CN115639830A - 一种空地智能体协同编队控制***及其编队控制方法 - Google Patents
一种空地智能体协同编队控制***及其编队控制方法 Download PDFInfo
- Publication number
- CN115639830A CN115639830A CN202211609270.3A CN202211609270A CN115639830A CN 115639830 A CN115639830 A CN 115639830A CN 202211609270 A CN202211609270 A CN 202211609270A CN 115639830 A CN115639830 A CN 115639830A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle
- unmanned
- ground
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000001629 suppression Effects 0.000 claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 239000003795 chemical substances by application Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 31
- 230000001133 acceleration Effects 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 101100379080 Emericella variicolor andB gene Proteins 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种空地智能体协同编队控制***及其编队控制方法,属于智能体编队控制技术领域。本发明的编队控制***包括空地协同***动态模块、标称控制模块、干扰抑制控制模块和控制指令融合模块。标称控制模块和干扰抑制控制模块能够实现期望的协同性能。相比于传统的空地协同***,本发明可以执行更复杂的任务、有效抑制模型不匹配和外界干扰问题,能够实现空地智能体之间的安全稳定协同。
Description
技术领域
本发明属于智能体编队控制技术领域,具体涉及一种空地智能体协同编队控制***及其编队控制方法。
背景技术
空地智能体协同控制是指具有功能差异性的空中智能体(如:无人机)和地面智能体(如:无人车)组成的协同整体,其相互间可通过协同控制、信息交互、任务分配与合作实现功能互补、能效倍增,从而提升面对复杂环境和复杂任务执行的应对能力。在信息化装备迅速发展的今天,“一域多层、空地一体”的空地多域智能体协同体系越来越受到国际上的广泛重视。
在这些复杂的任务中,空地协同控制的性能主要依赖于协同控制。目前,已经有关于空地协同控制的研究,如:公告号为CN109240331B和CN106054922B的中国专利申请,利用神经网络设计无人机-无人车联合编队控制器。但是神经网络需要一定的学习时间,而且运行复杂度高,不易于实现。
发明内容
鉴于上述问题,本发明提供了一种空地智能体协同编队控制***及其编队控制方法,用以解决现有空地协同***在执行任务过程中受到环境干扰和模型不匹配问题导致的不能安全稳定地完成复杂空地协同任务的问题。
为了解决上述技术问题,一方面,本发明提供的一种空地智能体协同编队控制方法,包括以下步骤:
步骤一、建立无人机和无人车的空地智能体协同编队的运动模型:
其中,p ti 表示第i架无人机在飞行过程中的坐标向量,表示第i架无人机的飞行加速度向量;R ti 表示惯性坐标系与第i架无人机本体坐标系之间的转换矩阵;F if 表示第i架无人机机身产生的气动力;g表示引力常量;c 3,3表示三维列向量;D pi 表示第i架无人机因环境风力影响受到的外界干扰力和模型未知部分;ω ti 表示第i架无人机绕自身本体坐标系旋转的角速度;表示第i架无人机绕自身本体坐标系旋转的角加速度;表示将ω ti 做反对称矩阵运算;J ti 表示第i架无人机的转动惯量;u pi 表示第i架无人机的位置融合控制指令,u ai 表示第i架无人机姿态控制输入指令;M iw 为第i架无人机受到的气动力矩;表示第j辆无人车在OX轴和OY轴方向上的加速度和偏航方向角加速度组成的三维向量;u gj 表示第j辆无人车的位置融合控制指令;D ai 表示第i架无人机因环境风力影响受到的外界干扰力矩和模型未知部分;D gj 表示第j辆无人车因环境风力影响受到的外界干扰和模型未知部分;
B pi ,B ai 和B gj 分别表示第i架无人机位置的参数矩阵、第i架无人机姿态的参数矩阵和第j辆无人车位置的参数矩阵,E gj 表示第j辆无人车的加速度和偏航方向角加速度耦合的加速度向量;
步骤二、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型,建立无人机和无人车的标称控制律;
步骤三、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型,建立无人机和无人车的干扰抑制控制律;
