[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

说明书

本发明公开了融合AI深度学习的旋翼飞行器轨迹跟踪自适应控制方法，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；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，在预先设计的飞行器需要跟踪的参考轨迹的飞行参考轨迹跟踪控制器中，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。本发明引入了基于归一化的线性系数自适应估计策略，在证明了旋翼飞行器系统在风干扰影响下的未建模动力项与自适应项之间的误差稳定收敛性的同时，提高了系统的抗干扰鲁棒性。

技术领域

本发明属于飞行器导航、定位与控制的技术领域，具体涉及一种融合AI深度学习的旋翼飞行器轨迹跟踪自适应控制方法。

背景技术

旋翼型飞行器具有结构原理简单、造价低、可垂直起降、定点悬停和维护方便等优势，能够完成很多有人飞行器无法完成的任务，尤其近年来结合人工智能等新兴技术，在军事和民用领域得到了广泛的应用。

随着科技发展和军事格局的不断变化，对旋翼飞行器的性能也提出更高要求，尤其是在高空或海上大风干扰环境下的精准飞行轨迹跟踪控制性能的好坏，是决定其未来能否具备实用拓展能力的关键指标之一，而目前这一问题并未得到有效解决。因此，研究并解决旋翼型飞行器的风干扰环境下的精准飞行轨迹跟踪控制问题具有重大的应用前景。

在外界风干扰环境下，旋翼型飞行器的精确动力学模型难以建立，外界风环境给飞行器模型带来了严重非线性、强耦合干扰的未建模动力学影响，能否在控制器的设计过程中有效补偿风干扰，是其能否精准跟踪飞行轨迹的关键。同时，不同风场的风速不同，造成的风干扰力不同，要提升旋翼飞行器控制系统在未知风场环境中的适应性和鲁棒性，使得设计适应不同风速的环境的飞行轨迹跟踪控制方法的难点问题亟待解决。

发明内容

本发明的目的在于解决上述难点问题，针对旋翼型飞行器在不同风速干扰环境下的理论飞行轨迹跟踪控制的任务应用，而提供一种融合AI深度学习的旋翼飞行器轨迹跟踪自适应控制方法。

为了实现上述目的，本发明提供如下方法：

融合AI深度学习的旋翼飞行器轨迹跟踪自适应控制方法，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，在预先设计的飞行器需要跟踪的参考轨迹的飞行参考轨迹跟踪控制器中，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。

进一步地，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