CN112180984B - 一种基于人工智能的无人机辅助飞行装置及飞行控制方法 - Google Patents

一种基于人工智能的无人机辅助飞行装置及飞行控制方法 Download PDF

Info

Publication number
CN112180984B
CN112180984B CN202011144081.4A CN202011144081A CN112180984B CN 112180984 B CN112180984 B CN 112180984B CN 202011144081 A CN202011144081 A CN 202011144081A CN 112180984 B CN112180984 B CN 112180984B
Authority
CN
China
Prior art keywords
flight
aerial vehicle
unmanned aerial
early warning
angle
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.)
Active
Application number
CN202011144081.4A
Other languages
English (en)
Other versions
CN112180984A (zh
Inventor
雷安旭
詹志明
陈志恒
万彤
高驰昊
王歌歌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jianghan University
Original Assignee
Jianghan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jianghan University filed Critical Jianghan University
Priority to CN202011144081.4A priority Critical patent/CN112180984B/zh
Publication of CN112180984A publication Critical patent/CN112180984A/zh
Application granted granted Critical
Publication of CN112180984B publication Critical patent/CN112180984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于人工智能的无人机辅助飞行装置及飞行控制方法，包括知识库与反应规划库的建立；预警指标的监控判断；通过算法自主找寻接近现有知识库和反应规划库中的相近策略，输出对应于预警状态量的控制量；通过执行器接收控制量，并将策略执行；预警判断实际飞行是否安全；另设置一个新的危险库，将预警判断不安全的状态量以及执行的控制量存入危险库中；将预警判断安全的状态量以及执行的控制量认定为新的安全策略，并存放在真实飞行状态矩阵中，扩充知识库和反应规划库的数据。本发明可以自行设计飞行方式，不会在同一个飞行状态下犯两次相同的决策错误，且通过大量实际飞行和计算，经过人工智能算法迭代后的飞行策略会更加安全。

