CN106200673 A CN 106200673A
- Authority
- CN
- China
- Prior art keywords
- flight
- state
- operational order
- aircraft
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000010354 integration Effects 0.000 title claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 10
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于智能飞行控制***技术,提供一种一体化自动飞行机动控制方法,包括:步骤1:判断飞机当前飞行状态是否已经满足机动目标,若满足,则结束控制过程;否则进入步骤2;步骤2:初始化决策模型;步骤3:决策模型生成一条试图衔接初始状态和终止状态的操作指令序列;步骤4:按照操作指令序列运行飞机模型,获取飞行状态轨迹;步骤5:给飞行状态轨迹打分;步骤6:根据操作指令序列及其飞行状态轨迹得分更新决策模型;步骤7:若有计算时间剩余,则进入步骤3;否则进入步骤8;步骤8:决策模型将得分最高的操作指令序列中的第一个操作指令输出给飞行控制***;步骤9:等待飞机执行完成操作指令,然后进入步骤1。
Description
技术领域
本发明属于智能飞行控制***技术,具体涉及一种基于机器学习的自动机动飞行控制方法。
背景技术
在各类飞行任务中,飞机的机动能力对于达成任务目标起着至关重要的作用。传统飞行机动控制方法将机动控制过程分为参考轨迹生成(由制导律负责)和轨迹跟随(由控制律负责)两部分来实现。由于算法设计的通用性要求,现有参考轨迹生成算法一般是基于飞行员或专家的成文经验,将具体机动的轨迹生成算法编为带参数的程序或指令数据表格。在飞机接到机动命令时,算法按照给定参数调用程序或通过查表插值的方法生成参考轨迹,然后交由控制律完成轨迹跟随。
现有飞行机动控制方法的缺点包括:
1、各种机动动作的轨迹生成算法都必须由了解飞行操作过程的专家或飞行员离线编制,这使得飞机不具备在线完成未经研究编写过的机动任务的可能性;
2、轨迹生成算法的参数变量不能过多(一般限制在2~3个参数),否则会导致程序分支过多或数据表规模过大,难以编制;
3、由于轨迹跟随算法(控制律)是结合具体飞机型号设计而成的,如果轨迹生成算法不考虑具体机型能否跟上参考轨迹的问题,则可能导致飞机跟不上生成的参考轨迹,进而无法完成机动任务;如果轨迹生成算法考虑了具体机型的能力要求,则算法的通用性就会很低,导致针对每种飞机都要重新设计一遍轨迹生成算法。
机器学习可以通过计算机自动优化获得给定控制任务的可行操作序列。因此利用机器学习技术,可以有效降低飞行机动控制器的设计难度,并提高控制算法的通用性。
发明内容
发明目的:提供一种一体化自动飞行机动控制方法,利用机器学习算法,实现通用于各种飞机型号、各类机动任务和各种初始飞行状态的自动飞行机动控制器。
技术方案:一体化自动飞行机动控制方法,包括:
步骤1:接收机动命令后,判断飞机当前飞行状态是否已经满足机动目标,若满足,则结束控制过程;若不满足,则进入步骤2;
步骤2:记录当前飞行状态为初始状态,机动命令规定的目标状态为终止状态,初始化决策模型;
步骤3:决策模型随机或按特定程序生成一条试图衔接初始状态和终止状态的操作指令序列;
步骤4:将生成的操作指令序列交给飞机模型按顺序执行,获取指令序列对应的飞行状态轨迹;
步骤5:将飞行状态轨迹交给评价器进行评分,评价器根据是否达成飞行限制条件,给飞行状态轨迹打分;
步骤6:根据所述操作指令序列及其对应的飞行状态轨迹的得分更新决策模型;
步骤7:判断是否有计算时间剩余,若无时间剩余,则进入步骤8;若有时间剩余,则进入步骤3;
步骤8:决策模型将得分最高的操作指令序列中的第一个操作指令输出给飞行控制***;
步骤9:等待飞机执行完成操作指令,然后进入步骤1。
有益效果:
利用计算机的高速运算能力自动求解可实现机动目标的指令操作序列,免除了对飞行机动具体操作过程的知识要求,降低了自动飞行机动控制器的设计难度,提高了机动飞行控制器的智能和通用度,促进了机动飞行控制器设计经验在不同机型上传递和积累。
附图说明
图1为本发明一体化自动飞行机动控制***功能框图。
图2为本发明自动飞行机动控制算法流程图。
具体实施方式
自动飞行机动控制***由飞机模型、决策模型和评价器组成(见图1)。在给定计算时间、飞机初始状态和机动目标的情况下,该***可以控制飞机自动求解并完成机动任务(见图2)。注意,飞行机动控制器并不取代控制律对飞机动的控制作用,而是在更高的层次上直接操纵带控制律的飞机。这样做的好处是飞行机动控制器可以继承带控制律飞机的操稳特性和飞行包线保护等功能。此处需要保证飞机模型在机动序列执行时段内的准确性,以防在仿真环境下生成的操作指令序列在真实环境中不能产生预期的飞行轨迹。
自动飞行机动控制***具体控制过程如下:
步骤1:接收机动命令后,判断飞机当前飞行状态是否已经满足机动目标,若满足,则结束控制过程;若不满足,则进入步骤2;
飞机在某一时刻的飞行状态可以表示为位置、速度、姿态、过载、角速度等变量组成的多维向量。飞行状态轨迹是指飞机状态在多个时间步长上的取值组成的序列。
满足机动目标是指达到机动命令所规定的目标飞行状态,且不违反机动命令的过程要求(比如过载限制,姿态角限制,位置窗口限制等等)。
步骤2:记录当前飞行状态为初始状态,机动命令规定的目标状态为终止状态,初始化决策模型;
决策模型是对可以根据决策结果的得分自动优化决策指令或决策指令序列的算法的总称。典型的决策模型包括遗传算法[1]、强化学习[2]以及蒙特卡洛搜索树[3]等。
