基于单位四元数的四旋翼编队反演控制方法

针对四旋翼无人飞行器,研究了在理想通信条件下编队控制问题;四旋翼无人飞行器具有复杂的数学模型,首先用四元数描述其动力学和运动学模型,将其分解为位置和姿态两个相互独立的子系统,通过引入与期望轨迹之间的误差建立了跟踪误差模型;指定编队中一名成员为领航者,编队成员通过一致性算法得到编队的几何中心位置,并以此作为期望轨迹;通过Backstepping方法为每一架四旋翼设计时变反馈控制律使编队达到镇定;最后通过仿真实验验证该控制方法的有效性。     

基于机器视觉的共轴双旋翼桨尖位移实时监测系统

共轴双旋翼直升机风洞实验中,配平状态是不可预测或预知的,具有很高的风险性,为了保证实验的安全,开发了一种基于机器视觉测量方法的桨尖位移实时监测系统。根据实验的高转速、高风险的特点,采用高速相机实时采集桨尖图像,通过增加光照、优化相机参数等措施获得了清晰的图像。采用图像分割、目标检测等数字图像处理方法,获取了桨尖的实时位置,通过桨尖位置解算出上下桨尖距离。通过相机外部触发与同步,实现不同转速条件下,桨叶的识别和测量。基于Matlab软件平台开发了系统软件,实现了旋转状态下旋翼桨尖的图像采集、图像实时处理、数据实时显示等功能。在4 m共轴旋翼实验中,获取了悬停状态、前飞状态下的桨尖位移和桨尖距离数据,数据符合共轴双旋翼空气动力学理论。实验验证表明,该系统完全满足实验需求,对保障共轴旋翼实验的安全具有重要意义。     

基于四元数衍生无迹卡尔曼滤波的二段式多旋翼无人机姿态估计算法

对传统多旋翼无人机姿态估计算法难以兼顾高精度、强实时性以及抗干扰能力差的问题,首先基于一种计算量较小的衍生无迹卡尔曼滤波算法,在量测更新中,将加速度数据和磁力计数据分为两个阶段进行姿态四元数校正处理,然后从旋转四元数的本质出发,推测出四元数各元素分别包含着不同的姿态角信息,最后将校正四元数分别乘上为降低校正过程中的相互干扰所设计的系数,提出一种基于四元数衍生无迹卡尔曼滤波的二段式多旋翼无人机姿态估计算法.通过使用PIXHAWK飞控数据,与传统姿态估计算法进行仿真实验对比,实验表明,本文提出算法与传统使用扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)的姿态估计算法相比,在实时性、解算精度和抗干扰能力方面有较大提升.     

基于速度前馈的无人机编队控制

对旋翼无人机编队控制进行了研究,分析并简化了无人机模型。采用信息传递策略,提出了结合前馈与反馈的控制策略,前馈信息为长机实时速度。仿真测试显示,该策略在响应速度、稳定性和超调量上优于传统P控制器和PID控制器。通过构建两架四旋翼无人机系统,进行了编队飞行实验,实验结果证实了策略的有效性。该策略在工程应用中显示出价值和潜力,为旋翼类多无人机编队控制提供了解决方案。     

基于DDPG算法的旋翼无人机智能跟踪方法

针对旋翼无人机视觉伺服控制可视性约束差与控制效率低的问题,介绍四旋翼无人机的动力学模型与传统视觉伺服的基本原理;针对视觉伺服增益调节问题,提出了一种基于深度强化学习的旋翼无人机视觉伺服控制的马可科夫模型;并结合深度确定性策略梯度（DDPG）算法训练了模型,最终得到线速度和角速度2个解耦的伺服增益。结果表明,与传统的基于图像的视觉伺服（IBVS）方法相比,该方法能保证目标始终在视场中、飞行轨迹平滑、到达目标位置所需时间短,满足旋翼无人机视觉伺服控制可视性约束条件,同时,控制效率比传统控制方法高23.5%。实验中该方法能在复杂的非线性环境中实现精确控制,增加了视觉伺服技术的应用场景。     

基于Transformer模型的四旋翼无人机时空协同航迹预测方法设计

无人机在执行任务时面临的飞行环境复杂多变,为了减少事故的风险,并在飞行时对异常情况进行预测和响应,研究一种基于Transformer模型的四旋翼无人机时空协同航迹预测方法。采集四旋翼无人机原始航迹,实施异常点剔除和缺失点插值处理,以优化和清理原始航迹数据,便于后续的航迹预测。结合深度学习和表示学习方法完成数据降维,基于Transformer模型实现无人机时空协同航迹的精准预测。实验测试结果表明,设计方法的预测结果虽然相对于真实的坐标点稍有偏差,然而整体结果在可接受范围内,验证集所有数据的均方误差在数据条数为300时仅为0.32m,R方测试结果最接近1,具有良好的航迹预测能力。     

基于多旋翼无人机GPS坐标计算的树障面积快速测定法

为了快速测定树障环境下的任意多边形的面积,提出了基于多旋翼无人机GPS坐标计算的树障面积快速测定法。该方法通过无人机定位取点并选取待测区域外任意一点与多边形各顶点相连接形成多个三角形来计算任意多边形的面积,并在此基础上开发出了一款面积测量软件——无人机面积测量软件1.0。实地面积测量结果表明,该方法能够快速的对指定区域进行面积测量且相对误差精度可达到95%以上。     

基于随机模型预测控制的四旋翼无人机研究

由于随机扰动(可能无界)的存在,四旋翼无人机系统存在控制性能不稳定、输入抖动大的问题。针对这种情况,提出一种随机模型预测控制算法。算法对控制约束进行软化,使其在一定范围内可以违反约束以满足系统性能的提高,并添加扰动反馈结构进行实时监测。运用分布式鲁棒的方法对扰动进行重构,扰动重构后再分别对单输入机会约束与联合状态机会约束进行可计算的精确凸优化重构。加入精确罚函数方法以进一步保证系统可行性。实验对比结果表明,与无扰动的模型预测控制(MPC)算法相比,该算法能够在满足约束的情况下克服任意随机扰动(可能无界)完成目标跟踪,且具备更优秀的预测性能。     

基于Unity物理引擎的多旋翼无人机仿真模型

本文主要基于Unity物理引擎,以四旋翼无人机作为研究对象,通过建立无人机运行模式的数学模型,进行仿真模型研究.一方面,通过将无人机受力模型直接应用在电机对应位置,来仿真现实物体的受力状态,从而免去了对模型的刚体数学建模,简化了仿真建模过程;另一方面,通过分析无人机运动原理,对无人机进行动力系统和控制系统建模,其中控制系统采用串级PID控制算法进行姿态控制;本文最后,通过飞行实验和测试验证了无人机模型的稳定性、有效性,满足了四旋翼无人机的仿真要求.     

一种两点间直线搜索的输电线检测方法

在无人机应用于输电线巡检背景下,为了方便后续的输电线故障检测与分析,提出了一种两点间直线搜索的输电线检测方法。首先,通过方向可控滤波器对无人机图像进行分割。然后,通过所提出的基于圆搜索(CBS)直线段检测方法进行直线段检测。最后,通过所提出的连接算法进行直线段连接。通过在人造图像上的直线段检测实验,证明该方法是一种有效的直线检测方法。随后,通过在实际场景的无人机图像上进行实验,证明该方法是一种有效的输电线检测方法。     

基于几何不变量的直线匹配方法

针对目前直线匹配算法大多基于直线段支持区域的几何特性、灰度特性,但这些特性又极易受外界因素干扰造成匹配失败的情况,提出了基于直线几何不变量的匹配方法,该方法在无任何已知条件的情况下,运用叉积符号、点的线束交比不变量进行直线匹配。对于各个视点图像,采用Hough变换提取直线间交点集,再采用Graham扫描法构造一个最小的凸包,并通过匹配凸包顶点的交比序列来建立点与点的对应关系,选取其中一个对应关系完成直线的匹配。实验结果表明,该方法鲁棒性较好,具有广泛的应用性。     

基于网络模型的输电线路缓变故障诊断方法

针对输电线路缓变故障的故障机理不明确,全系统的故障及时诊断和仿真困难等问题,提出了基于网络模型的缓变故障诊断方法。引入复杂网络集群划分中的模块性概念,解决了状态划分过程中的数据间相似度测度和划分测度问题。利用网络结构反映故障状态和特征,建立故障诊断网络模型,把输电线路故障诊断转化为子网络探测问题。通过多传感技术针对同一故障的多种故障表征,多层次多领域采集不同的特征量,选择故障反映灵敏度高的状态信息量,从而较好分析诊断故障。通过实验仿真对比,证明了基于网络模型的故障诊断方法对输电线路缓变故障诊断具有较高的正确率和容错性。     

基于最小二乘法的光纤光栅Bragg波长直线拟合

针对基于可调谐法布里珀罗(F-P)滤波器的光纤光栅解调系统存在波长解调准确度不够高的问题,从理论上系统地分析了在解调过程中对光纤光栅B ragg波长进行直线拟合的可行性,即光纤光栅B ragg波长与F-P滤波器的调谐电压之间存在线性相关性。在实验研究的基础上,用最小二乘法对光纤光栅B ragg波长和F-P滤波器的调谐电压进行直线拟合,结果表明:它们之间的确存在密切的线性相关性。为提高拟合的效果,提出了分段直线拟合,它可以使测量误差降低至少1个数量级,从而提高了F-P滤波器光纤光栅解调系统的准确度。     

基于编码解码结构的移动端电力线语义分割方法

针对传统的视觉算法在复杂场景下检测细长电力线准确率低、受环境因素干扰大,现有基于深度学习的电线检测算法效率不高的问题,提出一种适用于移动端电力线检测的端到端全卷积神经网络模型。首先,采用一种对称的编码-解码结构,其中编码部分使用最大池化层进行下采样,以提取多尺度特征,而解码部分使用最大池化索引的非线性上采样方式逐层融合多尺度特征,以恢复图像细节;其次,针对电线像素与背景像素不平衡的问题,采用了一种加权损失函数来训练模型;最后,构建了一个背景复杂且有像素级标注的电线数据集来训练和评估模型,并重新标注了一个公开电线数据集作为不同源测试集。与现有移动端电线语义分割模型Dilated ConvNet相比,所提模型在移动端设备GPU NVIDIA JetsonTX2上对于512×512分辨率的图片的预测速度提升至Dilated ConvNet的两倍,达到8.2 frame/s所提模型在同源测试集上的平均交并比（mIoU）为0.857 3,F1分数为0.844 7,平均精度（AP）为0.927 9,这三个指标分别提升了0.011、0.014和0.008;所提模型在公开测试集上的mIoU达到0.724 4,F1分数达到0.634 1,AP达到0.664 4,这三个指标分别提升了0.004、0.007和0.032。实验结果表明,该模型具有更好的移动端电力线实时分割性能。     

基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法

提出了一种基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法。将消噪后的零序电流绝对值的最大值进行归一化处理后得到故障信息矩阵,并将该矩阵作为RBF神经网络的输入;计算RBF神经网络输入层的活跃值,当活跃值在设定范围内时,RBF神经网络的隐含层与输出层自动断开,隐含层神经元分裂,待网络中权值、方差、中心值等参数自动调整后,RBF神经网络的隐含层与输出层重新连接,输出训练结果;将测试集输入到训练好的RBF神经网络,得出故障选线结果。算例分析结果表明,该选线方法不受故障相位角、接地电阻的影响,故障选线准确、可靠。