Description

一种基于人工智能的无人机辅助飞行装置及飞行控制方法
技术领域
本发明涉及飞行器的技术领域，尤其涉及一种利用人工智能技术帮助无人机实现自主飞行的控制方法及实现该控制方法的装置。
背景技术
无人机自主飞行一般都是依托传统飞控***实现，即通过传感器获取飞行环境信息，并依照预先设计好的飞控***控制方法操控相应的舵面，实现自主飞行。传统飞控在面对已知飞行环境的情况下可以较好的作出判断实现无人机的自动驾驶，即针对已知的各种飞行条件可以通过预设程序对飞行过程作出有效反应。但面对未知环境，传统飞控的稳定性就会大打折扣，特别是在面对极端复杂且未知的飞行环境下，传统飞控无法找到对应的预设程序，导致飞行可能偏航，更为严重甚至坠毁。
随着人工智能技术的成熟，人工智能中的深度学习、自主学习等相关算法的进步，在面对未知飞行环境中，无人机可通过人工智能技术的加持，实现自主决策，使得即使预设程序中没有相关环境的飞控程序，也可以通过人工智能算法实现诸如航线自主调整等功，并且随着飞行时长的累积，无人机可以通过自主学习不断提高其自主飞行能力。因此，我们提出一种基于人工智能的无人机辅助飞行控制方法，并通过设计控制板实现该方法。
发明内容
基于上述现有技术存在的不足，本发明所要解决的技术问题是在于提供一种基于人工智能的无人机辅助飞行装置及飞行控制方法。
其中，本发明的基于人工智能的无人机辅助飞行控制方法，包括以下步骤：
S1、知识库与反应规划库的建立，知识库、反应规划库是通过数值模拟计算、风洞实验以及试飞过程中可得的安全飞行状态量、与安全飞行状态量相对应的安全飞行控制量；
S2、预警指标的监控判断；
S3、通过算法自主找寻接近现有知识库和反应规划库中的相近策略，输出对应于预警状态量的控制量；
S4、通过执行器接收控制量，并将策略执行；
S5、预警判断实际飞行是否安全；
S6、另设置一个新的危险库，将预警判断不安全的状态量以及执行的控制量存入危险库中；将预警判断安全的状态量以及执行的控制量认定为新的安全策略，并存放在真实飞行状态矩阵中，扩充知识库和反应规划库的数据。
优选的，知识库与反应规划库的建立包括如下步骤：
S11、令状态量为矩阵X，控制量为矩阵Y，参数值为矩阵Z，状态量有m个，控制量为n个，飞行参数值有q个，则构成矩阵方程AX+BY＝Z，其中A为q×m的矩阵，B为q×n的矩阵，X为m×1的矩阵，Y为n×1的矩阵，Z为q×1的矩阵，其中矩阵A与矩阵B表示状态量系数和控制量系数；
S12、定型中的无人机通过Fluent数值模拟计算后得出部分数据，这里标记为A1，B1；
S13、定型完成后的无人机可通过等比缩小模型在风洞实验室通过风洞实验得出部分数据，这里标记为A2，B2；
S14、制作完成的无人机试飞过程中记录的部分数据，这里标记为A3，B3；
S15、此时A3，B3的数据为知识库和反应规划库的初始数据。
进一步的，知识库状态量包括但不限于空速、加速度、高度、姿态角、航迹角、气流角、姿态角速率、航迹角速率、气流角速率，其中姿态角包括航向角、俯仰角和横滚角，航迹角包括偏航角、俯仰角、滚转角，气流角包括迎角和侧滑角，姿态角速率包括航向角速率、俯仰角速率和横滚角速率，航迹角速率包括偏航角速率、俯仰角速率、滚转角速率，气流角速率包括迎角速率和侧滑角速率。
进一步的，反应规划库控制量包括但不限于油门量、舵偏量、舵偏角速度，其中舵偏量包括但不限于升降舵偏转量、方向舵偏转量、可伸缩变形舵面偏转量，舵偏角速度包括升降舵偏转角速度、方向舵偏转角速度。
优选的，预警指标的监控判断包括如下步骤：
S21、预设可接受波动范围为w，表示实际值与期望值在w以内则认为实际飞行状态安全，不用采取预警动作，超出该范围则认定飞行状态不安全，采取预警动作；
S22、预设可接受升力波动范围为w1，当升力l与飞行器自重m的相对差距在w1以内，即
Figure GDA0003849479400000031
则认定飞行安全，无人机不采取预警动作；当升力l与飞行器自重m的相对差距超过w1，即
Figure GDA0003849479400000032
则认定飞行不安全，无人机采取预警动作，调整控制量的数值，并通过执行器执行；
S23、预设可接受推力波动范围为w2，加速阶段当推力T大于飞行阻力D即T-D>0时，则认定飞行安全，无人机不采取预警动作；巡航阶段当推力T与飞行阻力D的相对差距在w2以内，即
Figure GDA0003849479400000033
则认定飞行安全，无人机不采取预警动作，减速阶段当推力T小于飞行阻力D即T-D<0时，则认定飞行安全，无人机不采取预警动作；在上述阶段中不满足对应条件，则认定飞行不安全，无人机采取预警动作，调整控制量的数值，并通过执行器执行，使操纵面或油门量达到规划库中对应调整的数值；
S24、油箱传感器监测实时油箱为V，油箱总容量为V0，航线总路程为S，已完成航线距离S1，储备应急油量为V2，航程预警指标为w3，令
Figure GDA0003849479400000034
当w3>1时，说明航程安全，当无人机不采取预警动作；当w3＝1时，航程临界安全，由于应急油量V2的存在，无人机依然认为航程安全；当w3<1时，无人机认定飞行航程不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过增强经济续航时间、减少机动、调整航线等手段，使w3逐渐升高到安全值；w3越大，说明航程安全越强；
S25、实时监控航迹偏航角ψ，航迹偏转预警指标为w4，假定飞行航线为点A至点C，由于航线规划不一定为直线，故设置n个途径点B1、B2、B3…Bn，将AC段分解为AB1、B1B2…BnC，共(n+1)段，在每一段航线中的航迹偏转角为ψ1、ψ2、ψ3…ψn+1，当每一段的航迹偏转角|ψ|≤w4时，则认定无人机飞行航迹安全，若某一段航迹偏转角|ψ|>w4，则认定无人机航迹不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过调整舵面改变飞行器飞行方向，使ψ回归到安全值，确保无人机飞向目的地；
S26、无人机对质心的俯仰力矩变化特性来判断无人机是否具备纵向静稳定性，无人机对质心的偏航力矩及滚转力矩变化特性来判断横侧向经稳定性，静稳定性指标为w5，机体轴纵向上，
Figure GDA0003849479400000041