[1]Fogel,D.B.Evolutionary computation:toward a new philosophy ofmachine intelligence,volume 1.John Wiley&Sons.2006.
[2]Leslie P.K.,Michael L.L,and Andrew W.M.Reinforcement Learning:ASurvey.Journal of Artificial Intelligence Research 1996,4:237-285.
[3]S.Gelly,D.Silver,Combining online and offline knowledge in UCT[C],ICML'07,2007.
步骤3:决策模型随机或按特定程序生成一条试图衔接初始状态和终止状态的操作指令序列;
操作指令是指发出过载、角速度、或舵面偏转等指令并等待其执行一段时间的过程。例如,可以将匀速推杆0.1度然后等待0.1秒编号为1号动作,将拉杆0.1度并等待0.1秒编号为2号动作,将不进行任何操作而等待0.1秒编号为3号动作,则飞行员的连续的纵向飞行操作就可表示为1,2,3号动作的组合,这种组合可以用1、2、3编码为数字指令序列。
随机生成操作指令序列是指按照随机抽样的方式多次选取多个指令号码,组成操作指令序列的方法;按照特定程序生成操作指令序列是指按照非均匀概率分布或某种固定规则多次选取多个指令号码,组成操作指令序列的方法。
步骤4:将生成的操作指令序列交给飞机模型按顺序执行,获取指令序列对应的飞行状态轨迹;
如步骤3所述,如果人类飞行员的机动操作过程可以被抽象为由有限多个标准动作组成的指令序列,那么在飞机和大气状态相同的条件下,从同一个初始飞行状态开始,飞机执行相同的指令序列,都应获得相同或相似的飞行状态轨迹。在所有可能的轨迹中,如果有一条轨迹可以完美地达成机动目标,那么称此轨迹为最优轨迹,并称其对应的操作指令序列为最优操作指令序列。决策模型可以利用计算机的高速计算能力在短时间内检验多组操作指令序列对应的飞行状态轨迹。在极端情况下,如果将所有指令组合都试一遍,则必能试出最优轨迹。在套用机器学习算法和一定经验(概率分布或规则)的情况下,决策模型可以不必遍历所有可能指令组合,而更快地搜出最优或可行轨迹。
步骤5:将飞行状态轨迹交给评价器进行评分,评价器根据是否达成飞行限制条件,给飞行状态轨迹打分;
飞行限制条件是包括是否达成机动目标(比如,对筋斗机动而言,达成机动目标就是指将俯仰角增加360度)和是否符合飞行安全限制(比如,飞行状态轨迹中的任何一点都不能撞击障碍物或地面,不能超出飞机的速度、过载包线,不能突破姿态角保护范围等等)等要求在内的飞行品质评定因素的统称。
步骤6:根据所述操作指令序列及其对应的飞行状态轨迹的得分更新决策模型。
更新决策模型是指根据飞行轨迹的得分来改变决策模型中的某些参数,以调整决策模型的操作指令序列生成规则的过程。比如,遗传算法会根据基因(即操作指令序列对应的数字编码)的得分来决定是否淘汰基因库中某些成员,从而保证较为优秀的基因可以拥有更大的概率繁殖后代,进而实现整个基因库向生成高分基因的方向进化。此处,被更新的决策模型就是遗传算法的基因库。
步骤7:判断是否有计算时间剩余,若无时间剩余,则进入步骤8;若有时间剩余,则进入步骤3。
步骤8:决策模型将得分最高的操作指令序列中的第一个操作指令输出给飞行控制***。
虽然决策模型生成了一个完整的操作指令序列,但是如果等待飞机执行序列中的全部操作指令,则可能由于模型的误差或现实环境干扰在长时间范围内的累积导致实际飞行轨迹与预期轨迹偏差较大。此处采用了滚动优化机制,在每个操作指令执行之后都更新了飞机的当前状态,令机器学习算法基于当前飞行状态持续更新最优机动操作序列,以达到让飞机在变化的环境中自适应地完成机动飞行的目的。
步骤9:等待飞机执行完成操作指令,然后进入步骤1。
Claims (1)
1.一体化自动飞行机动控制方法,其特征在于,包括:
步骤1:接收机动命令后,判断飞机当前飞行状态是否已经满足机动目标,若满足,则结束控制过程;若不满足,则进入步骤2;
步骤2:记录当前飞行状态为初始状态,机动命令规定的目标状态为终止状态,初始化决策模型;
步骤3:决策模型随机或按特定程序生成一条试图衔接初始状态和终止状态的操作指令序列;
步骤4:将生成的操作指令序列交给飞机模型按顺序执行,获取指令序列对应的飞行状态轨迹;
步骤5:将飞行状态轨迹交给评价器进行评分,评价器根据是否达成飞行限制条件,给飞行状态轨迹打分;
步骤6:根据所述操作指令序列及其对应的飞行状态轨迹的得分更新决策模型;
步骤7:判断是否有计算时间剩余,若无时间剩余,则进入步骤8;若有时间剩余,则进入步骤3;
步骤8:决策模型将得分最高的操作指令序列中的第一个操作指令输出给飞行控制***;
步骤9:等待飞机执行完成操作指令,然后进入步骤1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593079.2A CN106200673B (zh) | 2016-07-26 | 2016-07-26 | 一体化自动飞行机动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593079.2A CN106200673B (zh) | 2016-07-26 | 2016-07-26 | 一体化自动飞行机动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106200673A true CN106200673A (zh) | 2016-12-07 |
CN106200673B CN106200673B (zh) | 2019-10-18 |
Family