步骤四、将步骤二和步骤三的标称控制律和干扰抑制控制律相结合,得到融合控制律。
可选地,步骤一中的第i架无人机位置的参数矩阵B pi 、第i架无人机姿态的参数矩阵B ai 和第j辆无人车位置的参数矩阵B gj ,以及第j辆无人车的加速度和偏航方向角加速度耦合的加速度向量E gj 分别表示如下:
其中,m ti 表示第i架无人机的质量;m gj 表示第j辆无人车的质量;V xj 表示第j辆无人车在OX轴方向上的速度;V yj 表示第j辆无人车在OY轴方向上的速度;J gj 表示第j辆无人车的转动惯量;Q gj 表示第j辆无人车的偏航方向的角速度;C gj 表示第j辆无人车在运行过程中的阻力系数。
可选地,步骤二中的无人机和无人车的标称控制律为:
其中,u pi N ,u ai N 分别表示第i架无人机位置标称控制指令和姿态标称控制指令,u gj N 表示第j辆无人车位置控制标称指令;K tp ,K td 表示第i架无人机位置通道上标称控制器的两个3×3参数矩阵;K ap ,K ad 表示第i架无人机姿态通道上标称控制器的两个3×3标称控制器参数矩阵;K gp ,K gd 表示第j辆无人车标称控制器的两个3×3参数矩阵;q ti 表示第i架无人机位置通道上一个标称控制器参数常量;q ai 表示第i架无人机姿态通道上一个标称控制器参数常量;q gj 表示第j辆无人车的一个标称控制器参数常量;Z ti 表示第i架无人机在编队中位置运动误差;Z gj 表示第j辆无人车在编队中位置运动误差;表示空地协同编队的编队中心在惯性坐标系下的状态信息;e ai 表示第i架无人机的姿态误差,表示第i架无人机的姿态角速度误差;表示空地智能体协同编队标称控制的一阶滑模面。
可选地,步骤二中的第i架无人机在编队中位置运动误差Z ti 和第j辆无人车在编队中位置运动误差Z gj 表达式为:
其中,w ik 表示第i架无人机与第i架无人机的第k架邻居无人机通信的权重系数;p ti 表示第i架无人机在地面坐标系中的坐标向量,p tk 表示第i架无人机的第k架邻居无人机在地面坐标系中的坐标向量;w jn 表示第j辆无人车与第j辆无人车的第n辆邻居无人车通信的权重系数,p gj 表示第j辆无人车在地面坐标系中的坐标向量,p gn 表示第j辆无人车的第n辆邻居无人车在地面坐标系中的坐标向量;h ti 表示第i架无人机与编队中心的位置偏差;h gj 表示第j辆无人车与编队中心的位置偏差;h tk 表示第i架无人机的第k架邻居无人机与编队中心的位置偏差;h gn 表示第j辆无人车的第n辆邻居无人车与编队中心的位置偏差;第i架无人机与第i架无人机的第k架邻居无人机的位置偏差为h tik =h ti -h tk ;第j辆无人车与第j辆无人车的第n辆邻居无人车的位置偏差为h gjn =h gj -h gn 。
其中,e ti ,e ai 和e gj 分别表示第i架无人机位置误差、第i架无人机姿态误差和第j辆无人车位置误差;分别表示第i架无人机速度误差、第i架无人机角加速度误差和第j辆无人车速度误差;K ti 表示第i架无人机位置通道上3×3参数矩阵;K ai 表示第i架无人机姿态通道上3×3参数矩阵;K gj 表示第j辆无人车运动通道上3×3参数矩阵;S ti ,S ai 和S gj 分别表示空地智能体协同编队标称控制的一阶滑模面的积分;τ表示时间积分变量,d τ 表示积分变量τ的增量,e ti (τ),e ai (τ)和e gi (τ)分别表示第i架无人机位置误差积分函数,第i架无人机姿态误差积分函数和第j辆无人车位置误差积分函数。
可选地,步骤三中的无人机和无人车的干扰抑制控制律为:
其中,u pi S 表示第i架无人机位置通道上干扰抑制控制指令,u ai S 表示第i架无人机姿态通道上干扰抑制控制指令,u gj S 表示第j辆无人车干扰抑制控制指令;l pi ,l ps 表示第i架无人机位置通道上两个一维干扰补偿控制参数常量,l ai ,l as 表示第i架无人机姿态通道上两个一维干扰补偿控制参数常量,l gj ,l gs 表示第j辆无人车两个一维干扰补偿控制的参数常量;表示阶跃函数,如果,
如果
另一方面,本发明提供的一种空地智能体协同编队控制***,包括空地协同***动态模块、标称控制模块、干扰抑制控制模块和控制指令融合模块;
标称控制模块,用于接收无人机和无人车的自身状态信息和邻居状态信息,对自身状态信息和邻居状态信息进行处理后获得标称控制指令;并将标称控制指令输出给控制指令融合模块;
干扰补偿控制模块,用于接收无人机和无人车的自身状态信息,对自身状态信息进行处理后获得干扰抑制控制指令;并将干扰抑制控制指令输出给控制指令融合模块;
控制指令融合模块,用于处理标称控制指令和干扰抑制控制指令得到融合控制指令;并将融合控制指令输出给空地协同***动态模块;
空地协同***动态模块包括无人机动态模块和无人车动态模块,用于接收融合控制指令,控制无人机和无人车运行。
与现有技术相比,本发明具有以下有益效果:
(1)本发明的空地智能体协同编队控制方法复杂度低,易于空地多域智能体之间协同编队的实现。
(2)本发明的空地智能体协同编队控制***的干扰抑制控制模块能够在模型不匹配和外部干扰影响下运行,实现了空地智能体协同编队控制在多种影响下的编队协同任务技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制。
图1是传统空地智能体协同***的结构图。