其中Sw为机翼面积，CA为平均气动弦长，ρ为飞行环境下的气体密度，MZ为纵轴上的力矩，v为速度，α为飞行器迎角；判定若w5<0，则飞行器具备静稳定性，无人机认定稳定性安全；判定若w5≥0，则飞行器不具备静稳定性，认定静稳定性不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过调整舵面、调整油门量，改变飞行器姿态及速度，使无人机由静不稳定状态调整为动稳定状态。
优选的，通过算法自主找寻接近现有知识库和反应规划库中的相近策略包括如下步骤：
S31、以现有数据量矩阵{A1、A2、A3}及其对应的反应规划库及飞行参数值中的数据为样本，设定理想权重值，权重值预设为飞行员比重p1、气动工程师比重p2、控制飞控工程师比重p3、结构工程师比重p4、其他比重p5，设计激活函数；
S32、通过MSE来计算损失，
Figure GDA0003849479400000042
其中ztrue和zpred指的是以{A1、A2、A3}为数据样本的参数值及其预测值；
S33、利用链式求导公式计算偏置导数；
S34、调整偏导参数值，调整权重值和偏置；使激活函数的输出处于安全飞行区间；
S35、回到第步骤S31，带入已知飞行环境数据库中的其他数值重新计算，重复步骤S31-S34，最终使得在已知飞行环境数据库下，激活函数的输出能够十分稳固的处于安全飞行区间；
S36、将该算法认定为最优解。
进一步的，另设置一个新的危险库，将预警判断不安全的状态量以及执行的控制量存入危险库中；将预警判断安全的状态量以及执行的控制量认定为新的安全策略，并存放在真实飞行状态矩阵中，扩充知识库和反应规划库的数据包括如下步骤：
S61、无人机执行通过调整该飞行状态下的控制量，使其逐渐逼近计算得出的反应规划
Figure GDA0003849479400000043
S62、无人机调整控制量同时通过执行器实际执行，将数值的改变落实到实际油门量、控制舵面偏转量上；
S63、实时进行预警指标的评估运算，若趋势为收敛，即认定未知状态量
Figure GDA0003849479400000051
下的反应规划
Figure GDA0003849479400000052
安全，将未知状态
Figure GDA0003849479400000053
及其对应的反应规划
Figure GDA0003849479400000054
存入真实飞行状态矩阵A4和反应规划库B中，未知飞行环境状态量变为已知量，可供未来使用；
S64、实时进行预警指标的评估运算，若趋势为发散，则因立即停止该计算得出的反应规划
Figure GDA0003849479400000055
动作，即认定未知状态量
Figure GDA0003849479400000056
下的反应规划
Figure GDA0003849479400000057
不安全，反馈到SGD算法中，微调参数值、权重值和偏置，计算新的反应规划，若实际飞行依然失效，继续调整，直至实际飞行环境无法提供实测环境；
S65、步骤S64中的所有飞行调参数据均实时记录在黑匣子中，最后可以得到无人机在面对状态量为
Figure GDA0003849479400000058
的未知环境下，其一系列反应规划
Figure GDA0003849479400000059
及调整的参数值、权重值和偏置均为危险值，存入危险库中，未来无人机自主飞行时必须规避该反应规划，避免同样的错误第二次发生。
相应的，本发明还提供了实现上述基于人工智能的无人机辅助飞行控制方法的装置。
该无人机辅助飞行控制的装置包括微控制器、气压传感器、MPU6050传感器、攻角侧滑角传感器、空速管、通信模块，所述微控制器分别与所述气压传感器、MPU6050传感器、攻角侧滑角传感器和空速相连，用于实时采集飞机飞行过程中的状态量并对其进行数据处理，将处理好的数据利用通信模块，将采集到的数据发送给地面站；地面站包括知识库和反应规划库，地面站通过知识库和反应规划库计算得出实时飞行器控制量数据，地面站通过通信模块将飞行器控制量数据发送给飞行器，微控制器根据控制量数据，给舵机发送PWM信号改变飞行器飞行姿态，给电机或发动机发送PWM信号改变飞行器飞行速度，以确保飞机处于安全状态。
与现有技术相比，本发明的基于人工智能的无人机辅助飞行装置及飞行控制方法至少具有如下有益效果：
1、面对未知飞行环境时，基于该人工智能算法的飞行控制方法可以自行设计飞行方式，相对于传统飞控，本发明阐述的方法将永远不会在同一个飞行状态下犯两次相同的决策错误。
2、通过大量实际飞行和计算，经过人工智能算法迭代后的飞行策略会更加安全。
附图说明
图1为本发明的无人机辅助飞行装置的内部结构示意图。
图2为本发明的知识库和反应规划库初始数据构建方法流程图。
图3为本发明的预警指标判断算法流程图。
图4为利用已知飞行数据训练网络的方法流程图。
图5为本发明的知识库与反应规划库的更新迭代方法流程图。
图6为本发明的无人机辅助飞行装置的MPU6050传感器的电路图。
图7为本发明的无人机辅助飞行装置的通信模块的电路图。
具体实施方式
对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1至图7所示，针对传统飞控***的局限性，本发明提供一种基于人工智能技术的无人机辅助飞行装置及飞行控制方法。
其中，无人机辅助飞行装置作为承载基于人工智能技术设计的飞行控制算法的硬件，其主要包括传感器、知识库与反应规划库、信息处理模块、执行器模块和通信模块。
本发明的基于人工智能技术设计的飞行控制方法，包括知识库与反应规划库的建立方法、无人机自主找寻最优解方法和知识库与反应规划库的更新迭代方法。
其中，知识库与反应规划库的建立方法包括知识库的建立方法和反应规划库的建立方法。
知识库的建立方法基于传统飞行器空气动力学模型，其设计原理基于无人机飞行力学模型，是通过数值模拟计算、风洞实验以及试飞过程中可得的安全飞行状态量。状态量具体为(包括但不限于)空速、加速度、高度、姿态角、航迹角、气流角、姿态角速率、航迹角速率、气流角速率，其中姿态角包括航向角、俯仰角和横滚角，航迹角包括偏航角、俯仰角、滚转角，气流角包括迎角和侧滑角，姿态角速率包括航向角速率、俯仰角速率和横滚角速率，航迹角速率包括偏航角速率、俯仰角速率、滚转角速率，气流角速率包括迎角速率和侧滑角速率，共有19个状态量。
反应规划库的建立方法基于传统飞行器控制模型，表示在不同的飞行状态下飞行器执行机构可以作出的反应，是通过数值模拟计算、风洞实验以及试飞过程中与安全飞行状态量相对应的安全飞行控制量。
反应规划库包括但不限于油门量、舵偏量、舵偏角速度，其中舵偏量包括升降舵偏转量、方向舵偏转量、可伸缩变形舵面偏转量，舵偏角速度包括升降舵偏转角速度、方向舵偏转角速度，共有6个控制量。
由知识库和反应规划库构成的输出为飞行器的飞行参数值，飞行参数值包括了升力、推力、阻力、静稳定度，共有4个参数值；飞行参数值通过计算作为无人机判断预警指标，飞行判断预警指标包括了升力预警、各方向推力预警、航程预警、偏航预警、稳定性预警。
令状态量为矩阵X，控制量为矩阵Y，参数值为矩阵Z，状态量有m个，控制量为n个，飞行参数值有q个，则构成矩阵方程AX+BY＝Z，其中A为q×m的矩阵，B为q×n的矩阵，X为m×1的矩阵，Y为n×1的矩阵，Z为q×1的矩阵。具体实施例中，A可设为4×19的矩阵，X设为19×1的矩阵，B设为4×6的矩阵，Y设为6×1的矩阵，Z设为4×1的矩阵。
该方程构建了各飞行参数与状态量和控制量之间的关系，其中矩阵A与矩阵B表示状态量系数和控制量系数，如升力系数等。其中矩阵A和矩阵B由以下步骤得出。
1、定型中的无人机通过Fluent数值模拟计算后得出部分数据，这里标记为A1，B1。
2、定型完成后的无人机可通过等比缩小模型在风洞实验室通过风洞实验得出部分数据，这里标记为A2，B2。
3、制作完成的无人机试飞过程中记录的部分数据，这里标记为A3，B3。
4、此时A3，B3的数据为知识库和反应规划库的初始数据。
至此，由A3，B3构成的飞行数据已经完整包含了飞行器在设计、风洞实验及试飞过程中的状态量、控制量和飞行参数值之间的关系。其中A1、B1的可信度小于A2、B2，同样，A2、B2的可信度小于A3、B3。此时无人机在已知飞行环境下按照知识库和反应规划库的既定参数飞行可确保飞行安全。
以上部分是构建知识库和反应规划库的理论基础，得到的飞行参数值通过运算得到相应的预警指标，其中预警指标的运算方法描述如下：
1、预设可接受波动范围为w，表示实际值与期望值在w以内则认为实际飞行状态安全，不用采取预警动作，超出该范围则认定飞行状态不安全，采取预警动作。
2、预设可接受升力波动范围为w1，当升力l与飞行器自重m的相对差距在w1以内，即
Figure GDA0003849479400000081
则认定飞行安全，无人机不采取预警动作；当升力l与飞行器自重m的相对差距超过w1，即
Figure GDA0003849479400000082
则认定飞行不安全，无人机采取预警动作，调整控制量的数值，并通过执行器执行。
3、预设可接受推力波动范围为w2，加速阶段(包括起飞加速、机动加速)当推力T大于飞行阻力D即T-D>0时，则认定飞行安全，无人机不采取预警动作；巡航阶段当推力T与飞行阻力D的相对差距在w2以内，即
Figure GDA0003849479400000083
则认定飞行安全，无人机不采取预警动作，减速阶段(包括降落减速、机动减速)当推力T小于飞行阻力D即T-D<0时，则认定飞行安全，无人机不采取预警动作；在上述阶段中不满足对应条件，则认定飞行不安全，无人机采取预警动作，调整控制量的数值，并通过执行器执行。
4、油箱传感器监测实时油箱为V，油箱总容量为V0，航线总路程为S，已完成航线距离S1，储备应急油量为V2，航程预警指标为w3，令
Figure GDA0003849479400000084
当w3>1时，说明航程安全，当无人机不采取预警动作；当w3＝1时，航程临界安全，由于应急油量V2的存在，无人机依然认为航程安全；当w3<1时，无人机认定飞行航程不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过增强经济续航时间、减少机动、调整航线等手段，使w3逐渐升高到安全值；w3越大，说明航程安全越强。
5、实时监控航迹偏航角ψ，航迹偏转预警指标为w4，假定飞行航线为点A至点C，由于航线规划不一定为直线，故设置n个途径点B1、B2、B3…Bn，将AC段分解为AB1、B1B2…BnC，共(n+1)段，在每一段航线中的航迹偏转角为ψ1、ψ2、ψ3…ψn+1，当每一段的航迹偏转角|ψ|≤w4时，则认定无人机飞行航迹安全，若某一段航迹偏转角|ψ|>w4，则认定无人机航迹不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过调整舵面改变飞行器飞行方向，使ψ回归到安全值，确保无人机飞向目的地。
6、无人机对质心的俯仰力矩变化特性来判断无人机是否具备纵向静稳定性，无人机对质心的偏航力矩及滚转力矩变化特性来判断横侧向经稳定性，静稳定性指标为w5，机体轴纵向上，
Figure GDA0003849479400000091
其中Sw为机翼面积，CA为平均气动弦长，ρ为该飞行环境下的气体密度，MZ为纵轴上的力矩，v为速度，α为飞行器迎角。判定若w5<0，则飞行器具备静稳定性，无人机认定稳定性安全；判定若w5≥0，则飞行器不具备静稳定性，认定静稳定性不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过调整舵面、调整油门量，改变飞行器姿态及速度，使无人机由静不稳定状态调整为动稳定状态。
以上是建立知识库和反应规划库的具体方法及飞行预警算法。接下来描述面对预警状态量(预警状态量为未存储在知识库内的未知状态量)时，采用人工智能技术中的机器学习和神经网络算法，将预警状态量通过自主寻找最优解，对控制量进行调整并记录此次解算的实际状态量，记录合适的控制量，同时将知识库和反应规划库的数据进行扩充。随着飞行时长的不断增加，无人机逐渐将越来越多的未知状态量转变为已知状态量，宏观上无人机的自主飞行经验积累，飞行安全提升。
当真实飞行环境中遇到预警状态量，即遇到未知不安全飞行环境时，借助无人机辅助飞行控制方法，无人机会做出以下反应：
1、通过算法自主找寻接近现有知识库和反应规划库中的相近策略，输出对应于预警状态量的控制量。
2、通过执行器接收控制量，并将策略执行。
3、预警判断实际飞行是否安全。
4、另设置一个新的危险库，将预警判断不安全的状态量以及执行的控制量存入危险库中；将预警判断安全的状态量以及执行的控制量认定为新的安全策略，并存放在真实飞行状态矩阵中，扩充知识库和反应规划库的数据。
通过算法找寻现有知识库和反应规划库中相近策略的方法描述中，通过神经网络算法中的SGD优化算法来训练网络，自主找寻最优解。具体做法如下：
1、以现有数据量矩阵{A1、A2、A3}及其对应的反应规划库及飞行参数值中的数据为样本，设定理想权重值，权重值预设为飞行员比重p1(即假定飞行员面对该未知飞行环境其反应策略)、气动工程师比重p2、控制飞控工程师比重p3、结构工程师比重p4、其他比重p5，设计激活函数。
2、通过MSE来计算损失，
Figure GDA0003849479400000101
其中ztrue和zpred指的是以{A1、A2、A3}为数据样本的参数值及其预测值；
3、利用链式求导公式计算偏置导数；
4、调整偏导参数值，调整权重值和偏置；使激活函数的输出处于安全飞行区间
5、回到第1步。带入已知飞行环境数据库中的其他数值重新计算，重复步骤1-4，最终使得在已知飞行环境数据库下，激活函数的输出能够十分稳固的处于安全飞行区间；
6、将该算法认定为本方案中的最优解方法。
通过以上方法的实施，无人机可以在未知不安全环境中解算出对应反应，即在未知状态量
Figure GDA0003849479400000102
下通过上述算法计算得出理论上符合安全飞行的反应规划
Figure GDA0003849479400000103
此时
Figure GDA0003849479400000104
和
Figure GDA0003849479400000105
均为计算得出的结果，并不能将其直接迭代更新到知识库和反应规划库中，需要通过预警指标的收敛或发散进行具体判断。
基于预警指标的收敛或发散的知识库与反应规划库的更新迭代方法描述如下：
1、无人机执行通过调整该飞行状态下的控制量，使其逐渐逼近计算得出的反应规划
Figure GDA00038494794000001010
2、无人机调整控制量同时通过执行器实际执行，将数值的改变落实到实际油门量、控制舵面偏转量上；
3、实时进行预警指标的评估运算，若趋势为收敛，即认定该未知状态量
Figure GDA0003849479400000106
下的反应规划
Figure GDA0003849479400000107
安全，将该未知状态
Figure GDA0003849479400000108
及其对应的反应规划
Figure GDA0003849479400000109
存入真实飞行状态矩阵A4和反应规划库B中，未知飞行环境状态量变为已知量，可供未来使用；
4、实时进行预警指标的评估运算，若趋势为发散，则因立即停止该计算得出的反应规划
Figure GDA0003849479400000111
动作，即认定该未知状态量
Figure GDA0003849479400000112
下的反应规划
Figure GDA0003849479400000113
不安全，反馈到SGD算法中，微调参数值、权重值和偏置，计算新的反应规划，若实际飞行依然失效，继续调整，直至实际飞行环境无法提供实测环境(即无人机失事)；
5、步骤4中的所有飞行调参数据均实时记录在黑匣子中，最后可以得到无人机在面对状态量为
Figure GDA0003849479400000114
的未知环境下，其一系列反应规划
Figure GDA0003849479400000115
及调整的参数值、权重值和偏置均为危险值，存入危险库中，未来无人机自主飞行时必须规避该反应规划，避免同样的错误第二次发生。
以上描述了判断飞行时否安全，面对未知飞行环境如何设计飞行策略的具体方法，本方法中关于迭代运算策略会使用到相当庞大的实时计算，本发明设计可采用两种模式完成相关运算，分别是：
1、通过无人机机载计算机；
2、通过通讯模块，地面基站实时接收无人机传递回的状态量，通过地面超级计算机的快速运算，得出计算结果并通过通讯模块实时传递到无人机。
通过控制电路使飞行器执行相关通讯、信息采集及处理任务，控制电路板元件包括但不限于STM32F103C8T6微控制器、BMP180气压传感器、MPU6050传感器、SMV-1攻角侧滑角传感器、MS44525D0空速管、WIFI_ESP8266通信模块。以上模块可以完成相关任务，但随着技术进步，可选择更为先进的传感器及通讯模块，增加测量精度、传输距离。
微控制器分别与气压传感器、MPU6050传感器、攻角侧滑角传感器和空速相连，实时采集飞机飞行过程中的状态量并对其进行数据处理，将处理好的数据利用通信模块发送给地面站，地面站包括知识库和反应规划库，地面站通过知识库和反应规划库计算得出实时飞行器控制量数据，地面站通过通信模块将飞行器控制量数据发送给飞行器，微控制器根据控制量数据，给舵机发送PWM信号改变飞行器飞行姿态，给电机或发动机发送PWM信号改变飞行器飞行速度，以确保飞机处于安全状态。
其工作过程描述如下：
1、STM32F103C8T6微控制器使用BMP180气压传感器、MPU6050传感器、SMV-1攻角侧滑角传感器和MS44525D0空速管，采集飞机飞行过程中19个状态量。其中BMP180气压传感器的SDA和SCL接口与微控制器的PB10和PB11相连，利用IIC协议进行传输数据。MPU6050传感器的SDA和SCL与微控制器的PB6和PB7相连，利用IIC协议进行传输数据，MPU INT中断与PB11相连产生中断信号。SMV-1攻角侧滑角传感器是利用RS2485协议传输，采用MAX485芯片将其信号转换成微控制器可识别的串口信号，其RX和TX与微控制器的PA9和PA10相连。MS44525D0空速管传感器的SCK和MISO与微控制器的PB13和PB14，利用SPI协议传输。
2、将采集好的数据利用WIFI_ESP8266通信模块，将采集到的数据发送给地面站进行数据处理，地面站通过接受WIFI信号获取飞机运行中的飞行状态量，通过知识库和反应规划库得出飞行器的6个控制量。
3、地面站通过WIFI将数据发送给飞行器。
4、飞行器接受地面站发送的飞行器控制量数据。微控制器根据控制量数据，给四个舵机发送PWM信号改变飞行器飞行姿态，给电机发送PWM信号改变飞行器飞行速度，以确保飞机处于安全状态。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解得到的变换或者替换，都应该涵盖在本发明的包含范围之内。

Claims (7)

1.一种基于人工智能的无人机辅助飞行控制方法，其特征在于，包括如下步骤：
S1、知识库与反应规划库的建立，知识库、反应规划库是通过数值模拟计算、风洞实验以及试飞过程中可得的安全飞行状态量、与安全飞行状态量相对应的安全飞行控制量；
S2、预警指标的监控判断；
S3、通过算法自主找寻接近现有知识库和反应规划库中的相近策略，输出对应于预警状态量的控制量；
S4、通过执行器接收控制量，并将策略执行；
S5、预警判断实际飞行是否安全；
S6、另设置一个新的危险库，将预警判断不安全的状态量以及执行的控制量存入危险库中；将预警判断安全的状态量以及执行的控制量认定为新的安全策略，并存放在真实飞行状态矩阵中，扩充知识库和反应规划库的数据；
预警指标的监控判断包括如下步骤：
S21、预设可接受波动范围为
Figure DEST_PATH_IMAGE002
，表示实际值与期望值在
Figure 164837DEST_PATH_IMAGE002
以内则认为实际飞行状态安全，不用采取预警动作，超出该范围则认定飞行状态不安全，采取预警动作；
S22、预设可接受升力波动范围为
Figure DEST_PATH_IMAGE004
，当升力
Figure DEST_PATH_IMAGE006
与飞行器自重m的相对差距在
Figure 948555DEST_PATH_IMAGE004
以内，即
Figure DEST_PATH_IMAGE008
，则认定飞行安全，无人机不采取预警动作；当升力
Figure 665975DEST_PATH_IMAGE006
与飞行器自重m的相对差距超过
Figure 61184DEST_PATH_IMAGE004
，即
Figure DEST_PATH_IMAGE010
，则认定飞行不安全，无人机采取预警动作，调整控制量的数值，并通过执行器执行；
S23、预设可接受推力波动范围为
Figure DEST_PATH_IMAGE012
，加速阶段当推力
Figure DEST_PATH_IMAGE014
大于飞行阻力D即
Figure DEST_PATH_IMAGE016
时，则认定飞行安全，无人机不采取预警动作；巡航阶段当推力
Figure 688606DEST_PATH_IMAGE014
与飞行阻力D的相对差距在
Figure 448751DEST_PATH_IMAGE012
以内，即
Figure DEST_PATH_IMAGE018
，则认定飞行安全，无人机不采取预警动作，减速阶段当推力
Figure 653468DEST_PATH_IMAGE014
小于飞行阻力D即
Figure DEST_PATH_IMAGE020
时，则认定飞行安全，无人机不采取预警动作；在上述阶段中不满足对应条件，则认定飞行不安全，无人机采取预警动作，调整控制量的数值，并通过执行器执行，使操纵面或油门量达到规划库中对应调整的数值；
S24、油箱传感器监测实时油箱为
Figure DEST_PATH_IMAGE022
，油箱总容量为
Figure DEST_PATH_IMAGE024
，航线总路程为
Figure DEST_PATH_IMAGE026
，已完成航线距离
Figure DEST_PATH_IMAGE028
，储备应急油量为
Figure DEST_PATH_IMAGE030
，航程预警指标为
Figure DEST_PATH_IMAGE032
，令
Figure DEST_PATH_IMAGE034
，当
Figure DEST_PATH_IMAGE036
时，说明航程安全，当无人机不采取预警动作；当
Figure DEST_PATH_IMAGE038
时，航程临界安全，由于应急油量
Figure 475537DEST_PATH_IMAGE030
的存在，无人机依然认为航程安全；当
Figure DEST_PATH_IMAGE040
时，无人机认定飞行航程不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过增强经济续航时间、减少机动、调整航线，使
Figure 82099DEST_PATH_IMAGE032
逐渐升高到安全值；
Figure 13146DEST_PATH_IMAGE032
越大，说明航程安全越强；
S25、实时监控航迹偏航角
Figure DEST_PATH_IMAGE042
，航迹偏转预警指标为
Figure DEST_PATH_IMAGE044
，假定飞行航线为点
Figure DEST_PATH_IMAGE046
至点C，由于航线规划不一定为直线，故设置
Figure DEST_PATH_IMAGE048
个途径点
Figure DEST_PATH_IMAGE050
，将
Figure DEST_PATH_IMAGE052
段分解为
Figure DEST_PATH_IMAGE054
，共
Figure DEST_PATH_IMAGE056
段，在每一段航线中的航迹偏转角为
Figure DEST_PATH_IMAGE058
，当每一段的航迹偏转角
Figure DEST_PATH_IMAGE060
时，则认定无人机飞行航迹安全，若某一段航迹偏转角
Figure DEST_PATH_IMAGE062
，则认定无人机航迹不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过调整舵面改变飞行器飞行方向，使
Figure 334186DEST_PATH_IMAGE042
回归到安全值，确保无人机飞向目的地；
S26、无人机对质心的俯仰力矩变化特性来判断无人机是否具备纵向静稳定性，无人机对质心的偏航力矩及滚转力矩变化特性来判断横侧向经稳定性，静稳定性指标为
Figure DEST_PATH_IMAGE064
，机体轴纵向上，
Figure DEST_PATH_IMAGE066
，其中
Figure DEST_PATH_IMAGE068
为机翼面积，
Figure DEST_PATH_IMAGE070
为平均气动弦长，
Figure DEST_PATH_IMAGE072
为飞行环境下的气体密度，
Figure DEST_PATH_IMAGE074
为纵轴上的力矩，v为速度，
Figure DEST_PATH_IMAGE076
为飞行器迎角；判定若
Figure DEST_PATH_IMAGE078
，则飞行器具备静稳定性，无人机认定稳定性安全；判定若
Figure DEST_PATH_IMAGE080
，则飞行器不具备静稳定性，认定静稳定性不安全，采取预警动作，调整控制量的数值，并通过执行器执行，通过调整舵面、调整油门量，改变飞行器姿态及速度，使无人机由静不稳定状态调整为动稳定状态。
2.根据权利要求1所述的基于人工智能的无人机辅助飞行控制方法，其特征在于，知识库与反应规划库的建立包括如下步骤：
S11、令状态量为矩阵X，控制量为矩阵Y，参数值为矩阵Z，状态量有
Figure DEST_PATH_IMAGE082
个，控制量为
Figure 694367DEST_PATH_IMAGE048
个，飞行参数值有
Figure DEST_PATH_IMAGE084
个，则构成矩阵方程
Figure DEST_PATH_IMAGE086
，其中A为
Figure DEST_PATH_IMAGE088
的矩阵， B为
Figure DEST_PATH_IMAGE090
的矩阵，X为
Figure DEST_PATH_IMAGE092
的矩阵，Y为
Figure DEST_PATH_IMAGE094
的矩阵，Z为
Figure DEST_PATH_IMAGE096
的矩阵，其中矩阵A与矩阵B表示状态量系数和控制量系数；
S12、定型中的无人机通过Fluent数值模拟计算后得出部分数据，这里标记为
Figure DEST_PATH_IMAGE098
；
S13、定型完成后的无人机可通过等比缩小模型在风洞实验室通过风洞实验得出部分数据，这里标记为
Figure DEST_PATH_IMAGE100
，
Figure DEST_PATH_IMAGE102
；
S14、制作完成的无人机试飞过程中记录的部分数据，这里标记为
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE106
；
S15、此时
Figure 796183DEST_PATH_IMAGE104
，
Figure 163710DEST_PATH_IMAGE106
的数据为知识库和反应规划库的初始数据。
3.根据权利要求2所述的基于人工智能的无人机辅助飞行控制方法，其特征在于，知识库状态量包括但不限于空速、加速度、高度、姿态角、航迹角、气流角、姿态角速率、航迹角速率、气流角速率，其中姿态角包括航向角、俯仰角和横滚角，航迹角包括偏航角、俯仰角、滚转角，气流角包括迎角和侧滑角，姿态角速率包括航向角速率、俯仰角速率和横滚角速率，航迹角速率包括偏航角速率、俯仰角速率、滚转角速率，气流角速率包括迎角速率和侧滑角速率。
4.根据权利要求2所述的基于人工智能的无人机辅助飞行控制方法，其特征在于，反应规划库控制量包括但不限于油门量、舵偏量、舵偏角速度，其中舵偏量包括但不限于升降舵偏转量、方向舵偏转量、可伸缩变形舵面偏转量，舵偏角速度包括升降舵偏转角速度、方向舵偏转角速度。
5.根据权利要求1所述的基于人工智能的无人机辅助飞行控制方法，其特征在于，通过算法自主找寻接近现有知识库和反应规划库中的相近策略包括如下步骤：
S31、以现有数据量矩阵
Figure DEST_PATH_IMAGE108
及其对应的反应规划库及飞行参数值中的数据为样本，设定理想权重值，权重值预设为飞行员比重
Figure DEST_PATH_IMAGE110
、气动工程师比重
Figure DEST_PATH_IMAGE112
、控制飞控工程师比重
Figure DEST_PATH_IMAGE114
、结构工程师比重
Figure DEST_PATH_IMAGE116
、其他比重
Figure DEST_PATH_IMAGE118
，设计激活函数；
S32、通过MSE来计算损失，
Figure DEST_PATH_IMAGE120
，其中
Figure DEST_PATH_IMAGE122
和
Figure DEST_PATH_IMAGE124
指的是以
Figure 90821DEST_PATH_IMAGE108
为数据样本的参数值及其预测值；
S33、利用链式求导公式计算偏置导数；
S34、调整偏导参数值，调整权重值和偏置；使激活函数的输出处于安全飞行区间；
S35、回到第步骤S31，带入已知飞行环境数据库中的其他数值重新计算，重复步骤S31-S34，最终使得在已知飞行环境数据库下，激活函数的输出能够十分稳固的处于安全飞行区间；
S36、将该算法认定为最优解。
6.根据权利要求1所述的基于人工智能的无人机辅助飞行控制方法，其特征在于，另设置一个新的危险库，将预警判断不安全的状态量以及执行的控制量存入危险库中；将预警判断安全的状态量以及执行的控制量认定为新的安全策略，并存放在真实飞行状态矩阵中，扩充知识库和反应规划库的数据包括如下步骤：
S61、无人机执行通过调整该飞行状态下的控制量，使其逐渐逼近计算得出的反应规划
Figure DEST_PATH_IMAGE126
；
S62、无人机调整控制量同时通过执行器实际执行，将数值的改变落实到实际油门量、控制舵面偏转量上；
S63、实时进行预警指标的评估运算，若趋势为收敛，即认定未知状态量
Figure DEST_PATH_IMAGE128
下的反应规划
Figure 241311DEST_PATH_IMAGE126
安全，将未知状态
Figure 822465DEST_PATH_IMAGE128
及其对应的反应规划
Figure 157632DEST_PATH_IMAGE126
存入真实飞行状态矩阵
Figure DEST_PATH_IMAGE130
和反应规划库
Figure DEST_PATH_IMAGE132
中，未知飞行环境状态量变为已知量，可供未来使用；
S64、实时进行预警指标的评估运算，若趋势为发散，则因立即停止该计算得出的反应规划
Figure 761919DEST_PATH_IMAGE126
动作，即认定未知状态量
Figure 778417DEST_PATH_IMAGE128
下的反应规划
Figure 276394DEST_PATH_IMAGE126
不安全，反馈到SGD算法中，微调参数值、权重值和偏置，计算新的反应规划，若实际飞行依然失效，继续调整，直至实际飞行环境无法提供实测环境；
S65、步骤S64中的所有飞行调参数据均实时记录在黑匣子中，最后可以得到无人机在面对状态量为
Figure 985724DEST_PATH_IMAGE128
的未知环境下，其一系列反应规划
Figure 936363DEST_PATH_IMAGE126
及调整的参数值、权重值和偏置均为危险值，存入危险库中，未来无人机自主飞行时必须规避该反应规划，避免同样的错误第二次发生。
7.一种用于实现权利要求1-6中任一项所述的基于人工智能的无人机辅助飞行控制方法的装置，其特征在于，包括微控制器、气压传感器、MPU6050传感器、攻角侧滑角传感器、空速管、通信模块，所述微控制器分别与所述气压传感器、MPU6050传感器、攻角侧滑角传感器和空速相连，用于实时采集飞机飞行过程中的状态量并对其进行数据处理，将处理好的数据利用通信模块，将采集到的数据发送给地面站；地面站包括知识库和反应规划库，地面站通过知识库和反应规划库计算得出实时飞行器控制量数据，地面站通过通信模块将飞行器控制量数据发送给飞行器，微控制器根据控制量数据，给舵机发送PWM信号改变飞行器飞行姿态，给电机或发动机发送PWM信号改变飞行器飞行速度，以确保飞机处于安全状态。
CN202011144081.4A 2020-10-22 2020-10-22 一种基于人工智能的无人机辅助飞行装置及飞行控制方法 Active CN112180984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011144081.4A CN112180984B (zh) 2020-10-22 2020-10-22 一种基于人工智能的无人机辅助飞行装置及飞行控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011144081.4A CN112180984B (zh) 2020-10-22 2020-10-22 一种基于人工智能的无人机辅助飞行装置及飞行控制方法

Publications (2)

Publication Number Publication Date
CN112180984A CN112180984A (zh) 2021-01-05
CN112180984B true CN112180984B (zh) 2023-01-06

Family

ID=73923631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011144081.4A Active CN112180984B (zh) 2020-10-22 2020-10-22 一种基于人工智能的无人机辅助飞行装置及飞行控制方法

Country Status (1)

Country Link
CN (1) CN112180984B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537838A (zh) * 2021-08-16 2021-10-22 上海志茗航空科技有限公司 一种用于大载重系留无人机的产品全数据智能管理***
CN114489103B (zh) * 2022-01-21 2023-09-08 西南交通大学 一种耦合单轴云台的手机无人机及控制方法
CN115630532B (zh) * 2022-12-19 2023-05-05 安胜（天津）飞行模拟***有限公司 一种全动飞行模拟机的快速重定位方法
CN116050842B (zh) * 2023-02-01 2023-08-04 东华理工大学 一种城市地下工程施工安全风险动态控制方法及***
CN116662937B (zh) * 2023-07-31 2023-10-20 西安交通大学城市学院 一种航空器大气数据安全监测评价方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104932519A (zh) * 2015-05-25 2015-09-23 北京航空航天大学 基于专家知识的无人机飞行指挥辅助决策***及其设计方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102830691A (zh) * 2012-07-20 2012-12-19 南京航空航天大学 一种基于云计算的无人机自动检测及故障诊断方法
US10586464B2 (en) * 2015-07-29 2020-03-10 Warren F. LeBlanc Unmanned aerial vehicles
CN106504233B (zh) * 2016-10-18 2019-04-09 国网山东省电力公司电力科学研究院 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及***
US20200089206A1 (en) * 2018-10-10 2020-03-19 Greenstar Research and Development India Pvt Ltd Unmanned aerial vehicle (uav) and a system for monitoring and maintaining luminaires using the uav
CN109814595B (zh) * 2019-01-28 2022-03-01 西安爱生技术集团公司 基于多Agent的直升机-无人机协同打击信火同步控制方法
CN110309865A (zh) * 2019-06-19 2019-10-08 上海交通大学 一种无人机巡视输电线路销钉缺陷分级图像识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104932519A (zh) * 2015-05-25 2015-09-23 北京航空航天大学 基于专家知识的无人机飞行指挥辅助决策***及其设计方法

Also Published As

Publication number Publication date
CN112180984A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112180984B (zh) 一种基于人工智能的无人机辅助飞行装置及飞行控制方法
Lungu Backstepping and dynamic inversion combined controller for auto-landing of fixed wing UAVs
CN100591900C (zh) 具有三个控制环设计的飞行控制***
Azinheira et al. A backstepping controller for path‐tracking of an underactuated autonomous airship
US7706932B2 (en) Method for controlling control parameters in an air vehicle and system of controlling an air vehicle
Muskardin et al. Landing of a fixed-wing uav on a mobile ground vehicle
CN111538255B (zh) 一种反蜂群无人机的飞行器控制方法及***
CN114942649B (zh) 一种基于反步法的飞机俯仰姿态与航迹角解耦控制方法
CN109703769B (zh) 一种基于预瞄策略的空中加油对接控制方法
Bao et al. Design of a fixed-wing UAV controller based on adaptive backstepping sliding mode control method
CN110967973A (zh) 舰载机垂尾损伤故障自适应容错控制器设计方法及控制***
No et al. Control and simulation of arbitrary flight trajectory-tracking
CN107957686B (zh) 基于预见控制的无人直升机自动着舰控制***
CN115933733A (zh) 一种固定翼无人机纵向高度速度解耦非线性控制方法
Timchenko et al. Optimization of processes of robust control of quadcopter for monitoring of sea waters
Cardoso et al. A nonlinear W∞ controller of a tilt-rotor UAV for trajectory tracking
CN107479382A (zh) 基于在线数据学习的高超声速飞行器神经网络控制方法
Sadraey A systems engineering approach to unmanned aerial vehicle design
Yang et al. A decentralised control strategy for formation flight of unmanned aerial vehicles
McIntosh et al. A Switching-Free Control Architecture for Transition Maneuvers of a Quadrotor Biplane Tailsitter
CN114003052B (zh) 一种基于动态补偿***的固定翼无人机纵向运动鲁棒自适应控制方法
Liu et al. Coordinated landing control of unmanned aerial vehicle
Mooij et al. Stability analysis of an adaptive guidance and control system applied to a winged re-entry vehicle
Hegde et al. Closed loop performance analysis of classical PID and robust H-infinity controller for VTOL unmanned quad tiltrotor aerial vehicle
Sathya et al. Design and implementation of advanced controller for aircraft control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant