基于迭代學習的無人機的軌跡跟蹤控制系統設計論文

ID:274661 · 發表于 2018-1-11 09:48

制作出來的實物圖如下：

摘要
四旋翼直升機這個概念出現由來已久，最早起源于 1907 年，早期由于相關技術都不夠成熟，發展較為緩慢。隨著近年來空中機器人相關技術的進步，以及它自身獨特的優勢，四旋翼直升機逐漸展現出其巨大的應用價值和廣闊的發展前景。由于四旋翼直升機自身為非線性系統，各通道間具有強耦合特性，這使其飛行控制系統設計較為復雜。此外，四旋翼飛行器逐漸趨于小型化發展，在其控制器中多采用體積小巧，功耗更低的 MEMS 傳感器，由于制造工藝的原因，傳感器的測量值有較大偏差，所以除了要設計良好的控制算法之外，對傳感器進行分析、標定和多傳感器的數據融合也顯得尤為重要。本文對控制和數據處理兩個關鍵問題進行重點研究。論文介紹了四旋翼飛行器的基本飛行原理以及課題后續工作需要用到的基礎知識，并按照相關知識建立四旋翼動力學模型。采用迭代學習的控制算法，依據四旋翼直升機的簡化動力學模型，結合卡爾曼濾波的最優估計特性，估計出系統的重復性擾動和未建模誤差。選取基于時域內二次性能函數離散方程的最優迭代學習算法，對估計出的模型誤差進行擾動補償，并用  Matlab 軟件仿真進行學習算法的評估，通過仿真給出了四旋翼無人機的各種軌跡下的跟蹤結果，證明了算法的有效性。

本文還搭建了四旋翼無人機飛控系統的硬件實驗平臺，并對所使用的傳感器進行了標定，濾波處理，在硬件平臺上進行了大量的實驗工作，驗證整體濾波性能的好壞，給出數據對比結果，并針對飛行器在飛行過程中會有傳感器數據采集異常以及有大機動的情況，運用卡方檢驗的方法進行故障檢測和隔離，數據結果顯示了該方法的有效性。

摘要  I AbstractII
第 1 章  緒             論  1
11 研究背景  1
12 研究現狀  2
121  四旋翼飛行器的研究現狀  2
122  迭代學習的研究現狀  4
13 主要研究內容  5
第 2 章  四旋翼工作原理及相關知識  7
21 引言  7
22 四旋翼飛行器工作原理  7
23 剛體空間姿態表示  8
231  常用坐標系的定義  8
232  剛體姿態角表示  9
24 運動學建模 11
25 本章小結  13
第 3 章  迭代學習算法仿真研究  14
31 引言  14
32 迭代學習控制  14
321  算法的理論研究  14
322  迭代學習算法實現  15
321 迭代學習軌跡跟蹤控制仿真實驗  19
33 本章小結  21
第 4 章  硬件搭建及多傳感器數據融合  23
41 引言  23
42 飛行控制器硬件平臺搭建  23
43 傳感器標定  25
44 艾倫方差分析  28
43 濾波器設計  31
431  低通濾波器設計  31
432  卡爾曼濾波器設計  32
433  多傳感器數據融合結果  35
44 本章小結  39

1.1 研究背景
無人機，英文簡稱 UAV(Unmanned Aerial Vehicle)是指自身裝載有動力系統，沒有人員操作的飛行器。它通過利用空氣的推力來克服飛行器自身重量，同時能夠攜帶一定載荷，可遠程遙控或自主飛行。與有人飛行器相比，無人機具有機動性更強，安全性更高，體積更小，飛行能力更卓越等特點。近些年來，由于無人機自身特點越來越受到業余愛好者和科研人員的青睞 [1]。無人飛行器按照其結構和飛行方式可分為多旋翼飛行器，單旋翼飛行器和固定翼飛行器，其典型代表如圖 1-1，圖 1-2，圖 1-3 所示。

