...进而让用户拥有另一双眼睛-浙江大学研制思想控制四旋翼直升机
胡天琦++肖佳平
摘 要:现今,无人机的飞行控制系统主要基于PID控制系统。为了采用自适应智能控制系统来取代传统PID控制系统,建立四旋翼无人机仿真平台,实现无人机的自动续航航拍功能和对环境的自适应能力,给用户带来莫大的方便。该论文主要根据目前的人工智能水平和无人机的市场需求的设想和研究,放眼未来人们对于无人机市场的需求状况,提出结合传统PID控制和人工神经网络的控制方法,满足飞行器的任务需要和为未来人工智能在无人机的应用的进一步发展。
关键词:四旋翼飞行器 飞行控制 人工神经网络
中图分类号:TP29 文献标识码:A 文章编号:1674-098X(2016)10(a)-0004-04
近年来,四旋翼飞行器逐渐成为航空学术研究中新的前沿和热点。美国斯坦福大学的Gabe Hoffinan等人研发出了基于非线性控制律的飞行控制器,国防科学技术大学王俊生等人设计了基于FSMC的飞行控制方法,而传统的PID虽然提高了模型的一些准确性,但还是存在许多不足与漏洞,例如PID控制对于非线性系统不可控。基于冻结时间的传统的PID控制器设计无法满足现在的无人机任务的多样性,需要开发一种具备在线学习和自适应能力的飞行控制方法。
智能控制系统有较强的学习能力,因此在面对复杂任务时更具有实用性。该文在四旋翼飞行器动力学建模的基础上设计了PID控制系统和智能控制系统。考虑飞行器的自适应能力和机载计算机的计算能力提出一种新的控制方法,首先根据仿真样本离线训练神经网络结构,提高计算能力,然后通过在线计算飞行器状态的超调量和调节时间,根据训练的神经网络结构反向动态调节PID控制参数实现四旋翼飞行器的自适应控制,改进飞行器在执行任务过程中的响应的动态性能和稳态性能。
1 动力学模型的建立
对飞行器做动力学建模,为了得到飞行器的数学模型,首先建立两个坐标系:惯性坐标系和机体坐标系。如图1所示。
为了建立飞行器的动力学模型,不失一般性,对四旋翼飞行器做出如下假设。
(1)四旋翼飞行器主均匀对称的刚体。
(2)机体坐标系的原点与飞行器几何中心及质心位于同一位置。
(3)四旋翼飞行器所受阻力和重力不受飞行高度等因素影响,总保持不变。
(4)四旋翼飞行器各个方向的拉力与推进器转速的平方成正比。
在图1中定义欧拉角如下。
滚转角φ:表示为机体坐标系绕OX轴旋转的角度,由飞行器尾部顺纵轴前视,若OZ轴位于铅垂面的右侧(即飞行器向右倾斜),则φ为正,反之为负。
俯仰角θ:表示为机体坐标系绕OY轴旋转的角度,旋转后飞行器纵轴指向水平面上方,θ角为正,反之为负。
偏航角ψ:表示为机体坐标系绕OZ轴旋转的角度,为飞行器纵轴在水平面内投影与惯性坐标系OX轴之间的夹角,迎ψ角平面观察,若由OX转至投影线是逆时针旋转,则ψ角为正,反之为负。
四旋翼飞行器受力分析如图1所示,旋翼机体所受外力和力矩为:重力(mg),机体受到(重力)沿OZ负方向;四个旋翼旋转所产生的升力(i=1, 2, 3, 4),旋翼升力沿OZ方向;旋翼旋转会产生扭转力矩(i= 1, 2, 3, 4)。垂直于叶片的旋翼平面,与旋转矢量相反。
2 PID控制研究
上文引入了4个控制量u,因而把复杂的非线性耦合模型分解成了4个独立的控制通道,那么,整个模型可以看成由线运动和角运动两个独立的子系统构成,通过上文建模可知,角运动不受线运动的影响,而线运动受角运动的影响.在此基础上使用小扰动法处理,忽略附加小扰动后,得到四旋翼飞行器的运动方程:
选取四旋翼飞行器参数如表1。
根据系统的传递函数及四旋翼飞行器的参数表(表1),可得各控制通道的传递函数(表2)。
3 智能控制系统的特性和结构设计
人工智能(簡称AI),它是计算机科学的一个重要领域。在近20年来得到快速发展,在很多领域都得到了广泛应用,尤其是机器学习,数据挖掘和图像识别,由于硬件计算能力的限制和可靠性考虑,在实际飞行控制中大多还是采用传统的飞行控制系统,例如PID控制,由于未来作战任务的发展和其他支撑系统的发展,飞行器中采用基于人工智能的控制算法是发展趋势所在。
