CN115657730B - 一种大规模多旋翼无人机鲁棒分簇编队控制方法 - Google Patents

一种大规模多旋翼无人机鲁棒分簇编队控制方法 Download PDF

Info

Publication number
CN115657730B
CN115657730B CN202211679516.4A CN202211679516A CN115657730B CN 115657730 B CN115657730 B CN 115657730B CN 202211679516 A CN202211679516 A CN 202211679516A CN 115657730 B CN115657730 B CN 115657730B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
indicating
representing
formation
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
CN202211679516.4A
Other languages
English (en)
Other versions
CN115657730A (zh
Inventor
吕金虎
刘德元
刘克新
谷海波
王薇
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.)
Beihang University
Academy of Mathematics and Systems Science of CAS
Original Assignee
Beihang University
Academy of Mathematics and Systems Science of CAS
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 Beihang University, Academy of Mathematics and Systems Science of CAS filed Critical Beihang University
Priority to CN202211679516.4A priority Critical patent/CN115657730B/zh
Publication of CN115657730A publication Critical patent/CN115657730A/zh
Application granted granted Critical
Publication of CN115657730B publication Critical patent/CN115657730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

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

Abstract

本发明属于无人机飞行控制技术领域，具体涉及一种大规模多旋翼无人机鲁棒分簇编队控制方法。该方法首先建立多旋翼无人机编队运动模型和编队***的有向通讯拓扑结构；然后，结合图论理论将无人机编队网络划分成若干个簇；最后，设计鲁棒控制律，实现无人机编队在外部风扰下的稳定飞行，有效解决了传统编队控制方法受限于规模和运算量大的问题，可实现期望的编队协同性能。