固定翼無人機發展較早，在相關技術上相對比較成熟，而且在最近幾十年的幾次軍事戰爭中也充分展現了它的優秀偵查和攻擊性能。與固定翼的飛行器發展相比，旋翼式這種可垂直起降(VTOL ，Vertical Take-off and landing)的飛行器發展要緩慢很多，最近幾年隨著影視拍攝行業的成功應用才慢慢進入大眾的視野，這是因為 VTOL 旋翼式的飛行器的控制比較復雜。相比于固定翼飛行器，VTOL 飛行器具有難以比擬的優越性：結構簡單，更加小型化，能夠適應各種復雜的環境，具備自主起飛和著陸功能，能以如懸停、倒飛、側飛、前飛等各種姿態飛行，具有良好的低空低速飛行性能，對場地要求不像固定翼那么苛刻。四旋翼直升機是一種具有四個螺旋槳的飛行器，屬于多旋翼飛行器中的一種，國外又稱 Four-rotor，Quadrotor，  X4-flyer，4 rotors helicopter 等等。其螺旋槳按照旋轉方向的不同可以分為正槳和反槳，四個螺旋槳按照正反槳交替的順序依次安裝在一個具有“X”或“十”型剛性結構的末端。與傳統的直升機通過調節主槳和尾槳的槳距角來改變直升機的姿態有所不同，目前大部分四旋翼直升機是固定槳距的，只能通過改變四個螺旋槳的轉速來改變飛行器姿態，實現各種飛行動作（目前也有變螺距的四旋翼飛行器，這種飛行器的結構相對復雜一些，但控制更靈活方便）。小型四旋翼飛行器由于其自身小巧靈活的特點，特別適合在近地面環境中
執行監控、偵察等任務。目前已成功運用于航空影視拍攝，交通疏導，地圖測繪，抗震救災等多個領域，有著巨大的市場前景。與此同時，四旋翼飛行器還是美國火星探測項目中的無人飛行器重要研究方向之一[2]。另外，由于其結構簡單、外觀新穎、成本低廉、飛行控制方式獨特(通過調節 4 個螺旋槳的轉速，實現飛行控制)以及性能卓越等諸多優點，使其逐漸成為國際上新的研究方向。隨著近年來空中機器人相關領域技術的進步，尤其是關鍵傳感器的小型化和通信技術的發展，四旋翼飛行器的發展十分迅速，大家對空中機器人在工業和生活中的應用興趣逐步提高，小型四旋翼無人機正在廣泛應用于民用基礎設施檢查（如公路、橋梁和大壩），環境監測 (如森林、河流、湖泊等)，飛行表演，
以及航空拍攝中。由于四旋翼飛行器是一個典型的多輸入多輸出非線性系統，在飛行器飛行過程中各通道間有很嚴重的耦合特性，使得飛行控制器設計變得十分復雜，像傳統的控制器如增益調參 [3] 的小擾動線性設計方法已經很難適用，尋找更好的控制方法具有很重要的現實意義。

1.2  研究現狀
1.2.1  四旋翼飛行器的研究現狀
四旋翼飛行器自問世以來已經有將近百年的歷史，由于其自身的工作方式，導致旋翼式飛行器的能源利用率不高，續航時間和飛行半徑較短，一直沒有引起足夠的關注。隨著近年來微機電系統（MEMS）傳感器測量精度的提高，低功耗高性能處理器技術的進步，鋰電池存儲密度的提升，以及新型的高強度輕便材料的應用，都為四旋翼無人飛行器的發展提供了強有力的硬件支持。與此同時，四旋翼無人飛行器在軍事和商業領域的應用也不斷被挖掘，未來也將會有更多的應用場景被發現，其商業價值也逐漸顯現，市場需求量很大，前景廣闊。
目前的國內外研究的四旋翼飛行器大體上都屬于微小型無人飛行器，  其研究主要集中在以下三個方面：基于慣性導行的飛行控制[4]，基于計算機視覺的飛行控制[5]和自主飛行器系統方案。其典型代表分別是：瑞士洛桑聯邦科技學院（EPFL）的  OS4[5]，佐治亞理工大學的  GTMARS[6]和賓夕法尼亞大學的HMX4[7]。OS4 已經完成了兩代樣機，是由 EPFL 自動化實驗室開發的一種小型四旋翼飛行器，其第二代樣機如圖 1-4 所示。針對飛行器的飛行特點，對其控制算法進行了深入的研究，目前已經實現了基于多種控制算法 ( 如  PID ， LQ ， Backstepping，Sliding-mode)[8]的飛行實驗，可以實現自主懸停控制。HMX4 在機械機構上與 Draganflyer  III 相似，利用雙攝像機的計算機視覺來獲取飛行器的姿態和位置，使用 Backstepping 和反饋線性化的控制算法實現了自主懸停控制，并且在多機編隊等協同合作方面取得了突破性進展，其樣機圖如圖 1-5 所示。

佐治亞理工大學的開發的 GTMARS 無人機系統是為實現火星探測任務而設計的，該飛行器登陸火星后能夠自動展開被封裝的四面體機構，實現自主起飛和降落，樣機圖如圖 1-6 所示。其著落器上安裝了太陽能電池，在執行探測任務時可以返回著陸器補充能量。
近年來，國內外很多研究人員開始研究多旋翼無人直升機，并且發表了大量相關論文，也提出了很多無人直升機控制算法。并且國外很多高校已經成功實現了其算法在硬件實驗平臺上的飛行控制。
目前，大部分無人直升機控制算法可大致分為以下兩類：
（1）基于經驗的控制算法：PID 控制[9]，神經網絡控制[10]，模糊控制等；
（2）基于模型的控制算法：滑模控制[6]，魯棒控制[6]，Backstepping[11]，
LQR[12]控制等。由于多旋翼飛行器的外環位置直接受內環姿態的控制，所以飛行器的內環姿態控制就顯的尤為重要，所以目前國內外很多研究都著重進行了非線性的姿態控制器設計，雖然仿真效果比較好，但由于其對模型有很強的依賴性，當模型不夠精確時，其實際控制效果有時還不如基于經驗的 PID 控制。因此，應尋找既可以精確控制飛行器，又具有良好的環境自適應能力和不依賴于系統精確數學模型的控制算法。

1.2.2  迭代學習的研究現狀
學習能力是人作為智慧生物的一項重要特征，讓控制器具有某種“學習能力”，一直是諸多自動控制研究者一個夢寐以求目標。自從 Fu[13]于 1971 年在控制中提出學習的思想后，各國學者對學習控制的研究一直很活躍，像神經網絡，人工智能，迭代學習，強化學習等智能控制越來越受大家關注。迭代學習控制作為智能控制領域的一個分支，在控制的學習過程中不需在線辨識系統模型參數，而是根據最終的所達到的控制效果，既依靠“控制品質”來修正控制器參數。日本研究者 Uchiyama[14]針對高速運行的機械手的控制問題于 1978 年開創性的提出了迭代學習的控制思想：對同一個軌跡進行跟蹤控制，并每次根據上次的控制結果不斷調節控制輸入，最終達到比較好的的跟蹤控制效果。基于這一基本思想，Arimoto 等人在 1984 年正式提出迭代學習控制的概念[15]，從此開創了一個新的研究方向，吸引越來越多的研究者加入。
迭代學習控制方法主要是利用控制系統的先驗數據，以及系統期望的輸出信號來尋找理想的控制輸入信號，減小系統的跟蹤誤差，類似于人的“經驗學習” 過程。迭代學習控制與魯棒控制類似，迭代學習控制可以處理實際系統模型的不確定性，相比較而言，它要求系統較少的先驗知識，不依賴于非常精確的系統模型，能夠處理未知參數以及模型的不確定性等復雜的控制問題，具有很強的魯棒性。因此，對那些軌跡跟蹤控制中有著高度非線性，難建模等特點系統的有著非常重要的研究意義。
目前迭代學習控制思想已廣泛應用在各種工業生產中，對機械臂和機器人系統的控制是其最主要的應用領域[16]，同時在各類實時控制的系統中，迭代學習控制也得到了廣泛的應用，例如永磁電機控制 [17]，磁盤驅動器控制[18]，光學掃描系統[19]等等。隨著迭代學習控制理論研究的不斷深入和發展，以及其在實際系統的廣泛應用，迭代學習控制越來越多的與其他控制方法相結合，由此產生了各種新的算法，如自適應學習律[20]，模型參考學習律[21]，基于優化理論等
的新型學習律[22]，不再局限與傳統的 P 型、D 型學習律。

1.3  主要研究內容
由前文介紹可以看出，未來多旋翼無人機由于其自身的優點會擁有更廣闊的前景和應用空間，會吸引越來越多的國內外的學者和研究機構加入。由于四旋翼無人機的強耦合、非線性、欠驅動的系統特性，再加上飛機的震動和飛行的大機動性，導致飛控系統的姿態測量和控制設計相對較為復雜。本文將以小型四旋翼直升機作為課題研究平臺，針對軌跡跟蹤控制算法和多傳感器數據融合方法進行研究，對基于迭代學習的軌跡跟蹤控制算法進行仿真驗證，同時對飛行器硬件控制系統進行設計。
本文的研究內容如下：
（1）首先介紹四旋翼無人機的研究背景，發展現狀，以及迭代學習控制的發展，針對多旋翼飛行控制系統的設計，分析其中兩個關鍵問題，之后提出了
本文的主要研究內容。
（2）接著介紹四旋翼無人直升機的基本工作原理及相關知識，定義建模和控制所需的兩個坐標系和對應的坐標旋轉矩陣，介紹歐拉角與四元數的兩種不
同的姿態表示方法，并建立四旋翼飛行器的動力學模型。
（3）之后進行軌跡跟蹤控制算法仿真研究。介紹迭代學習控制算法的基本思想和流程，在確定的四旋翼動力學模型的基礎上進行模型簡化處理，確定飛機的飛行軌跡并生成初始輸入。用卡爾曼濾波對由系統模型誤差產生的擾動進行估計，運用優化理論的迭代學習的更新算法更新系統輸入，補償系統由于模型誤差帶來的重復性擾動，并用 Matlab 軟件仿真進行學習算法的評估，并給出仿真實驗結果。
（4）再接著進行硬件平臺設計及多傳感器的數據融合。在搭建的四旋翼飛行控制器的硬件實驗平臺的基礎上，分析所以慣性傳感器的特性，進行傳感器標定，補償由于傳感器制作工藝帶來的測量誤差，并運用基于四元數的間接卡爾曼濾波器抑制由于機體震動以及飛機大幅運動對姿態估算的擾動，并對濾波器進行故障檢測與隔離，給出最終的實驗結果。
（5）最后，本文將總結我的課題所做的研究工作，并對未來進一步需要完善和發展的工作進行展望。

第 2 章  四旋翼工作原理及相關知識
2.1  引言
四旋翼無人直升機的動力學模型是后期飛行控制算法研究的基礎和前提，模型的正確性對控制系統的設計至關重要。本章首先簡單介紹四旋翼飛行器的基本工作原理，同時定義機體坐標系與慣性坐標系的的坐標變換矩陣，并根據剛體力學知識和牛頓定理建立系統的數學模型。

2.2  四旋翼飛行器工作原理
四旋翼無人直升機是四個螺旋槳固定在一個“X”或“十”型剛性結構的末端的系統，如圖 2-1 所示，飛行系統的螺旋槳對稱分布于機體前、后、左、右四個端點，這四個旋翼共處于同一平面上。飛行的動力來源于四個電機帶動螺旋槳高速轉動，通過調節四個螺旋槳的轉速可控制四旋翼飛行器的姿態和軌跡。相對的一對旋翼 2 和 4 繞逆時針方向旋轉，相反另外一對旋翼 1 和 3 則繞順時針方向旋轉。改變 1 和 3 螺旋槳的轉速可以產生俯仰以及相應的前向運動，同理，改變 2 和 4 螺旋槳的轉速可以產生相應的橫滾和側向運動，由此產生飛機升力及姿態的控制力。

圖 2-1  四旋翼直升機槳翼旋轉示意圖

由于四旋翼直升機在空間中的具有六個運動自由度，但是僅有四個驅動輸入，改變任何一個螺旋槳的轉速都會引起兩個姿態角的變化，因此四旋翼直升機是一個欠驅動的系統[23]。根據四旋翼無人直升機的結構特點和四旋翼的姿態變化與各個旋翼的旋轉速度的關系，其基本運動可以劃分為以下四個基本運動模式：
（1）垂直方向運動：主要有垂直升、降和懸停三個飛行狀態，當四旋翼機身處于平衡狀態時，同時等量的增大（或減小）四個旋翼旋轉速度的大小來實現直升機上升（或下降）運動，如圖 2-2 a)所示。