ID=57496472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610593079.2A Active CN106200673B (zh) | 2016-07-26 | 2016-07-26 | 一体化自动飞行机动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106200673B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933053A (zh) * | 2017-12-15 | 2019-06-25 | 海鹰航空通用装备有限责任公司 | 一种基于机动动作链的无人机控制方法和无人机 |
CN110712765A (zh) * | 2019-10-30 | 2020-01-21 | 北京航空航天大学 | 一种基于操作谱的飞行器异常操作定位方法 |
CN111273680A (zh) * | 2020-02-27 | 2020-06-12 | 成都飞机工业(集团)有限责任公司 | 一种飞翼布局无人机筋斗机动控制方法 |
EP3786752A1 (en) * | 2019-08-29 | 2021-03-03 | The Boeing Company | Automated aircraft system with goal driven action planning |
CN112543899A (zh) * | 2019-12-26 | 2021-03-23 | 深圳市大疆创新科技有限公司 | 可移动载体的控制方法、控制装置、计算机可读存储介质 |
CN114488906A (zh) * | 2022-02-15 | 2022-05-13 | 广东汇天航空航天科技有限公司 | 飞行控制方法、飞行控制单元及飞行控制*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823380A (zh) * | 2014-03-14 | 2014-05-28 | 北京航空航天大学 | 一种考虑飞行品质的直升机总体设计方法 |
CN104267614A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种无人机实时仿真***及其开发方法 |
CN104932527A (zh) * | 2015-05-29 | 2015-09-23 | 广州亿航智能技术有限公司 | 一种飞行器的操控方法和装置 |
CN105404152A (zh) * | 2015-12-10 | 2016-03-16 | 中国人民解放军海军航空工程学院 | 一种模拟飞行员主观评价的飞行品质预测方法 |
CN105652891A (zh) * | 2016-03-02 | 2016-06-08 | 中山大学 | 一种旋翼无人机移动目标自主跟踪装置及其控制方法 |
CN105676863A (zh) * | 2016-04-06 | 2016-06-15 | 谭圆圆 | 无人飞行器的控制方法及控制装置 |
-
2016
- 2016-07-26 CN CN201610593079.2A patent/CN106200673B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823380A (zh) * | 2014-03-14 | 2014-05-28 | 北京航空航天大学 | 一种考虑飞行品质的直升机总体设计方法 |
CN104267614A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种无人机实时仿真***及其开发方法 |
CN104932527A (zh) * | 2015-05-29 | 2015-09-23 | 广州亿航智能技术有限公司 | 一种飞行器的操控方法和装置 |
CN105404152A (zh) * | 2015-12-10 | 2016-03-16 | 中国人民解放军海军航空工程学院 | 一种模拟飞行员主观评价的飞行品质预测方法 |
CN105652891A (zh) * | 2016-03-02 | 2016-06-08 | 中山大学 | 一种旋翼无人机移动目标自主跟踪装置及其控制方法 |
CN105676863A (zh) * | 2016-04-06 | 2016-06-15 | 谭圆圆 | 无人飞行器的控制方法及控制装置 |
Non-Patent Citations (1)
Title |
---|
PIETER ABBEEL: ""An Application of reinforcement learning to aerobatic helicopter flight"", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933053A (zh) * | 2017-12-15 | 2019-06-25 | 海鹰航空通用装备有限责任公司 | 一种基于机动动作链的无人机控制方法和无人机 |
CN109933053B (zh) * | 2017-12-15 | 2022-03-11 | 海鹰航空通用装备有限责任公司 | 一种基于机动动作链的无人机控制方法和无人机 |
EP3786752A1 (en) * | 2019-08-29 | 2021-03-03 | The Boeing Company | Automated aircraft system with goal driven action planning |
US11527165B2 (en) | 2019-08-29 | 2022-12-13 | The Boeing Company | Automated aircraft system with goal driven action planning |
CN110712765A (zh) * | 2019-10-30 | 2020-01-21 | 北京航空航天大学 | 一种基于操作谱的飞行器异常操作定位方法 |
CN112543899A (zh) * | 2019-12-26 | 2021-03-23 | 深圳市大疆创新科技有限公司 | 可移动载体的控制方法、控制装置、计算机可读存储介质 |
WO2021128184A1 (zh) * | 2019-12-26 | 2021-07-01 | 深圳市大疆创新科技有限公司 | 可移动载体的控制方法、控制装置、计算机可读存储介质 |
CN111273680A (zh) * | 2020-02-27 | 2020-06-12 | 成都飞机工业(集团)有限责任公司 | 一种飞翼布局无人机筋斗机动控制方法 |
CN114488906A (zh) * | 2022-02-15 | 2022-05-13 | 广东汇天航空航天科技有限公司 | 飞行控制方法、飞行控制单元及飞行控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN106200673B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106200673A (zh) | 一体化自动飞行机动控制方法 | |
US10394238B2 (en) | Multi-mode mission planning and optimization for autonomous agricultural vehicles | |
CN107063255B (zh) | 一种基于改进果蝇优化算法的三维航路规划方法 | |
KR101339480B1 (ko) | Rrt 기반의 듀얼 트리 구조를 이용한 이동 로봇의 궤적 계획 방법 | |
CN112286218B (zh) | 基于深度确定性策略梯度的飞行器大迎角摇滚抑制方法 | |
CN112550314B (zh) | 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制*** | |
CN106647808B (zh) | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 | |
Al Dabooni et al. | Heuristic dynamic programming for mobile robot path planning based on Dyna approach | |
CN110658816B (zh) | 一种基于智能组件的移动机器人导航与控制方法 | |
Sun et al. | Cooperative strategy for pursuit-evasion problem in the presence of static and dynamic obstacles | |
CN115373415A (zh) | 一种基于深度强化学习的无人机智能导航方法 | |
CN113485323B (zh) | 一种级联多移动机器人灵活编队方法 | |
JP7116799B2 (ja) | 自律走行作業機の作業領域ゾーン境界画定装置 | |
CN109249393B (zh) | 一种基于经验控制的多参数机器人实时行为校正方法 | |
Tian et al. | Fruit Picking Robot Arm Training Solution Based on Reinforcement Learning in Digital Twin | |
CN111176324B (zh) | 一种多无人机分布式协同编队规避动态障碍的方法 | |
CN117109574A (zh) | 一种农用运输机械覆盖路径规划方法 | |
CN116227622A (zh) | 基于深度强化学习的多智能体地标覆盖方法及*** | |
CN113959446B (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
Rybak et al. | Development of an algorithm for managing a multi-robot system for cargo transportation based on reinforcement learning in a virtual environment | |
Zhang et al. | Research on the local path planning of an orchard mowing robot based on an elliptic repulsion scope boundary constraint potential field method | |
Southey et al. | Approaching evolutionary robotics through population-based incremental learning | |
Cao et al. | Multi-robot learning dynamic obstacle avoidance in formation with information-directed exploration | |
MacArthur et al. | Compliant formation control of a multi-vehicle system | |
Kuyucu et al. | Incremental evolution of fast moving and sensing simulated snake-like robot with multiobjective GP and strongly-typed crossover |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |