四旋翼无人机轨迹跟踪控制系统设计

针对四旋翼无人机参数不确定性和对外部干扰敏感的问题,提出一种基于线性自抗扰的轨迹跟踪控制系统设计方案。线性自抗扰能够很好地克服无人机的强耦合性、模型不确定性以及外部干扰问题。将四旋翼无人机的轨迹跟踪控制系统分为内外两个环路,内环采用线性自抗扰控制器,外环采用简单的PD控制器。在仿真平台上对线性自抗扰控制系统进行轨迹跟踪实验,并与传统的PID控制系统进行对比分析。通过仿真实验证明,所设计的线性自抗扰控制器不仅能够很好地估计并补偿系统所受内外部干扰,而且对四旋翼无人机参数的不确定性具有较强的鲁棒性,能够满足无人机姿态调节快速和高稳定度的控制要求,性能指标明显优于PID控制器。     

干扰观测器补偿的四旋翼飞行器自适应离散终端滑模控制

传统的离散线性滑模应用于四旋翼飞行器控制具有跟踪误差大、响应速度慢、不能有限时间收敛等问题,针对具有外干扰、系统不确定和建模误差的四旋翼飞行器,提出了干扰观测器补偿的自适应离散终端滑模控制。首先,对一类包括四旋翼飞行器模型的离散化方程推导了终端滑模控制律,引入自适应律因子减小抖振,构造了以状态变量的平方作为干扰误差收敛速度的改进型离散干扰观测器,且证明了它的稳定性,再利用改进的离散干扰观测器获取未知干扰、不确定和建模误差的高精度估计,并用于控制器设计补偿项,提高鲁棒性和减小稳态误差,再对整个系统的稳定性做了严格的证明。最后将提出方法用于四旋翼飞行器控制,Matlab仿真分析表明,干扰观测器补偿的自适应离散终端滑模控制比离散终端滑模等其他控制方法具有响应时间更快、跟踪效果更理想、鲁棒性更强等特点,实现了在不确定干扰的情况下飞行器姿态的稳定控制。     

基于SMC的四旋翼无人机抗风扰研究

四旋翼无人机控制系统复杂、鲁棒性差、易受外界干扰,为了提高四旋翼无人机的控制精度,采取滑模变结构的控制方法。搭建四旋翼无人机的动态数学模型、电机模型和风场扰动模型,借助Matlab搭建SMC控制器,选择适当的参数和消除抖振方法,对四旋翼无人机的高度和姿态进行控制。实验结果证明,SMC控制器具有较好的动态性能和抗扰性。     

基于多标签联合定位的自主视觉着陆技术研究

旋翼无人机着陆场景较为复杂,且 GPS 信号经常被干扰,同时着陆平台非固定,通常需要采用合作标签引导无人机着陆。由于存在阴影、反光等特点,在室外环境下,单一的合作标签往往存在定位误差较大,漏识别较多的问题,严重影响无人机着陆稳定性。为解决这一问题, 本文将现有的单合作标签定位方法进行改进,在传统的单标签 pnp 定位解算的基础上,采用多个合作 Apriltag 标签进行联合定位的方法,以提升无人机定位精度和识别帧率,实现着陆过程精确的视觉导航功能。通过静态定位实验与无人机动态着陆实验,验证了该方法的有效性,提升了旋翼无人机自主着陆系统的鲁棒性。     

图像视觉伺服的无人机固定时间滑模控制

为提高四旋翼无人机对目标跟踪的动态性能和精度,结合图像视觉伺服(IBVS)提出一种新型非奇异固定时间滑模控制方法,实现了四旋翼无人机对速度指令和姿态指令的固定时间精确跟踪.首先通过透视投影建立虚拟图像平面,利用图像矩推导出虚拟平面的四旋翼无人机动力学模型.在此基础上,由固定时间稳定理论设计新型固定时间滑模面,给出了精确的收敛时间估算方法,分别结合四旋翼无人机动力学模型的位置环和姿态环设计了非奇异固定时间滑模控制器,并基于Lyapunov理论证明了系统的稳定性.数值仿真表明,所设计的控制器能避免无人机的超调问题并减小稳态误差,具有良好的鲁棒性.     

基于干扰观测器的无人机着陆飞行逆控制器设计

基于干扰观测器设计了无人机着陆飞行逆控制器。根据时标分离的原则,将无人机系统分解为快慢不同的4个回路,采用动态逆的方法设计快回路、慢回路和非常慢回路控制器,并且在慢回路引入干扰观测器估计无人机所受的扰动和在线估计动态逆误差,降低控制器对干扰和模型精确度的要求,增强控制器的鲁棒性。仿真结果说明所设计的无人机着陆控制器是非常有效的。     

一种提升高程精度的低空无人机SLAM定位方法

旋翼无人机能够实时精准感知自身位置是无人机实现后续相关技术的关键前提之一。为了提高旋翼无人机的定位精度,提出了一种基于激光雷达的SLAM(Simultaneous Localization and Mapping)定位方法。该方法通过融合三维激光雷达与IMU(Inertial Measurement Unit)来提升系统整体性能,对点云进行降采样,利用激光点云信息对旋翼无人机的高程进行计算,对激光雷达帧间匹配得到的有累计误差的高度变化进行更新,利用回环检测技术增加闭环约束,最后在SLAM系统后端进行联合优化。在保证无人机平稳飞行的状态下,该方法比A-LOAM算法在轨迹的平均误差上降低了约4倍,高程精度提升一个数量级至厘米级,改进了系统对高度不敏感以及误差积累过大的问题,提高了无人机工作效率及安全性。     

基于深度强化学习的无人机集群协同信息筛选方法研究

针对未知复杂环境下无人机集群协同定位导航中算法计算量过大的问题,提出了两种基于深度强化学习的无人机集群协同信息筛选方法,将多无人机定位问题映射为部分可观的马尔可夫决策过程(POMDP),通过克拉美罗下界(CRLB)设置的精度阈值,使用最少协同信息满足所有无人机的定位精度要求.仿真结果表明,同无筛选情形相比,基于深度强化学习的筛选策略可以在不牺牲定位精度的同时,有效提高协同定位算法的实时性,解决协同信息冗余问题,显著提高了协同定位算法的执行效率.     

四旋翼无人机块控反步姿态控制器设计

针对四旋翼无人机的姿态控制问题,设计了一种基于块控反步法的姿态控制器。建立了四旋翼无人机完整的姿态运动模型,包括姿态动力学模型和空气动力学模型,并将其转化为多输入多输出非线性系统的状态空间方程。在介绍块控反步控制器的基础上,给出了积分反步姿态控制器的设计过程。将滤波器引入控制器设计中,解决了对虚拟控制律求导所产生的"计算膨胀"问题。对控制系统的Lyapunov稳定性分析表明,所设计的控制系统是稳定且指数收敛的。仿真结果表明所设计的控制器具有良好的跟踪能力和较强的鲁棒性。     

航空飞行器天文自主导航定位技术

针对传统惯性/天文多星组合导航的不足和导航星选取不确定性,设计了一种基于捷联惯性/天文单星深度组合的长航时自主导航系统,通过对惯性导航和二维转台单星观测的误差特性进行建模,综合两者的优点,实现了单星观测角度和惯导解算数据的高精度融合;在高度通道方向,引入气压高度计对高度误差进行阻尼,通过卡尔曼滤波器对惯导误差进行最优估计,运用可观测性理论对系统进行分析,得到了最优导航星选取准则,有效地解决了在部分观测角度下算法性能下降的问题。仿真结果表明:该算法长时间导航定位精度优于传统算法,最优导航星选取准则有效地提高了算法的鲁棒性,具有较高的理论研究意义和工程应用价值。     

一种基于粒子滤波的多源融合室内定位方法

室内定位技术作为社会各行业迫切需求的科技服务,尚无公认完善的解决方法。由于单一技术的定位方法不可消除其固有缺点,多种定位技术融合提升的方法是实现高精度室内定位的重要研究方向。本文面向日益复杂的室内环境,提出一种多源融合室内定位方法,将深度置信网络与 RSSI 指纹定位方法相结合实现粗略定位,同时使用行人航位测算技术完成行人航迹预测。然后运用粒子滤波器将粗略定位结果与预测的行人航迹信息相融合,提升了传统 RSSI 室内指纹定位技术的精确度与实时性。     

一种融合地图与传感器信息的室内地图匹配新算法

基于粒子滤波技术,提出了融合地图信息与传感器信息的室内地图匹配算法,对于在室内定位中由状态空间模型描述的非线性系统,通过非参数化的蒙特卡洛( Monte Carlo)模拟方法来实现递推贝叶斯滤波,将室内地理信息数据、传感器信息、无线定位信息融入到粒子的权重值中,对观测值进行不断修正。实验证明,所提出的基于粒子滤波的地图匹配技术有效解决了由于无线定位结果穿墙、错定至隔壁房间而造成的用户体验差等问题,同时对室内定位结果进行了修正,提高了室内定位精度。     

一种新型的INS与UWB融合的室内行人跟踪方法

针对单一室内定位系统定位精度低、鲁棒性差的问题,提出了一种新型的基于动态鲁棒容积卡尔曼滤波的超宽带(Ultra-wideband,UWB)与惯性导航系统(Inertial Navigation System,INS)融合的定位方法.首先建立了一种易于实现的UWB-INS融合定位框架,然后提出了一种动态鲁棒容积卡尔曼滤波算法以处理多源数据的融合.提出的滤波算法可将M估计理论、强跟踪算法、动态增强策略与传统的容积卡尔曼滤波算法结合,以此缓解外界噪声和系统模型误差对状态估计的不利影响.在UWB-INS组合定位框架内采用动态鲁棒容积卡尔曼滤波,可实现对室内行人运动轨迹的精确稳定跟踪.实际数据测试和Matlab仿真验证了所提方法在复杂环境下其定位精度和鲁棒性均优于单一依赖UWB或INS技术的定位系统.     