图2是智能体在惯性坐标系和本体坐标系的示意图。
图3是本发明的空地智能体协同编队控制***的结构图。
图4是本发明的实施例中2架无人机和2辆无人车的三维空间位置示意图。
图5a是本发明的实施例中2架无人机X轴方向的位置跟踪误差曲线。
图5b是本发明的实施例中2架无人机Y轴方向的位置跟踪误差曲线。
图5c是本发明的实施例中2架无人机Z轴方向的位置跟踪误差曲线。
图6a是本发明的实施例中2辆无人车X轴方向的位置跟踪误差曲线。
图6b是本发明的实施例中2辆无人车Y轴方向的位置跟踪误差曲线。
附图标记说明:
100-空地智能体协同***动态模块;200-标称控制模块;300-干扰抑制控制模块;400-控制指令融合模块。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在本发明中,为了实现对无人机和无人车的状态表征,使用惯性坐标系E 地-OXYZ和智能体的本体坐标系E 体-O b X b Y b Z b ;
其中,惯性坐标系E 地-OXYZ为与地球表面固连的坐标系,坐标系原点O选取在地平面一点上,OX轴为指向目标的方向,OY轴垂直于OX轴,OZ轴与其它两轴垂直并构成右手直角坐标系;智能体的本体坐标系E 体-O b X b Y b Z b 为与智能体本体固连,本体坐标系原点O b 在智能体的质心处(质心);O b X b 轴在智能体对称平面内并平行于智能体的轴线指向前方;O b Y b 轴垂直于O b X b 轴;O b Z b 轴在智能体对称平面内,与O b X b 轴和O b X b 轴垂直并构成右手直角坐标系。
如图2所示,无人机在惯性坐标系E 地-OXYZ中所在的位置,定义如下:
p ti 表示第i架无人机在地面坐标系E 地-OXYZ中的坐标向量,p ti =[x ti ,y ti ,z ti ];
x ti 表示第i架无人机在地面坐标系E 地-OXYZ中X方向上的坐标;
y ti 表示第i架无人机在地面坐标系E 地-OXYZ中Y方向上的坐标;
z ti 表示第i架无人机在地面坐标系E 地-OXYZ中Z方向上的坐标。
无人车在惯性坐标系E 地-OXYZ中所在的位置,定义如下:
p gj 表示第j辆无人车在地面坐标系E 地-OXYZ中的坐标向量,p gj =[x gj ,y gj ,z gj ];
x gj 表示第j辆无人车在地面坐标系E 地-OXYZ中X方向上的坐标;
y gj 表示第j辆无人车在地面坐标系E 地-OXYZ中Y方向上的坐标;
z gj 表示第j辆无人车在地面坐标系E 地-OXYZ中Z方向上的坐标。
空地智能体协同编队的编队中心为整个编队***提供参考轨迹,编队中心在惯性坐标系中的位置为p 0=[x 0,y 0,z 0];编队中心为空地智能体中的无人机或无人车,其他无人机和无人车分别与编队中心保持相对的运动轨迹,完成协同编队任务。
本发明的一个实施例,如图1-图3,公开了一种空地智能体协同编队控制方法,包括以下步骤:
步骤一、建立无人机和无人车的空地智能体协同编队运动模型:
其中,p ti 表示第i架无人机在飞行过程中的坐标向量,表示第i架无人机的飞行加速度向量;R ti 表示惯性坐标系与第i架无人机本体坐标系之间的转换矩阵;F if 表示第i架无人机机身产生的气动力; g表示引力常量;c 3,3表示三维列向量,c 3,3 =[0 0 1] T ;D pi 表示第i架无人机因环境风力影响受到的外界干扰力和模型未知部分;ω ti 表示第i架无人机绕自身本体坐标系旋转的角速度;表示第i架无人机绕自身本体坐标系旋转的角加速度;表示将ω ti 做反对称矩阵运算;J ti 表示第i架无人机的转动惯量;u pi 表示第i架无人机位的位置融合控制指令,u ai 表示第i架无人机姿态控制输入指令;M iw 为第i架无人机受到的气动力矩;表示第j辆无人车在OX轴和OY轴方向上的加速度和偏航方向角加速度组成的三维向量;u gi 表示第j辆无人车的位置融合控制指令;D ai 表示第i架无人机因环境风力影响受到的外界干扰力矩和模型未知部分;D gj 表示第j辆无人车因环境风力影响受到的外界干扰和模型未知部分;B pi ,B ai 和B gj 表示第i架无人机位置的参数矩阵、第i架无人机姿态的参数矩阵和第j辆无人车位置的参数矩阵,E gj 表示第j辆无人车由OX轴和OY轴方向上的加速度和偏航方向角加速度耦合的加速度向量,分别表示如下:
其中,m ti 表示第i架无人机的质量;m gj 表示第j辆无人车的质量;V xj 表示第j辆无人车在OX轴方向上的速度;V yj 表示第j辆无人车在OY轴方向上的速度;J gj 表示第j辆无人车的转动惯量;Q gj 表示第j辆无人车的偏航方向的角速度;C gj 表示第j辆无人车在运行过程中的阻力系数。
步骤二、根据步骤一中的无人机和无人车的空地协同编队的运动模型,建立无人机和无人车的标称控制律,实现期望的编队控制。
无人机和无人车的标称控制输入指令为:
其中,u pi N ,u ai N 分别表示第i架无人机位置标称控制指令和姿态标称控制指令,u gj N 表示第j辆无人车位置控制标称指令;K tp ,K td 表示第i架无人机位置通道上标称控制器的两个3×3参数矩阵;K ap ,K ad 表示第i架无人机姿态通道上标称控制器的两个3×3标称控制器参数矩阵;K gp ,K gd 表示第j辆无人车标称控制器的两个3×3参数矩阵;q ti 表示第i架无人机位置通道上一个标称控制器参数常量;q ai 表示第i架无人机姿态通道上一个标称控制器参数常量;q gj 表示第j辆无人车的一个标称控制器参数常量;Z ti 表示第i架无人机在编队中位置运动误差;Z gj 表示第j辆无人车在编队中位置运动误差;表示空地协同编队的编队中心在惯性坐标系下的状态信息;e ai 表示第i架无人机的姿态误差,表示第i架无人机的姿态角速度误差;表示空地协同编队标称控制的一阶滑模面;
其中,;w ik 表示第i架无人机与第i架无人机的第k架邻居无人机通信的权重系数;p ti 表示第i架无人机在地面坐标系中的坐标向量,p tk 表示第i架无人机的第k架邻居无人机在地面坐标系中的坐标向量;w jn 表示第j辆无人车与第j辆无人车的第n辆邻居无人车通信的权重系数,p gj 表示第j辆无人车在地面坐标系中的坐标向量,p gn 表示第j辆无人车的第n辆邻居无人车在地面坐标系中的坐标向量;h ti 表示第i架无人机与编队中心的位置偏差;h gj 表示第j辆无人车与编队中心的位置偏差;h tk 表示第i架无人机的第k架邻居无人机与编队中心的位置偏差;h gn 表示第j辆无人车的第n辆邻居无人车与编队中心的位置偏差;第i架无人机与第i架无人机的第k架邻居无人机的位置偏差为h tik =h ti -h tk ;第j辆无人车与第j辆无人车的第n辆邻居无人车的位置偏差为h gjn =h gj -h gn 。
其中,e ti ,e ai 和e gj 分别表示第i架无人机位置误差、第i架无人机姿态误差和第j辆无人车位置误差;分别表示第i架无人机速度误差、第i架无人机角加速度误差和第j辆无人车速度误差;K ti 表示第i架无人机位置通道上3×3参数矩阵;K ai 表示第i架无人机姿态通道上3×3参数矩阵;K gj 表示第j辆无人车运动通道上3×3参数矩阵;S ti ,S ai 和S gj 分别表示空地智能体协同编队标称控制的一阶滑模面的积分;τ表示时间积分变量,d τ 表示时间积分变量τ的增量,e ti (τ),e ai (τ)和e gi (τ)分别表示第i架无人机位置误差积分函数,第i架无人机姿态误差积分函数和第j辆无人车位置误差积分函数。
步骤三、根据步骤一中的无人机和无人车的空地协同编队的运动模型,建立无人机和无人车的干扰抑制控制指令:
其中,u pi S 表示第i架无人机位置通道上干扰抑制控制指令,u ai S 表示第i架无人机姿态通道上干扰抑制控制指令,u gj S 表示第j辆无人车干扰抑制控制指令;l pi ,l ps 表示第i架无人机位置通道上两个一维干扰补偿控制参数常量,l ai ,l as 表示第i架无人机姿态通道上两个一维干扰补偿控制参数常量,l gj ,l gs 表示第j辆无人车两个一维干扰补偿控制的参数常量;表示阶跃函数,如果,
如果
步骤四、将步骤二和步骤三的标称控制指令和干扰抑制控制指令相结合,得到融合控制指令,进而实现对无人机和无人车的控制。参见图3所示,融合控制指令为:
本发明的另一个具体实施例,如图3,公开了一种空地智能体协同编队控制***,使用前述控制方法生成标称控制指令、干扰抑制指令和融合控制指令,包括空地协同***动态模块100、标称控制模块200、干扰抑制控制模块300和控制指令融合模块400,其中,空地智能体为无人机和无人车。
标称控制模块200,用于接收无人机和无人车的自身状态信息和邻居状态信息,对自身状态信息和邻居状态信息进行处理后获得标称控制指令(如:控制精度);并将标称控制指令输出给控制指令融合模块400;
干扰补偿控制模块300,用于接收无人机和无人车的自身状态信息,对自身状态信息进行处理后获得干扰抑制控制指令,用于抑制外界干扰和模型未知部分;并将干扰抑制控制指令输出给控制指令融合模块400;
控制指令融合模块400,用于处理标称控制指令和干扰抑制控制指令得到融合控制指令;并将融合控制指令输出给空地协同***动态模型100。
空地协同***动态模块100包括无人机动态模块和无人车动态模块,用于接收融合控制指令,控制无人机和无人车运行。
为了便于理解本发明,下面举例详细阐述本发明方法,但是本发明还可以应用于其他不同于此实施例来实施,因此,本发明保护范围不限于下述实例。
在本发明中,有2架无人机和2辆无人车在执行任务时,按照前述空地智能体协同编队控制方法进行协同编队控制。
建立无人机和无人车的空地协同编队的运动模型,设置模型参数设置如下:
引力常量g=10;第i架无人机位置的参数矩阵B pi 、第i架无人机姿态的参数矩阵B ai 和第j辆无人车位置的参数矩阵B gj 设置为:B pi =diag{0.02,0.02,0.02},B ai =diag{5,5,2.5},B gj =diag{0.001,0.001,0.002}。
***受到的外界自然风干扰设置如下:
其中,t表示时间,本实施例考虑的外界环境干扰为随着时间变化的;模型参数不确定性考虑为理想参数的25%。
标称控制律参数设置为:K tp =diag{132.6,132.6,132.6},K td =diag{55.2, 55.2,55.2},K ap =diag{160.5, 160.5, 160.5},K ad =diag{110.8, 110.8, 110.8},K gp =diag{330,330, 330},K gd =diag{155.1, 155.1, 155.1};K ti = K ai =K gj =diag{2, 2, 2};q ti =q ai =q gj =15。通过所设置的干扰抑制控制律参数和编队的位置状态信息,即可得到无人机和无人车的标称制控制指令u pi N ,u ai N ,u gj N 。
无人机和无人车的干扰抑制参数设置为:l pi =l ai =l gj =10,l ps = l as =l gs =60。通过所设置的干扰抑制控制律参数和编队的位置状态信息,即可得到无人机和无人车的干扰抑制控制指令u pi S ,u ai S ,u gj S 。
将步骤二和步骤三的标称控制指令和干扰抑制控制指令相结合,得到融合控制指令u pi ,u ai ,u gj ,从而实现对空地协同编队的控制。
仿真结果分析,2架无人机和2辆无人车通过Matlab控制***进行仿真;设置两架无人机和两辆无人车初始位置为如下:p t1(0)=[0 6 0] T ,p t2(0)=[-6 0 0] T ,p g1(0)=[0 6 0] T ,p g2(0)=[-6 0 0] T 。
无人机与无人车分别与编队中心的期望状态偏差设置如下:当飞行时间t<10s时时,h t1(0)=[0 6 0] T ,h t2(0)=[0 0 0] T ,h g1(0)=[0 6 0] T ,h g2(0)=[0 0 0] T ;当飞行时间t≥10s时,h t1(0)=[0 6 0] T ,h t2(0)=[12-12e -(t -10) 0 0] T ,h g1(0)=[0 6 0] T ,h g2(0)=[ 12-12e -(t -10) 0 0] T 。
从图4可以看出,本发明能够使无人机和无人车编队实现较好的协同,能够有效抑制***模型未知和外界干扰的影响,具有很好的鲁棒性。从图5a-图6b可以看出,本发明的空地智能体协同的误差较小,能够满足控制精度要求。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种空地智能体协同编队控制方法,其特征在于,包括以下步骤:
步骤一、建立无人机和无人车的空地智能体协同编队的运动模型:
其中,p ti 表示第i架无人机在飞行过程中的坐标向量,表示第i架无人机的飞行加速度向量;R ti 表示惯性坐标系与第i架无人机本体坐标系之间的转换矩阵;F if 表示第i架无人机机身产生的气动力;g表示引力常量;c 3,3表示三维列向量;D pi 表示第i架无人机因环境风力影响受到的外界干扰力和模型未知部分;ω ti 表示第i架无人机绕自身本体坐标系旋转的角速度;表示第i架无人机绕自身本体坐标系旋转的角加速度;表示将ω ti 做反对称矩阵运算;J ti 表示第i架无人机的转动惯量;u pi 表示第i架无人机的位置融合控制指令,u ai 表示第i架无人机姿态控制输入指令;M iw 为第i架无人机受到的气动力矩;表示第j辆无人车在OX轴和OY轴方向上的加速度和偏航方向角加速度组成的三维向量;u gj 表示第j辆无人车的位置融合控制指令;D ai 表示第i架无人机因环境风力影响受到的外界干扰力矩和模型未知部分;D gj 表示第j辆无人车因环境风力影响受到的外界干扰和模型未知部分;
B pi ,B ai 和B gj 分别表示第i架无人机位置的参数矩阵、第i架无人机姿态的参数矩阵和第j辆无人车位置的参数矩阵,E gj 表示第j辆无人车的加速度和偏航方向角加速度耦合的加速度向量;
步骤二、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型,建立无人机和无人车的标称控制律;
步骤三、根据步骤一中的无人机和无人车的空地智能体协同编队的运动模型,建立无人机和无人车的干扰抑制控制律;
步骤四、将步骤二和步骤三的标称控制律和干扰抑制控制律相结合,得到融合控制律。
3.根据权利要求1所述的空地智能体协同编队控制方法,其特征在于,步骤二中的无人机和无人车的标称控制律为:
其中,u pi N ,u ai N 分别表示第i架无人机位置标称控制指令和姿态标称控制指令,u gj N 表示第j辆无人车位置控制标称指令;K tp ,K td 表示第i架无人机位置通道上标称控制器的两个3×3参数矩阵;K ap ,K ad 表示第i架无人机姿态通道上标称控制器的两个3×3标称控制器参数矩阵;K gp ,K gd 表示第j辆无人车标称控制器的两个3×3参数矩阵;q ti 表示第i架无人机位置通道上一个标称控制器参数常量;q ai 表示第i架无人机姿态通道上一个标称控制器参数常量;q gj 表示第j辆无人车的一个标称控制器参数常量;Z ti 表示第i架无人机在编队中位置运动误差;Z gj 表示第j辆无人车在编队中位置运动误差;表示空地协同编队的编队中心在惯性坐标系下的状态信息;e ai 表示第i架无人机的姿态误差,表示第i架无人机的姿态角速度误差;表示空地智能体协同编队标称控制的一阶滑模面。
4.根据权利要求3所述的空地智能体协同编队控制方法,其特征在于,步骤二中的第i架无人机在编队中位置运动误差Z ti 和第j辆无人车在编队中位置运动误差Z gj 表达式为:
其中,w ik 表示第i架无人机与第i架无人机的第k架邻居无人机通信的权重系数;p ti 表示第i架无人机在地面坐标系中的坐标向量,p tk 表示第i架无人机的第k架邻居无人机在地面坐标系中的坐标向量;w jn 表示第j辆无人车与第j辆无人车的第n辆邻居无人车通信的权重系数,p gj 表示第j辆无人车在地面坐标系中的坐标向量,p gn 表示第j辆无人车的第n辆邻居无人车在地面坐标系中的坐标向量;h ti 表示第i架无人机与编队中心的位置偏差;h gj 表示第j辆无人车与编队中心的位置偏差;h tk 表示第i架无人机的第k架邻居无人机与编队中心的位置偏差;h gn 表示第j辆无人车的第n辆邻居无人车与编队中心的位置偏差;第i架无人机与第i架无人机的第k架邻居无人机的位置偏差为h tik =h ti -h tk ;第j辆无人车与第j辆无人车的第n辆邻居无人车的位置偏差为h gjn =h gj -h gn 。
其中,e ti ,e ai 和e gj 分别表示第i架无人机位置误差、第i架无人机姿态误差和第j辆无人车位置误差;分别表示第i架无人机速度误差、第i架无人机角加速度误差和第j辆无人车速度误差;K ti 表示第i架无人机位置通道上3×3参数矩阵;K ai 表示第i架无人机姿态通道上3×3参数矩阵;K gj 表示第j辆无人车运动通道上3×3参数矩阵;S ti ,S ai 和S gj 分别表示空地智能体协同编队标称控制的一阶滑模面的积分;τ表示时间积分变量,d τ 表示积分变量τ的增量,e ti (τ),e ai (τ)和e gi (τ)分别表示第i架无人机位置误差积分函数,第i架无人机姿态误差积分函数和第j辆无人车位置误差积分函数。
7.一种空地智能体协同编队控制***,包括空地协同***动态模块、标称控制模块、干扰抑制控制模块和控制指令融合模块;
标称控制模块,用于接收无人机和无人车的自身状态信息和邻居状态信息,对自身状态信息和邻居状态信息进行处理后获得标称控制指令;并将标称控制指令输出给控制指令融合模块;
干扰补偿控制模块,用于接收无人机和无人车的自身状态信息,对自身状态信息进行处理后获得干扰抑制控制指令;并将干扰抑制控制指令输出给控制指令融合模块;
控制指令融合模块,用于处理标称控制指令和干扰抑制控制指令得到融合控制指令;并将融合控制指令输出给空地协同***动态模块;
空地协同***动态模块包括无人机动态模块和无人车动态模块,用于接收融合控制指令,控制无人机和无人车运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609270.3A CN115639830B (zh) | 2022-12-15 | 2022-12-15 | 一种空地智能体协同编队控制***及其编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609270.3A CN115639830B (zh) | 2022-12-15 | 2022-12-15 | 一种空地智能体协同编队控制***及其编队控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115639830A true CN115639830A (zh) | 2023-01-24 |
CN115639830B CN115639830B (zh) | 2023-03-14 |
Family
ID=84949400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211609270.3A Active CN115639830B (zh) | 2022-12-15 | 2022-12-15 | 一种空地智能体协同编队控制***及其编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639830B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880571A (zh) * | 2023-09-07 | 2023-10-13 | 北京航空航天大学 | 一种网络攻击下的无人机编队鲁棒控制***及控制方法 |
CN116929350A (zh) * | 2023-08-23 | 2023-10-24 | 南京理工大学 | 一种基于数据链测距的快速临机重构协同导航***及方法 |
CN117193368A (zh) * | 2023-10-07 | 2023-12-08 | 中国电子科技集团公司第五十四研究所 | 一种多无人机协同编队避障保性能控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140096718A (ko) * | 2013-01-29 | 2014-08-06 | 한국항공우주산업 주식회사 | 다기종 무인기 비행제어법칙 설계장치 및 그 제어방법 |
CN108628345A (zh) * | 2018-06-28 | 2018-10-09 | 北京航空航天大学 | 一种电磁航天器编队悬停协同控制方法及*** |
CN110096073A (zh) * | 2019-04-18 | 2019-08-06 | 北京航空航天大学 | 仿信鸽智能行为的超大规模无人机集群控制***及方法 |
US20200174502A1 (en) * | 2018-12-04 | 2020-06-04 | Thales | Electronical device, and method, for automatically determining piloting information of a mobile machine accompanying a leader mobile machine, associated computer program |