Description

一种大规模多旋翼无人机鲁棒分簇编队控制方法
技术领域
本发明属于无人机飞行控制技术领域，具体涉及一种大规模多旋翼无人机鲁棒分簇编队控制方法。
背景技术
近年来，随着航空航天技术的飞速发展，无人机编队技术越来越受到广泛关注，在协同侦察、精准农业、灾害管理、环境监测、空中基站等军用和民用领域得到了广泛应用。多旋翼无人机作为无人机的一个重要类别，能够在狭隘的空间内完成垂直起降、全方位导航等任务，结构简单，且具有较好的机动性。
无人机编队是指多架无人机为适应任务需求按照某一拓扑结构而进行的某种队形排列和任务分配。在实际任务中，无人机编队***的性能主要依赖于编队控制器，因此，无人机编队控制是无人机***研制的关键技术之一，是实现多架无人机队形保持、调整和重构的重要技术。
现有技术中，已有一些关于多旋翼无人机编队控制方法的研究，公开号为CN113157000A的中国发明专利申请公开了一种基于虚拟结构和人工势场的飞行编队协同避障自适应控制方法，公开号为CN110286694A的中国发明专利申请公开了一种多领导者的无人机编队协同控制方法。然而，在上述发明专利申请中，无人机集群的规模都比较小，且未考虑无人机受到的外部环境干扰问题。随着无人机数量的增多，上述控制方法运算量迅速增大，导致协同难度的指数上升，因此，上述方法中的多旋翼无人机编队的整体规模受到限制。
发明内容
基于现有技术的不足，本发明提出了一种大规模多旋翼无人机鲁棒分簇编队控制方法，该方法首先建立多旋翼无人机编队运动模型和编队***的有向通讯拓扑结构；然后，结合图论理论将无人机编队网络划分成若干个簇；最后，设计鲁棒控制律，实现无人机编队在外部风扰下的稳定飞行，有效解决了传统编队控制方法受限于规模和运算量大的问题。
本发明完整的技术方案如下：
一种大规模多旋翼无人机鲁棒分簇编队控制方法，包括以下步骤：
步骤S1：建立多旋翼无人机编队运动模型。
无人机i的位置和姿态运动模型为：
Figure 562899DEST_PATH_IMAGE001
其中，m i 表示无人机i的质量，c 3表示一个三维行向量，且c 3=[0 0 1] T ，g表示引力常量，p i 表示无人机i在飞行过程中的位置，
Figure 153280DEST_PATH_IMAGE002
表示无人机i在惯性坐标系下的速度向量，v i 表示无人机i在飞行过程中的速度，
Figure 726344DEST_PATH_IMAGE003
表示无人机i在飞行过程中的加速度，R i 表示惯性坐标系与无人机i本体坐标系之间的转换矩阵，f i 表示无人机i的控制力输入，d v,i 表示无人机i因外界自然风影响受到的外界环境干扰力，J i 表示无人机i的转动惯量，
Figure 849895DEST_PATH_IMAGE004
表示无人机i姿态角速度；
Figure 912529DEST_PATH_IMAGE005
表示无人机i的姿态角加速度；C i 表示无人机i的模型参数矩阵，M i 表示无人机i的控制力矩输入，d m,i 表示无人机i因外界自然风影响受到的外界干扰力矩。
步骤S2：建立多旋翼无人机编队***的有向通讯拓扑结构网络。
N个无人机之间通讯由有向图G=(V, E, W)表示，V={v 1,v 2,…v i , …v N}表示N个节点的集合，
Figure 990207DEST_PATH_IMAGE006
表示边的集合，W=[w ij ]表示权重矩；
其中，w ij 表示无人机i和无人机j的通信状态，若无人机i与无人机j之间有信息交换，则w ij =1，否则w ij =0，节点v i 的邻域集合由
Figure 366961DEST_PATH_IMAGE007
表示，定义
Figure 580905DEST_PATH_IMAGE008
为节点v i 的入度，
Figure 17703DEST_PATH_IMAGE009
为节点v i 的出度，则有向图G的拉普拉斯矩阵为L=D-W，D=diag{d i }，将多旋翼无人机编队***的根节点视为编队中心，表示为p 0=[x 0 y 0 z 0] 。
步骤S3：基于所述多旋翼无人机编队运动模型和有向通讯拓扑结构网络，设计分簇算法，将有向通讯拓扑结构网络划分成多个簇。
根据步骤S2建立的多旋翼无人机编队***的有向通讯拓扑结构网络，计算各节点无人机入度和出度，若无人机的入度小于出度，则该无人机被视为一个簇头；若无人机的入度不小于出度，则该无人机被视为一个簇成员，判断簇头无人机和簇成员无人机是否存在一条通讯链路，若存在则称该簇成员无人机为该簇头无人机的簇成员并加入该簇。
步骤S4：对于步骤S3分成的多个簇，分别针对簇头和簇成员进行位置控制器和姿态控制器设计，实现多旋翼无人机编队的安全稳定飞行。
S401：簇头无人机a位置控制器设计
Figure 379414DEST_PATH_IMAGE010
其中，
Figure 559860DEST_PATH_IMAGE011
表示簇头无人机a的位置控制输入，K ap 和K ad 表示簇头无人机a控制器的增益矩阵，m a 表示簇头无人机a的质量，s表示拉普拉斯算子，k a 表示簇头无人机a控制器的一个常量参数，p a 表示簇头无人机a在飞行过程中的位置，δ a 表示簇头无人机a与编队中心的位置偏差，
Figure 893889DEST_PATH_IMAGE012
表示簇头无人机a与编队中心的速度偏差，
Figure 501588DEST_PATH_IMAGE013
表示簇头无人机a在惯性坐标系下的速度向量，
Figure 85016DEST_PATH_IMAGE014
表示簇头无人机a与编队中心的加速度偏差，
Figure 561828DEST_PATH_IMAGE015
表示簇头无人机a位置外界干扰估计器控制输入，b a 表示簇头无人机a位置通道外界干扰估计器的一维控制参数。
S402: 簇成员无人机b位置控制器设计
Figure 750364DEST_PATH_IMAGE016
其中，
Figure 528964DEST_PATH_IMAGE017
表示簇成员无人机b的位置控制输入，
Figure 802951DEST_PATH_IMAGE018
表示簇成员无人机b位置外界干扰估计器控制输入，k b 表示簇成员无人机b一个正的控制器常量参数，m b 表示簇成员无人机b的质量，K bp 和K bd 表示簇成员无人机b位置控制器的增益矩阵，N b 表示节点v b 的邻域集合，w bj 表示簇成员无人机b和无人机j的通信状态，p b 表示簇成员无人机b在飞行过程中的位置，p j 表示无人机j在飞行过程中的位置，δ bj 表示簇成员无人机b与无人机j的位置偏差，
Figure 121937DEST_PATH_IMAGE019
表示簇成员无人机b在惯性坐标系下的速度向量，
Figure 430558DEST_PATH_IMAGE020
表示无人机j在惯性坐标系下的速度向量，
Figure 114480DEST_PATH_IMAGE021
表示簇成员无人机b与编队中心的速度偏差，
Figure 141342DEST_PATH_IMAGE022
表示簇成员无人机b与编队中心的位置偏差，f b 表示簇成员无人机b位置通道外界干扰估计器的一维控制参数。
S403: 无人机i的姿态控制器设计
Figure 998440DEST_PATH_IMAGE023
其中，
Figure 427147DEST_PATH_IMAGE024
表示无人机i的姿态控制输入，
Figure 780506DEST_PATH_IMAGE025
表示无人机i的姿态干扰估计器控制输入；K il 和K ig 表示无人机i姿态控制器的增益矩阵，
Figure 29085DEST_PATH_IMAGE026
表示无人机i姿态误差，
Figure 689873DEST_PATH_IMAGE027
表示无人机i姿态角速度误差，
Figure 973087DEST_PATH_IMAGE028
表示无人机i期望姿态角，
Figure 998812DEST_PATH_IMAGE029
表示无人机i期望姿态角速度，
Figure 734686DEST_PATH_IMAGE030
表示无人机i期望姿态角加速度；h i 表示无人机i姿态通道外界干扰估计器的一维控制参数，η i 表示无人机i姿态角。
相比现有技术，本发明具有如下优点：
1. 相比于现有的传统无人机编队控制方法，本发明所提出的编队控制方法可有效解决大规模多旋翼无人机编队问题，更好地解决传统方法受到的规模限制和运算量大的问题。
2. 本发明的编队控制方法能够有效抑制外部风扰问题，具有较好的鲁棒性，可以实现期望的编队协同性能。
3. 本发明所设计的鲁棒分簇编队控制器及方法结构简单，算法复杂度低，易于实现，能够用于航天飞行器、无人水下航行器或者机器人的编队控制中，具有通用性。
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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
图1是多旋翼无人机的两个坐标系和姿态角定义示意图。
图2是本发明的大规模多旋翼无人机鲁棒分簇编队控制方法流程图。
图3是本发明的多旋翼无人机编队***分簇示意图。
图4是本发明的多旋翼无人机编队控制***结构示意图。
图5是本发明实施例中26架多旋翼无人机飞行时的三维轨迹曲线。
图6是本发明实施例中26架多旋翼无人机飞行时的姿态响应曲线。
图7是本发明实施例中26架多旋翼无人机飞行时的位置误差曲线。
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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
无人机编队***由多个旋翼无人机组成，该***在执行任务时，每架无人机可以按照一定顺序进行编号，第一个无人机编号记为1，第二个无人机编号记为2，任意一架无人机编号记为i，最后一个无人机编号记为N。
在本发明中，为了实现对无人机的状态表征，应用了两个坐标系，一个是惯性坐标系E 地-OXYZ，另一个是无人机的本体坐标系E 体-OX b X b X b ，分别定义为：
(1) 惯性坐标系（E 地-OXYZ）：惯性坐标系与地球表面固连，坐标系原点O选取在地平面一点上，OX轴指向任意，冲着目标的方向为正方向，OY轴垂直于OX轴，OZ轴与其它两轴垂直并构成右手坐标系。
(2) 本体坐标系E 体-OX b X b X b ：本体坐标系与无人机本体固连，O b 在无人机的质心处（质心）；O b X b 轴在无人机对称平面内并平行于无人机的设计轴线指向前方；O b Y b 轴垂直于无人机对称平面指向本体右方；O b Z b 轴在无人机对称平面内，与O b X b 轴垂直并指向上方。本体坐标系E 体-OX b X b X b 形成右手直角坐标系。
如图1所示，任意无人机在惯性坐标系（E 地-OXYZ）中所在的位置记为
p i =[x i y i z i ]T，其中，x i 表示无人机i在惯性坐标系中X方向上的位置，y i 表示无人机i在惯性坐标系中Y方向上的位置，z i 表示无人机i在惯性坐标系中Z方向上的位置。
任意无人机i在本体坐标系中的姿态角记为η i =[φ i θ i ψ i ]T，滚转角φ i ，俯仰角θ i ，偏航角ψ i ，其中，
滚转角φ i 表示无人机i绕O b X b 轴旋转的角度。
俯仰角θ i 表示无人机i绕O b Y b 轴旋转的角度。
偏航角ψ i 表示无人机i绕O b Z b 轴旋转的角度。
如图2所示，为了能有效解决传统控制方法受到的规模限制和运算量大的问题，确保大规模多旋翼无人机编队在外部风扰下的稳定性与可靠性，本发明提出的大规模多旋翼无人机的鲁棒分簇编队控制方法，包括如下步骤：
步骤S1：建立多旋翼无人机编队运动模型
任意无人机i的位置和姿态运动模型为：
Figure 199166DEST_PATH_IMAGE031
其中，m i 表示无人机i的质量，c 3表示一个三维行向量，且c 3=[0 0 1] T ，g表示引力常量，p i 表示无人机i在飞行过程中的位置，
Figure 336886DEST_PATH_IMAGE032
表示无人机i在惯性坐标系下的速度向量，v i 表示无人机i在飞行过程中的速度，
Figure 533512DEST_PATH_IMAGE033
表示无人机i在飞行过程中的加速度，R i 表示惯性坐标系与无人机i本体坐标系之间的转换矩阵，d v,i 表示无人机i因外界自然风影响受到的外界环境干扰力，J i 表示无人机i的转动惯量，
Figure 756683DEST_PATH_IMAGE034
表示无人机i姿态角速度；
Figure 24853DEST_PATH_IMAGE035
表示无人机i的姿态角加速度；C i 表示无人机i的模型参数矩阵，M i 表示无人机i的控制力矩输入，d m,i 表示无人机i因外界自然风影响受到的外界干扰力矩，f i 表示无人机i的控制力输入，
Figure 515615DEST_PATH_IMAGE036
，
Figure 883143DEST_PATH_IMAGE037
表示无人机i的4个旋翼旋转速度，k if 表示力矩系数，M i 表示无人机i控制力矩输入
Figure 593610DEST_PATH_IMAGE038
，k iφ ，k iθ ，k iψ 表示力矩系数。
步骤S2：结合图论方法建立多旋翼无人机编队***的有向通讯拓扑结构网络
N个无人机之间通讯由有向图G=(V, E, W)表示，V={v 1,v 2,…v i , …v N}表示N个节点的集合，
Figure 399892DEST_PATH_IMAGE039
表示边的集合，W=[w ij ]表示权重矩阵；
其中，w ij 表示无人机i和无人机j的通信状态，若无人机i与无人机j之间有信息交换，则w ij =1，否则w ij =0，节点v i 的邻域集合由
Figure 246625DEST_PATH_IMAGE040
表示，定义
Figure 50633DEST_PATH_IMAGE041
为节点v i 的入度，
Figure 982817DEST_PATH_IMAGE042
为节点v i 的出度，则有向图G的拉普拉斯矩阵为L=D-W，D=diag{d i }。
如果存在一个节点使得这个节点到其他所有的节点都有路径，则有向图G包含一个生成树，这个节点叫做树的根。将无人机编队***根节点视为编队中心，其在三维空间中的位置为p 0=[x 0 y 0 z 0]。
步骤S3：设计分簇算法，将有向通讯拓扑结构网络划分成若干个簇。
根据步骤S2建立的多旋翼无人机编队***的有向通讯拓扑结构网络，得到出入度信息，计算无人机节点入度信息
Figure 592790DEST_PATH_IMAGE041
和出度信息
Figure 294030DEST_PATH_IMAGE042
。比较出度和入度值的大小，如果d in (v i )-d out (v i )<0，则该无人机被视为一个簇头。若无人机的入度不小于出度，则该无人机被视为一个簇成员，判断簇头和簇成员无人机是否存在一条通讯链路，若存在从簇头到簇成员无人机的一条通讯链路，则称该簇成员无人机为该簇头的簇成员并加入该簇。从而将多旋翼无人机编队***的有向通讯拓扑结构网络分成若干个簇。如图3所示，将26架多旋翼无人机编队分成了4个簇，其中簇头无人机可以收到编队中心的信息，其余无人机分别为相应的簇成员。
步骤S4：分别针对簇头和簇成员设计鲁棒位置和姿态控制律，实现编队安全稳定飞行。设计的控制律结构图如图4所示。
S401簇头无人机a位置控制器设计，得到簇头位置的控制输入，实现对簇头位置的精确控制。
Figure 268939DEST_PATH_IMAGE043
其中，
Figure 186954DEST_PATH_IMAGE044
表示簇头无人机a的位置控制输入，K ap 和K ad 表示簇头无人机a控制器的增益矩阵，m a 表示簇头无人机a的质量，s表示拉普拉斯算子，k a 表示簇头无人机a控制器的一个常量参数，p a 表示簇头无人机a在飞行过程中的位置，δ a 表示簇头无人机a与编队中心的位置偏差，
Figure 335039DEST_PATH_IMAGE045
表示簇头无人机a与编队中心的速度偏差，
Figure 890785DEST_PATH_IMAGE046
表示簇头无人机a在惯性坐标系下的速度向量，
Figure 302175DEST_PATH_IMAGE047
表示簇头无人机a与编队中心的加速度偏差，
Figure 5688DEST_PATH_IMAGE048
表示簇头无人机a位置外界干扰估计器控制输入，b a 表示簇头无人机a位置通道外界干扰估计器的一维控制参数。
S402簇成员无人机b位置控制器设计，得到簇成员的位置控制输入，实现对簇成员的精确控制。
Figure 160726DEST_PATH_IMAGE049
其中，
Figure 570979DEST_PATH_IMAGE050
表示簇成员无人机b的位置控制输入，
Figure 153270DEST_PATH_IMAGE051
表示簇成员无人机b位置外界干扰估计器控制输入，k b 表示簇成员无人机b一个正的控制器常量参数，m b 表示簇成员无人机b的质量，K bp 和K bd 表示簇成员无人机b位置控制器的增益矩阵，N b 表示节点v b 的邻域集合，w bj 表示簇成员无人机b和无人机j的通信状态，p b 表示簇成员无人机b在飞行过程中的位置，p j 表示无人机j在飞行过程中的位置，δ bj 表示簇成员无人机b与无人机j的位置偏差，