MIT的Winston教授指出“人工智能就是研究如何使用计算机去做到过去只有人才能做到的智能工作。”事实上,从广义上讲,一般认为用计算机模拟人的智能行为就属于人工智能的范畴。而我们的设计的自适应智能控制系统就应该具备此种特性,它可以感知外界环境的变化而改变自己的某些参数(例如PID参数),这是传统PID控制系统做不到的。
目前,专家系统控制是专用且最权威的控制系统,它是应用于某一专门领域,拥有该领域相当数量的专家级知识,能模拟专家的思维,能达到专家级水平,能像专家一样解决困难和复杂的实际问题的计算机(软件)系统。对于高级的自适应智能控制系统也能适应此种框架。考虑专家控制系统中对于外部数据的学习能力和自适应能力,其核心学习机制采用人工神经网络,在四旋翼无人机控制系统中,也同样利用离线仿真数据训练建立的人工神经网络结构。人工神经网络的结构示意图,如图2所示。
人工神经网络的特点和优越性,主要表现在3个方面。
第一,具有自学习功能。例如实现图像识别时,只需先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测,其应用前途是很远大的。
第二,具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
第三,具有高速寻找优化解的能力。寻找一个复杂问题的优化解,往往需要很大的计算量,利用一个针对某问题而设计的反馈型人工神经网络,发挥计算机的高速运算能力,能很快找到优化解。
训练法则:要从学习单个感知器的權值开始,准确地说这里学习的是一个权向量,它可以使感知器对于给定的训练样本例输出正确的1或-1。
为了得到可接受的权向量,一种方法就是从随机的权值开始,然后反复地应用这个感知器到每个训练样例,只要它分类错误样例就修改感知器的权值。重复这个过程,直到感知器正确分类所有的训练样例。每一部根据感知训练法则来修改权值,也就是改写与输入xi对应的权值wi法则如下:
该文采用新型的基于人工智能学习的控制系统结构,在传统PID控制的基础上进行改进。利用离线仿真的数据对建立的人工神经网络进行训练,控制框架如所图3所示。
首先利用仿真的方式得到100组四旋翼飞行器的PID参数与状态响应的超调量和调节时间数据集,利用采集得到的数据集对建立的3Input-2Output人工神经网络进行训练,然后在飞行器实际飞行过程中对输出量进行超调量和调节时间的采样计算,通过与期望的超调量和调节时间进行对比,通过逆向计算控制器PID参数的调节方向从而使得飞行器具备期望的动态响应和稳态响应。采取这样的控制系统可以更好地适应各种复杂的环境,并且通过离线的学习在线调节控制时间与超调量,从而达到自适应控制的目的。
4 结语
该文提出针对目前无人机面临的任务复杂性增加和多样功能的需求,提出一种四旋翼飞行器的自适应智能控制方法,结合传统PID控制和人工神经网络的结构,使无人机具备在线学习和自适应调节的能力,并且对比了传统的PID控制与先进的自适应控制系统,而且对于各种参数的模拟做了一个系统的分析,采用飞行器的动力学模型研究简化了计算步骤。分析结果表明,这种自适应控制系统在适应复杂任务能力上优于传统的PID控制,能在实际生活与工业生产中起更大的作用。
参考文献
[1] Salih AL,Moghavvemi M,Mohamed HAF,et al.Modelling and PID controller design for 8 quad-rotor unmanned air vehicle[C]//Automation Quality and Testing Robotics(AQTR).2010.
[2] 夏洪生,甘家梁.交流电机的智能PID控制应用研究[J].变频器世界,2014(1):67-72.
[3] 张垚,鲜斌,殷强,等.基于ARM处理器的四旋翼无人机自主控制系统研究[J].中国科学技术大学学报,2012,42(9):753-760.