CN112947086A (zh) * | 2021-03-09 | 2021-06-11 | 南京航空航天大学 | 一种无人机和无人车组成的异构多智能体***编队控制中执行器故障的自适应补偿方法 |
CN114815830A (zh) * | 2022-04-27 | 2022-07-29 | 北京理工大学 | 一种基于一致性算法的空地集群协同组网控制***及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439975B (zh) * | 2013-09-09 | 2016-04-06 | 北京理工大学 | 一种分布式指数时变滑模姿态协同跟踪控制方法 |
CN108919835B (zh) * | 2018-09-25 | 2021-02-02 | 北京航空航天大学 | 无人飞行器编队的控制方法、装置及控制器 |
CN114326781B (zh) * | 2020-12-08 | 2024-03-15 | 北京航空航天大学 | 完全分布式导弹编队协同自适应容错补偿控制器 |
CN112904723B (zh) * | 2021-01-19 | 2022-07-22 | 南京航空航天大学 | 非匹配干扰下的空地固定时间协同容错编队控制方法 |
CN115357048A (zh) * | 2022-09-15 | 2022-11-18 | 北京航空航天大学 | 一种不确定性下多无人机时变编队协同跟踪控制方法 |
-
2022
- 2022-12-15 CN CN202211609270.3A patent/CN115639830B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140096718A (ko) * | 2013-01-29 | 2014-08-06 | 한국항공우주산업 주식회사 | 다기종 무인기 비행제어법칙 설계장치 및 그 제어방법 |
CN108628345A (zh) * | 2018-06-28 | 2018-10-09 | 北京航空航天大学 | 一种电磁航天器编队悬停协同控制方法及*** |
US20200174502A1 (en) * | 2018-12-04 | 2020-06-04 | Thales | Electronical device, and method, for automatically determining piloting information of a mobile machine accompanying a leader mobile machine, associated computer program |
CN110096073A (zh) * | 2019-04-18 | 2019-08-06 | 北京航空航天大学 | 仿信鸽智能行为的超大规模无人机集群控制***及方法 |
CN112947086A (zh) * | 2021-03-09 | 2021-06-11 | 南京航空航天大学 | 一种无人机和无人车组成的异构多智能体***编队控制中执行器故障的自适应补偿方法 |
CN114815830A (zh) * | 2022-04-27 | 2022-07-29 | 北京理工大学 | 一种基于一致性算法的空地集群协同组网控制***及方法 |
Non-Patent Citations (1)
Title |
---|
WEI WANG 等 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116929350A (zh) * | 2023-08-23 | 2023-10-24 | 南京理工大学 | 一种基于数据链测距的快速临机重构协同导航***及方法 |
CN116929350B (zh) * | 2023-08-23 | 2023-11-21 | 南京理工大学 | 一种基于数据链测距的快速临机重构协同导航***及方法 |
CN116880571A (zh) * | 2023-09-07 | 2023-10-13 | 北京航空航天大学 | 一种网络攻击下的无人机编队鲁棒控制***及控制方法 |
CN116880571B (zh) * | 2023-09-07 | 2023-12-08 | 北京航空航天大学 | 一种网络攻击下的无人机编队鲁棒控制***及控制方法 |
CN117193368A (zh) * | 2023-10-07 | 2023-12-08 | 中国电子科技集团公司第五十四研究所 | 一种多无人机协同编队避障保性能控制方法 |
CN117193368B (zh) * | 2023-10-07 | 2024-02-27 | 中国电子科技集团公司第五十四研究所 | 一种多无人机协同编队避障保性能控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115639830B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhihao et al. | Virtual target guidance-based distributed model predictive control for formation control of multiple UAVs | |
