[发明专利]融合AI深度学习的旋翼飞行器轨迹跟踪自适应控制方法

权利要求书

1.融合AI深度学习的旋翼飞行器轨迹跟踪自适应控制方法，其特征在于利用AI深度学习与自适应控制相结合的算法，获得风干扰环境下的未准确建模的风干扰空气动力项，对在不同风速干扰环境下的旋翼飞行器进行轨迹跟踪自适应控制，包括如下步骤：

通过收集的飞行数据对深度神经网络进行离线学习，训练近似拟合得到风干扰环境下的未准确建模的风干扰空气动力项的基函数；

利用自适应控制中参考模型预测误差项信息对自适应参数进行更新；

结合所述基函数和所述自适应参数，获得风干扰环境下的未准确建模的风干扰空气动力项；

结合反馈控制，在设计的飞行轨迹跟踪控制器中，实时补偿在线自适应识别到的未准确建模的风干扰空气动力学项。

2.根据权利要求1所述的旋翼飞行器轨迹跟踪自适应控制方法，其特征在于利用AI深度学习与自适应控制相结合的算法获得风干扰环境下的未准确建模的风干扰空气动力项

包括

未准确建模的风干扰空气动力项的动力学方程为：

其中，各个状态含义如下：

大地水平坐标系下的位置状态向量：P_fs＝[X,Y,Z]^T，上标T表示矩阵转置，X表示北向坐标，Y表示东向坐标，Z表示地向坐标，原点设为起飞点；

姿态欧拉角状态：Θ_fs＝[φ,θ,ψ]，滚转角φ，偏航角ψ，俯仰角θ，滚转角速度偏航角速度俯仰角速度

转动惯量：滚转轴转动惯量偏航轴转动惯量俯仰轴转动惯量

飞行器质量：m；

重力加速度：g；

飞行器控制指令项：U＝[U₁ U₂ U₃ U₄]^T，U₁为旋翼拉力控制量，U₂为旋翼滚转力矩控制量，U₃为旋翼俯仰力矩控制量，U₄为旋翼偏航力矩控制量；

外界不同风况条件引起的未建模的风干扰空气动力项f(x,μ)：f(x,μ)＝[f_X f_Y f_Z]^T为风干扰空气动力项在大地水平坐标系北向X轴，东向Y轴，地向Z轴三个方向上的分量，该未建模的空气动力项与飞行器的状态向量x和风场向量μ相关，其中状态向量选择为飞行器三维速度(3维)、以欧拉角表示的飞行器姿态俯仰角、滚转角和偏航角(3维)和以脉冲宽度调制信号(PWM)表示的旋翼四个电机转速控制指令四维组合，其中四维是旋翼飞行器四个电机的转速控制信号；假设n种不同类别风速的风场分别表示为μ₁,μ₂,...,μ_n，其中某一具体的第k类风速设为μ_k；

通过融合AI深度学习与自适应控制算法拟合未准确建模的风干扰空气动力学项f(x,μ)，使其具有以下表达式：

其中，是通过深度神经网络学习的所有不同风况共享的表征基函数，即用来学习捕捉未建模的动力学对无人机状态共同的依赖项，这个量与风速的大小无关，λ(μ)是一组的线性系数，简记为λ，λ(μ)在不同风况下有不同的取值，通过自适应控制算法进行在线辨识，与λ(μ)相乘近似拟合未准确建模的风干扰空气动力学项f(x,μ)；

当旋翼无人飞行器在线控制时，将近似拟合的未准确建模的风干扰空气动力学项f(x,μ)加入到控制力中，予以实时补偿，消除未准确建模的动态影响，使飞行器对参考轨迹进行精确跟踪。