Figure 344080DEST_PATH_IMAGE052
表示簇成员无人机b在惯性坐标系下的速度向量，
Figure 37230DEST_PATH_IMAGE053
表示无人机j在惯性坐标系下的速度向量，
Figure 567568DEST_PATH_IMAGE054
表示簇成员无人机b与编队中心的速度偏差，
Figure 559576DEST_PATH_IMAGE055
表示簇成员无人机b与编队中心的位置偏差，f b 表示簇成员无人机b位置通道外界干扰估计器的一维控制参数。
S403簇头和簇成员的姿态控制器设计，得到姿态控制输入，实现姿态稳定。
Figure 237682DEST_PATH_IMAGE056
其中，
Figure 734522DEST_PATH_IMAGE057
表示无人机i的姿态控制输入，
Figure 384946DEST_PATH_IMAGE058
表示无人机i的姿态干扰估计器控制输入；K il 和K ig 表示无人机i姿态控制器的增益矩阵，
Figure 43461DEST_PATH_IMAGE059
表示无人机i姿态误差，
Figure 943284DEST_PATH_IMAGE060
表示无人机i姿态角速度误差，
Figure 978236DEST_PATH_IMAGE061
表示无人机i期望姿态角，
Figure 483166DEST_PATH_IMAGE062
表示无人机i期望姿态角速度，
Figure 578161DEST_PATH_IMAGE063
表示无人机i期望姿态角加速度；h i 表示无人机i姿态通道外界干扰估计器的一维控制参数。
在本发明中，考虑无人机编队在多种不确定性外界干扰情况下，建立的编队运动模型中的输入控制指令为：
簇头无人机a的位置控制输入
Figure 965280DEST_PATH_IMAGE064
为：
Figure 803923DEST_PATH_IMAGE065
其中：c 3=[0 0 1]T，
Figure 927475DEST_PATH_IMAGE066
表示簇头无人机a控制力输入，
Figure 927792DEST_PATH_IMAGE067
表示簇头无人机a所在惯性坐标系与簇头无人机a本体坐标系之间的转换矩阵。
簇成员无人机b的位置控制输入
Figure 5469DEST_PATH_IMAGE068
为：
Figure 178962DEST_PATH_IMAGE069
其中，
Figure 658485DEST_PATH_IMAGE070
表示簇成员无人机i的控制力输入，
Figure 829703DEST_PATH_IMAGE071
表示簇成员无人机b所在惯性坐标系与簇成员无人机b本体坐标系之间的转换矩阵。
簇头和簇成员无人机的姿态控制输入
Figure 191414DEST_PATH_IMAGE072
为：
Figure 371860DEST_PATH_IMAGE073
实施例1
针对所构建的多旋翼无人机编队***在外界干扰条件下，搭建Matlab控制***仿真。本发明通过运行于计算机中的计算机程序-基于matlab(版本号2020b)平台进行仿真。在具体的仿真场景中，考虑了由26架多旋翼无人机组成的编队执行协同任务。开始时26架多旋翼无人机垂直从地面起飞，在空中逐渐形成一个六边形立方体编队。
根据步骤S1，设置无人机模型参数如下：m i =1kg, g=9.81m/s 2 , J i =[0.1090.1030.06] T kg·m^2。多旋翼无人机编队受到的外界自然风干扰为
Figure 440310DEST_PATH_IMAGE074
，
Figure 48009DEST_PATH_IMAGE075
。
***初始条件设置如下：
Figure 897016DEST_PATH_IMAGE076
，
Figure 379688DEST_PATH_IMAGE077
，
Figure 568224DEST_PATH_IMAGE078
，
Figure 81245DEST_PATH_IMAGE079
，
Figure 620810DEST_PATH_IMAGE080
，
Figure 939796DEST_PATH_IMAGE081
，
Figure 248418DEST_PATH_IMAGE082
，
Figure 932340DEST_PATH_IMAGE083
，
Figure 959202DEST_PATH_IMAGE084
，
Figure 816299DEST_PATH_IMAGE085
，
Figure 979428DEST_PATH_IMAGE086
，
Figure 598365DEST_PATH_IMAGE087
，
Figure 846944DEST_PATH_IMAGE088
，
Figure 710995DEST_PATH_IMAGE089
，
Figure 790946DEST_PATH_IMAGE090
，
Figure 82250DEST_PATH_IMAGE091
，
Figure 552546DEST_PATH_IMAGE092
，
Figure 220288DEST_PATH_IMAGE093
，
Figure 154746DEST_PATH_IMAGE094
，
Figure 616951DEST_PATH_IMAGE095
，
Figure 574543DEST_PATH_IMAGE096
，
Figure 296510DEST_PATH_IMAGE097
，
Figure 85474DEST_PATH_IMAGE098
，
Figure 984160DEST_PATH_IMAGE099
，
Figure 429048DEST_PATH_IMAGE100
，
Figure 173013DEST_PATH_IMAGE101
。
建立多旋翼无人机编队***的有向通讯拓扑结构网络如图3所示，根据步骤S2所建立的拓扑网络，分别计算每架无人机出入度值。根据步骤S3分簇算法，选取无人机1，7，13，20为簇头，其余无人机为簇成员。将整个无人机群分为4组无人机簇。
设置簇头无人机位置控制器增益矩阵K ap 和K ad 为
Figure 285325DEST_PATH_IMAGE102
设置簇头无人机位置通道外界干扰估计器参数b a =1。设置簇成员无人机b位置控制器的增益矩阵K bp 和K bd 为
Figure 886071DEST_PATH_IMAGE103
设置簇头无人机位置通道外界干扰估计器参数f a =1。
设置簇头和簇成员的姿态控制器增益矩阵K il 和K ig 为
Figure 83834DEST_PATH_IMAGE104
设置簇头和簇成员的姿态通道外界干扰估计器参数h i =20。
根据上述参数设置，计算得到无人机编队的控制输入
Figure 365911DEST_PATH_IMAGE105
，
Figure 332730DEST_PATH_IMAGE106
，
Figure 369956DEST_PATH_IMAGE107
即可实现大规模无人机编队稳定飞行。
仿真结果如图5、图6、图7所示，分别为26架多旋翼无人机编队飞行时的三维轨迹曲线、姿态响应曲线和位置误差曲线。从图5可以看出，本发明的编队控制方法能够使多旋翼无人机编队实现协同。此外，本发明的编队控制方法能够有效抑制外界干扰的影响。从图6和图7可以看出，跟踪误差较小，能够满足控制精度要求。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种大规模多旋翼无人机鲁棒分簇编队控制方法，其特征在于，包括以下步骤：
步骤S1：建立多旋翼无人机编队运动模型；
步骤S2：建立多旋翼无人机编队***的有向通讯拓扑结构网络；
步骤S3：基于所述多旋翼无人机编队运动模型和有向通讯拓扑结构网络，设计分簇算法，将有向通讯拓扑结构网络划分成多个簇；
根据步骤S2建立的多旋翼无人机编队***的有向通讯拓扑结构网络，计算各节点无人机入度和出度，若无人机的入度小于出度，则该无人机被视为一个簇头；若无人机的入度不小于出度，则该无人机被视为一个簇成员，判断簇头无人机和簇成员无人机是否存在一条通讯链路，若存在则称该簇成员无人机为该簇头无人机的簇成员并加入该簇；
步骤S4：对于步骤S3分成的多个簇，分别针对簇头和簇成员进行位置控制器和姿态控制器设计，实现多旋翼无人机编队的安全稳定飞行；
所述步骤S4中具体包括：
S401：簇头无人机a位置控制器设计
Figure QLYQS_1
其中，
Figure QLYQS_3
表示簇头无人机
Figure QLYQS_10
的位置控制输入，
Figure QLYQS_17
和
Figure QLYQS_4
表示簇头无人机
Figure QLYQS_16
控制器的增益矩阵，将多旋翼无人机编队***的根节点视为编队中心，表示为
Figure QLYQS_23
，
Figure QLYQS_29
表示引力常量，
Figure QLYQS_8
表示一个三维行向量，且
Figure QLYQS_15
，
Figure QLYQS_22
表示簇头无人机
Figure QLYQS_28
的质量，
Figure QLYQS_7
表示拉普拉斯算子，
Figure QLYQS_12
表示簇头无人机
Figure QLYQS_19
控制器的一个常量参数，
Figure QLYQS_25
表示簇头无人机
Figure QLYQS_5
在飞行过程中的位置，
Figure QLYQS_11
表示簇头无人机
Figure QLYQS_18
与编队中心的位置偏差，
Figure QLYQS_24
表示簇头无人机
Figure QLYQS_2
与编队中心的速度偏差，
Figure QLYQS_14
表示簇头无人机
Figure QLYQS_21
在惯性坐标系下的速度向量，
Figure QLYQS_27
表示簇头无人机
Figure QLYQS_9
与编队中心的加速度偏差，
Figure QLYQS_13
表示簇头无人机
Figure QLYQS_20
位置外界干扰估计器控制输入，
Figure QLYQS_26
表示簇头无人机
Figure QLYQS_6
位置通道外界干扰估计器的一维控制参数；
S402:簇成员无人机b位置控制器设计
Figure QLYQS_30
其中，
Figure QLYQS_42
表示簇成员无人机
Figure QLYQS_37
的位置控制输入，
Figure QLYQS_54
表示簇成员无人机
Figure QLYQS_33
位置外界干扰估计器控制输入，
Figure QLYQS_48
表示簇成员无人机
Figure QLYQS_40
一个正的控制器常量参数，
Figure QLYQS_51
表示簇成员无人机
Figure QLYQS_58
的质量，
Figure QLYQS_62
和
Figure QLYQS_39
表示簇成员无人机
Figure QLYQS_50
位置控制器的增益矩阵，
Figure QLYQS_41
表示节点
Figure QLYQS_52
的邻域集合，
Figure QLYQS_53
表示簇成员无人机
Figure QLYQS_59
和无人机
Figure QLYQS_32
的通信状态，
Figure QLYQS_43
表示簇成员无人机
Figure QLYQS_56
在飞行过程中的位置，
Figure QLYQS_61
表示无人机
Figure QLYQS_31
在飞行过程中的位置，
Figure QLYQS_44
表示簇成员无人机
Figure QLYQS_55
与无人机
Figure QLYQS_60
的位置偏差，
Figure QLYQS_57
表示簇成员无人机
Figure QLYQS_63
在惯性坐标系下的速度向量，
Figure QLYQS_35
表示无人机
Figure QLYQS_47
在惯性坐标系下的速度向量，
Figure QLYQS_34
表示簇成员无人机
Figure QLYQS_49
与编队中心的速度偏差，
Figure QLYQS_36
表示簇成员无人机
Figure QLYQS_45
与编队中心的位置偏差，
Figure QLYQS_38
表示簇成员无人机
Figure QLYQS_46
位置通道外界干扰估计器的一维控制参数；
S403: 无人机i的姿态控制器设计
Figure QLYQS_64
其中，
Figure QLYQS_71
表示无人机
Figure QLYQS_76
的姿态控制输入，
Figure QLYQS_82
表示无人机
Figure QLYQS_68
的转动惯量，
Figure QLYQS_73
表示无人机
Figure QLYQS_79
的模型参数矩阵，
Figure QLYQS_85
表示无人机
Figure QLYQS_66
的姿态干扰估计器控制输入；
Figure QLYQS_78
和
Figure QLYQS_84
表示无人机
Figure QLYQS_89
姿态控制器的增益矩阵，
Figure QLYQS_70
表示无人机
Figure QLYQS_77
姿态误差，
Figure QLYQS_83
表示无人机
Figure QLYQS_88
姿态角速度误差，
Figure QLYQS_69
表示无人机
Figure QLYQS_74
期望姿态角，
Figure QLYQS_80
表示无人机
Figure QLYQS_86
期望姿态角速度，
Figure QLYQS_65
表示无人机
Figure QLYQS_75
期望姿态角加速度；
Figure QLYQS_81
表示无人机
Figure QLYQS_87
姿态通道外界干扰估计器的一维控制参数，
Figure QLYQS_67
表示无人机
Figure QLYQS_72
姿态角。
2.根据权利要求1所述的大规模多旋翼无人机鲁棒分簇编队控制方法，其特征在于，所述步骤S1中的无人机i的位置和姿态运动模型为：
Figure QLYQS_90
其中，
Figure QLYQS_95
表示无人机
Figure QLYQS_99
的质量，
Figure QLYQS_105
表示无人机
Figure QLYQS_93
在飞行过程中的位置，
Figure QLYQS_103
表示无人机
Figure QLYQS_107
在惯性坐标系下的速度向量，
Figure QLYQS_112
表示无人机
Figure QLYQS_94
在飞行过程中的速度，
Figure QLYQS_100
表示无人机
Figure QLYQS_106
在飞行过程中的加速度，
Figure QLYQS_111
表示惯性坐标系与无人机
Figure QLYQS_92
本体坐标系之间的转换矩阵，
Figure QLYQS_98
表示无人机
Figure QLYQS_104
的控制力输入，
Figure QLYQS_110
表示无人机
Figure QLYQS_96
因外界自然风影响受到的外界环境干扰力，
Figure QLYQS_101
表示无人机
Figure QLYQS_108
姿态角速度；
Figure QLYQS_113
表示无人机
Figure QLYQS_97
的姿态角加速度；
Figure QLYQS_102
表示无人机
Figure QLYQS_109
的控制力矩输入，
Figure QLYQS_114
表示无人机
Figure QLYQS_91
因外界自然风影响受到的外界干扰力矩。
3.根据权利要求1所述的大规模多旋翼无人机鲁棒分簇编队控制方法，其特征在于，所述步骤S2具体包括：
Figure QLYQS_115
个无人机之间通讯由有向图
Figure QLYQS_116
表示，
Figure QLYQS_117
表示
Figure QLYQS_118
个节点的集合，
Figure QLYQS_119
表示边的集合，
Figure QLYQS_120
表示权重矩；
其中，
Figure QLYQS_129
表示无人机
Figure QLYQS_124
和无人机
Figure QLYQS_132
的通信状态，若无人机
Figure QLYQS_125
与无人机
Figure QLYQS_136
之间有信息交换，则
Figure QLYQS_123
，否则
Figure QLYQS_134
，节点
Figure QLYQS_126
的邻域集合由
Figure QLYQS_130
表示，定义
Figure QLYQS_122
为节点
Figure QLYQS_135
的入度，
Figure QLYQS_127
为节点
Figure QLYQS_131
的出度，则有向图
Figure QLYQS_121
的拉普拉斯矩阵为
Figure QLYQS_133
，
Figure QLYQS_128
。
CN202211679516.4A 2022-12-27 2022-12-27 一种大规模多旋翼无人机鲁棒分簇编队控制方法 Active CN115657730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211679516.4A CN115657730B (zh) 2022-12-27 2022-12-27 一种大规模多旋翼无人机鲁棒分簇编队控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211679516.4A CN115657730B (zh) 2022-12-27 2022-12-27 一种大规模多旋翼无人机鲁棒分簇编队控制方法

Publications (2)

Publication Number Publication Date
CN115657730A CN115657730A (zh) 2023-01-31
CN115657730B true CN115657730B (zh) 2023-03-14

Family

ID=85022354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211679516.4A Active CN115657730B (zh) 2022-12-27 2022-12-27 一种大规模多旋翼无人机鲁棒分簇编队控制方法

Country Status (1)

Country Link
CN (1) CN115657730B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116893692B (zh) * 2023-09-07 2023-12-08 北京航空航天大学 一种领导者丢失的无人机编队鲁棒控制***及控制方法
CN116954266B (zh) * 2023-09-21 2023-12-08 北京航空航天大学 一种通信约束的无人机编队鲁棒控制方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111698728B (zh) * 2020-06-15 2021-09-03 西安电子科技大学 用于动态网络的拓扑控制***及其控制方法
CN112437502B (zh) * 2020-11-11 2021-09-17 北京航空航天大学 基于多任务无人机集群信息交互的分层分簇网络拓扑结构生成方法
CN113268076B (zh) * 2021-03-06 2022-10-04 南京航空航天大学 一种多无人机集群编队协同控制算法
CN114153228B (zh) * 2021-11-30 2024-04-16 湖南大学 一种有向交互拓扑下无速度测量的四旋翼编队控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐意祥 ; 李莉 ; .无人机***编队分簇网络仿真研究.2018,第26卷(第15期),第112-117页. *

Also Published As

Publication number Publication date
CN115657730A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN115657730B (zh) 一种大规模多旋翼无人机鲁棒分簇编队控制方法
CN109240331B (zh) 一种无人机-无人车集群模型时变编队控制方法及***
CN107957730B (zh) 一种无人飞行器稳定飞行控制方法
CN112130581B (zh) 一种面向空中机动作战的无人机集群协同任务规划方法
CN102591358B (zh) 一种多无人机的动态编队控制方法
Shulong et al. A new feedback linearization LQR control for attitude of quadrotor
CN110320925B (zh) 基于高阶干扰观测器的四旋翼飞行器安全控制方法
CN112684705B (zh) 一种四旋翼飞行器编队追踪控制方法
CN105022401A (zh) 基于视觉的多四旋翼无人机协同slam的方法
CN112327939B (zh) 一种城市街区环境下高层消防多无人机协同路径规划方法
CN112631335A (zh) 一种基于事件触发的多四旋翼无人机固定事件编队方法
CN111273688A (zh) 基于事件触发的四旋翼无人机一致性编队控制方法
Walid et al. Modeling and control of a quadrotor UAV
CN108829123A (zh) 一种四旋翼飞行器控制方法、***和装置
CN114911265A (zh) 一种四旋翼无人机编队协同机动控制方法
CN114089780B (zh) 一种面向城市空间的多旋翼无人机路径规划方法
CN114153228B (zh) 一种有向交互拓扑下无速度测量的四旋翼编队控制方法
Tan et al. Tracking of ground mobile targets by quadrotor unmanned aerial vehicles
Shi et al. Formation tracking of heterogeneous UGV-UAV systems with switching directed topologies
CN113867374B (zh) 基于滑模控制的四旋翼无人机参数预测和扰动的自适应轨迹跟踪控制器及其设计方法
CN113608543A (zh) 飞行器航迹自适应规划的方法、装置、设备及存储介质
CN113625730A (zh) 一种基于超扭滑模的四旋翼自适应容错控制方法
CN113110593A (zh) 基于虚拟结构和估计信息传输的飞行编队协同自适应控制方法
Alexopoulos et al. Realization of pursuit-evasion games with unmanned aerial vehicles
CN116382078A (zh) 基于深度强化学习的无人机视觉伺服fov约束控制方法

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