利用时变噪声贝叶斯卡尔曼滤波的室内移动目标定位

基于射频识别的指纹滤波定位技术是当前室内定位中常使用的技术之一。针对该技术存在的卡尔曼滤波算法不能准确适应环境噪声变化,致使定位精度不高的问题,提出了一种适应时变噪声的贝叶斯卡尔曼滤波算法。所提算法结合Sage-Husa滤波模型和贝叶斯模型,实现了过程和测量协方差矩阵的最优化,有效地降低了噪声,提高了指纹滤波定位的精度。实验结果表明,与变分贝叶斯卡尔曼滤波和Sage-Husa滤波相比,无障碍情况下,基于改进算法的定位精度提高了6%以上;有障碍干扰下,则提高了14. 6%以上。     

深度学习与图像融合的行人检测算法研究

为解决智能辅助驾驶技术中可见光摄像机受光照和气候影响而导致行人目标识别困难的问题。通过研究图像融合技术,结合深度卷积神经网络,实现并改进了一种道路行人目标检测算法。方法是利用多源传感器图像融合技术,采用可见光相机与红外热成像相机融合的策略,以Faster RCNN算法为基础,从改进网络结构、特征融合、优化模型训练等方面展开研究,对复杂环境下的行人检测与定位跟踪展开研究,提出一种基于图像融合技术和改进的深度卷积神经网络的道路行人目标检测算法。实验结果表明,该算法对复杂气候环境下行人目标检测提高了检测效率和准确率,增加了智能辅助驾驶汽车的安全性。     

改进的迭代CKF及其在GNSS/INS紧组合中的应用

为改善GNSS/INS紧组合中非线性滤波器的稳定性和精度,基于Backtracking线搜索(BLS)方法提出一种新型的迭代容积卡尔曼滤波方法(BLS-ICKF)。首先建立Sigma点滤波方法的迭代框架,采用阻尼Newton迭代改善状态初始误差较大时的滤波更新精度,同时,为提高组合系统状态预测过程的鲁棒性定义了一种简化的迭代更新结构。实验和仿真结果表明,BLS-ICKF牺牲较小的时间复杂度较CKF的航向角误差减少约59%。     

High-Performance Position Control of Induction Motor Using Discrete-Time Sliding-Mode Control

A new way of induction-motor position control for high-performance applications is developed in this paper using discrete-time sliding-mode (DSM) control. In addition to the main DSM position controller, the proposed control structure includes an active disturbance estimator (ADE), in which a passive filter is replaced by another DSM-controlled subsystem, in order to improve system robustness and accuracy. Furthermore, the application of an ADE makes possible the design of both controllers using the knowledge of the nominal system only. Experiments have verified high efficiency of the proposed servo system under the influence of large parameter perturbations and external disturbances in the presence of unmodeled dynamics.      

一种基于多普勒频率变化率单站无源定位的改进跟踪滤波算法

IMM-PF算法巨大的计算量影响跟踪的实时性,IMM-UKF由于线性化误差使得精度不高.针对这些问题,本文在基于多普勒频率变化率的单站无源定位问题的基础上提出了一种改进的交互式多模型滤波算法（IMMEK-UKFPF）,利用不同的模型匹配不同类型的滤波器,充分发挥了卡尔曼滤波和无迹卡尔曼滤波以及粒子滤波各自的优点.仿真结果表明该算法减少了跟踪定位所用时间,提高了计算效率,同时具有良好的跟踪性能和较强的鲁棒性.     

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。     

A robust model reference adaptive control for nonminimum phase systems

In this paper, a new direct model reference adaptive control method for nonminimum phase systems is presented. The parameter estimation scheme combines adaptive data filtering with a recursive least-squares algorithm with parameter projection and signal normalization. The problem of minimum phase of the plant is handled by adaptive input output data filtering. This data filtering permits one to relocate the reros of the plant estimated model inside the unit circle and to define a good data model, which is a key issue for robust control. The scheme robustness with respect to unmodeled dynamics is also simultaneously improved. The performance of the control algorithm is illustrated by numerical examples.