CN115639830B (zh) | 一种空地智能体协同编队控制***及其编队控制方法 | |
Lunni et al. | Nonlinear model predictive control for aerial manipulation | |
Wu et al. | Formation obstacle avoidance: A fluid-based solution | |
CN109324636A (zh) | 基于二阶一致性和自抗扰的多四旋翼主从式协同编队控制方法 | |
Yan et al. | Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control | |
CN115639841B (zh) | 一种基于鲁棒牵制的无人机集群编队控制***及控制方法 | |
CN113311859A (zh) | 一种无人机集群有限时间仿射编队飞行控制方法 | |
CN113296507B (zh) | 一种基于时空解耦的多动力定位船舶协同编队控制方法 | |
CN110347170A9 (zh) | 可重复使用运载器再入段鲁棒容错制导控制***及工作方法 | |
Imanberdiyev et al. | A fast learning control strategy for unmanned aerial manipulators | |
Yang et al. | Distributed optimal consensus with obstacle avoidance algorithm of mixed-order UAVs–USVs–UUVs systems | |
Patel et al. | An intelligent hybrid artificial neural network-based approach for control of aerial robots | |
Ansari et al. | Development and experimental investigation of a Quadrotor’s robust generalized dynamic inversion control system | |
Vieira et al. | Unified backstepping sliding mode framework for airship control design | |
Huang et al. | Adaptive backstepping control for autonomous shipboard landing of a quadrotor with input saturation | |
Jeong et al. | Control System Design for a Ducted‐Fan Unmanned Aerial Vehicle Using Linear Quadratic Tracker | |
Tan et al. | Tracking of ground mobile targets by quadrotor unmanned aerial vehicles | |
Yamasaki et al. | Integrated guidance and autopilot for a path-following UAV via high-order sliding modes | |
Aruneshwaran et al. | Neural adaptive flight controller for ducted-fan UAV performing nonlinear maneuver | |
Ghommam et al. | Distance‐Based Formation Control for Quadrotors with Collision Avoidance via Lyapunov Barrier Functions | |
Enjiao et al. | Finite-time control of formation system for multiple flight vehicles subject to actuator saturation | |
Davidi et al. | Formation flight using multiple integral backstepping controllers | |
Chen et al. | Decoupling attitude control of a hypersonic glide vehicle based on a nonlinear extended state observer | |
Wang et al. | Distributed formation flight control with translational and rotational maneuvering |
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 |