[发明专利]一种无人机的姿态控制方法、装置、无人机及存储介质

说明书

本发明适用计算机技术领域，提供了一种无人机的姿态控制方法、装置、无人机以及存储介质，该方法包括：通过无人机上的传感器采集无人机当前时刻的飞行信息，将该飞行信息设置为变结构离散动态贝叶斯网络的观测数据，通过变结构离散动态贝叶斯网络生成无人机下一时刻的飞行姿态信息，将该飞行姿态信息发送给与无人机关联的地面站，通过地面站将飞行姿态信息翻译为飞行姿态指令，并接收地面站返回的飞行姿态指令，根据预设的具有时变滑模控制器和飞行姿态指令，对无人机的飞行进行控制，从而有效地提高了复杂动态场景(例如，救灾场景)下无人机飞行控制的鲁棒性和精度，有效地提高了无人机飞行的稳定性。

技术领域

本发明属于无人机姿态控制技术领域，尤其涉及一种无人机的姿态控制方法、装置、无人机及存储介质。

背景技术

在人们的生存环境中，自然灾害和人为灾害时有发生，对灾后现场受灾人员进行成功检测和营救，成为研究人员需面对的重要课题。相较于其它救灾机器人，小型无人机受现场环境影响小、行动迅速、执行率高以及体积可选跨度大等优点，使得大批科研研究人员不间断地开发无人机在这方面的应用。

对于空中飞行器来说存在多层次的未知幅度、未知频率的噪声干扰，例如：空间局部的不确定风干扰、气压起伏和温度变化，机体自身旋翼旋转时的上下扑动和机体自身的参数摄动，外界不确定来源的动力力矩。这些干扰使得无人机姿态的稳定性成为无人机的人员搜索行动是否得以进行的首要问题。

目前，有研究人员提出基于卡尔曼滤波器的四旋翼无人机姿态数据融合的方法，该方法在一定程度上减小了无人机飞控处理器的计算量，但在环境动态变化的场景下无法获取实时数据，降低了无人机的抗干扰能力。另外，有研究人员提出通过扩展状态跟踪器中位置干扰的观测值对初始控制输出量进行扰动补偿，但在安排过渡的过程中，跟踪微分器对被控对象提取的微分信号存在滞延问题，不利于后续的扰动补偿。此外，根据欧拉-拉格朗日动力学模型，利用径向基(RBF)神经网络实现无人机的飞行控制方法，不需要欧拉-拉格朗日动力学模型的先验信息，且获得了良好的飞行轨迹跟踪效果，但该方法中训练神经网络的资源消耗较大，且神经网络对欧拉-拉格朗日动力学模型的精确度要求很高。通过基于非线性干扰观测器的鲁棒控制器对无人机进行飞行控制的方法，实现了四旋翼无人机精度较高的轨迹跟踪控制，但是这种观测器需要精确的数学模型，其鲁棒性不强，当无人机存在不确定性和干扰时，观测器性能会降低。利用模糊神经网络自适应调整滑模控制中的切换增益的方法，在控制精度和鲁邦跟踪控制上有了较大的提升，但由于模糊神经网络隶属阈值函数的设计容易存在较大偏差，对环境的自适应能力较差，最终影响控制效果。

发明内容

本发明的目的在于提供一种无人机的姿态控制方法、装置、无人机及存储介质，旨在解决在复杂的现实环境中无人机受不确定风、气压起伏以及温度变化等干扰的情形下，现有技术中无人机的抗干扰能力不足、无人机飞行控制的鲁棒性不强、精度不足的问题。

一方面，本发明提供了一种无人机的姿态控制方法，所述方法包括下述步骤：

通过无人机上预设的传感器，采集所述无人机当前时刻的飞行信息；

将所述飞行信息设置为预设贝叶斯网络的观测数据，通过贝叶斯网络生成所述无人机下一时刻的飞行姿态信息，所述贝叶斯网络为结合预设专家经验分布模型训练得到的变结构离散动态贝叶斯网络；

将所述飞行姿态信息发送给与所述无人机关联的地面站，通过所述地面站将所述飞行姿态信息翻译为飞行姿态指令，并接收所述地面站返回的所述飞行姿态指令；

根据预设的具有时变滑模面的滑模控制器和所述飞行姿态指令，对所述无人机的飞行进行控制。

另一方面，本发明提供了一种无人机的姿态控制装置，所述装置包括：

信息采集单元，用于通过无人机上预设的传感器，采集所述无人机当前时刻的飞行信息；