[发明专利]一种基于轨迹映射的无人机拖曳式空中回收轨迹优化方法

权利要求书

1.一种基于轨迹映射的无人机拖曳式空中回收轨迹优化方法，其特征在于，具体包括如下步骤：

步骤一、对无人机回收系统建立缆绳和浮标-无人机组合体的非线性运动模型；

具体包括基于多刚体理论建立缆绳运动模型，考虑缆绳拉力的六自由度浮标-无人机组合体动力学模型；

步骤二、基于无人机回收系统的非线性运动模型，对无人机回收系统的剖面数据进行参数化表示，并进行优化，将优化算法输出的指令变量(R_l,V_L,a_L,t_W,V_W)扩展为输入序列，作为轨迹映射网络的输入；

无人机回收系统的剖面数据包括：无人机期望回收轨迹剖面缆绳的回收速度剖面Γ_VL以及机翼折叠剖面Γ_W；参数化表示后为：非约束力矢量和方向R_l、缆绳回收速度和加速度V_L,a_L、机翼折叠时机和折叠速度t_W,V_W的函数；

步骤三、基于深度学习，利用双向门控循环单元神经网络BiGRU建立整个回收系统对于输入和输出之间的精确映射关系，即轨迹映射网络；

轨迹映射网络的输入包括浮标-无人机组合体的期望位置，缆绳回收速度和加速度，无人机机翼折叠时机和速度；输出包括浮标-无人机组合体的回收轨迹；

轨迹映射网络的建立具体步骤如下：

步骤301、设计基于BiGRU的轨迹映射网络结构；

BiGRU包含正向和反向两个方向的GRU结构，在结构维度上，正向和反向GRU都具有多层结构，并在训练时在各个GRU层之间加入Dropout层；在时间维度上，将输入的剖面化信息按照时序排列输入给正向和反向GRU，并将二者的输出进行堆叠排列，最后经过全连接层，将全连接层的输出按照时序整合，即为最终的网络输出剖面；

BiGRU结合正向和反向GRU的最后一层输出和最后经过全连接层整合得到：

其中，为正向和反向GRU的最后一层输出的集合，N_L为GRU层数，和分别为网络最后一层的权重向量和偏置向量，Y_t为最终的网络输出，即轨迹映射网络预测的浮标-无人机组合体回收轨迹剖面，表示映射的浮标-无人机组合体回收轨迹；

然后，轨迹映射网络的前向传播过程定义为如下函数：

其中，f_TMN(·)即为轨迹映射网络的前向传播函数；Γ_exN,Γ_ezN为跟踪误差序列；

步骤302，采用无人机回收系统的闭环模型进行训练数据的生成；

将不同强度的大气紊流数据、不同参数摄动数据和不同的指令数据共同输入无人机回收系统模型中，生成若干条轨迹数据，并将轨迹数据按照10:1的比例分为训练数据和测试数据；

步骤303，采用Adam优化器根据损失值计算梯度来更新轨迹映射网络参数，经过训练数据充分的训练迭代，得到一个精确映射回收轨迹的轨迹映射网络；

步骤四、利用轨迹映射网络实时预知不同回收指令所对应的实际回收轨迹，并根据设计的代价函数对预测的实际回收轨迹进行评估，利用灰狼优化算法GWO选择出最优的回收指令，从而实现无人机的平稳快速回收；

具体步骤如下：

步骤401、设计回收过程轨迹优化的代价函数如下：

式中：K_d和K_l分别为摆动幅度项和回收时间项的权重系数；表示的时序长度，乘以T_s即为回收时间；L_r为整个回收过程中缆绳长度；预测的回收轨迹长度通过下式求取：

步骤402、利用GWO算法优化得到最佳回收指令，进而得到最优回收轨迹；

首先，初始化种群，随机生成多组回收指令；

然后，经过上述轨迹映射网络预测不同回收指令对应的回收轨迹；

接着，根据代价函数计算各条回收轨迹的代价，经过多轮迭代后，代价最小所对应的回收指令即为最优回收指令；

最后，将最优指令输入到无人机回收系统中，得到无人机的最优回收轨迹。