（2）俯仰方向運動：保持旋翼 2 和 4 的轉速恒定，增大（或減小）旋翼 1 的同時減小（或增大）旋翼 3 的轉速，而四個螺旋槳總的升力保持不變，會產生沿 y 軸方向的扭矩，這樣就可以實現四旋翼的俯仰運動，由于耦合的作用，同時可以實現飛機的前后方向的運動,  如圖 2-2 b)所示。
（3）滾轉方向運動：保持旋翼 1 和 3 的轉速恒定，增大（或減小）旋翼 2 的同時減小（或增大）旋翼 4 的轉速，會產生沿 x 軸方向的扭矩，這樣就可以實現四旋翼的橫滾運動，同理，由于耦合的作用，可以實現飛機的左右方向的運動,  如圖 2-2 c)所示。
（4）偏航方向運動：增大（或減小）1、3 旋翼，同時減小（或增大）2、4 旋翼的轉速，利用正反槳產生的相反方向的扭矩，可以改變直升機機體繞 z 軸總體方向的扭矩，從而實現直升機偏航運動，如圖 2-2 d)所示。

2.3 剛體空間姿態表示
2.3.1 常用坐標系的定義
宇宙中一切運動的物體都是相對而言的，單個物體是沒有運動可言的。一個物體在空間中的位置和姿態是相對另一個物體而確定的，這就有了參考坐標系的概念。為建立四旋翼直升機運動學模型以及進行姿態控制，首先介紹后文所需要的兩種常用坐標系的定義：
（1）東北天坐標系 E(NEU)，在地面指定一個點為參考原點，取水平面為 XOY 平面，以東方向為 X 軸正方向，順時針 90 度方向的北向為 Y 軸正方向，以垂直水平面向上的方向作為 Z 軸正方向，如圖 2-3 所示。
（2）機體坐標系 B(OXYZ)，以四旋翼直升機的質心為原點，旋翼 1 和 3 的連
線為 x 軸，旋翼 1 指向為 x 軸正方向，旋翼 2 指向為 y 軸正方向，以過原點且垂直于 xoy 平面的向上的直線作為 z 軸正方向，如圖 2-4 所示。機體坐標系與飛行器固連，隨飛行器的運動而轉動。

2.3.2 剛體姿態角表示
剛體在空間中相對參考坐標系的形態即為剛體的姿態，它描述了兩個坐標系坐標軸之間的相對方向。剛體從一個姿態到另一個姿態之間的轉換可以用兩個坐標系的相對旋轉變換矩陣表示。姿態表示有多種表示方法，包括四元數、歐拉角、歐拉軸/角和方向余弦矩陣等，各種表示方法有自己優缺點，目前常用的表示方法為前兩種。歐拉角表示方法最大的優點是簡單直觀，只需用 , , 三個參數分別表
示橫滾角，俯仰角和偏航角，符合人的直觀感受，缺點是不能表示剛體的全部姿態，有奇異性，存在萬向鎖問題，并且在計算過程中有大量的三角函數運算，計算量較大；四元數表示法不存在萬向鎖問題，而且計算量小，現廣泛應用于航空航天領域以及三維動畫制作領域，缺點是不夠直觀，每個參數沒有實際的物理意義。下面將分別介紹這兩種姿態表示方法：
（1）歐拉角表示法歐拉角是用來描述剛體在三維歐幾里得空間的取向。對于任何參考系，一個剛體的取向，是依照順序，從這參考系，做三個歐拉角的旋轉而設定的。所以，剛體的取向可以用三個基本旋轉矩陣來決定，圖 2-5 描述了繞三個軸的基元旋轉。

(由于格式限制，51hei省略了部分內容，論文完整內容請下載本帖附件查看)

由于迭代學習過程不依賴于精確的數學模型，我們可以忽略系統的高階小量，對公式（2-15）所表示的動力系統進行簡化處理，原系統的狀態空間方程可表示為公式（3-21）所示的系統。對于公式（3-21）所示的系統，在參考軌跡領域內進行線性化處理：
對上述系統進行離散化后就可得到迭代學習所需要的鄰域方程。考慮到系統模型的不準確性，在軌跡跟蹤過程中我們不能完全跟蹤中間的姿態角狀態以及速度狀態，同時由于我們的最終目標是對飛行器的位置進行跟蹤，所以目標函數（3-18）中的狀態權重矩陣 S 中只有位置狀態因子有效，其他因子取零，同時不考慮輸入的懲罰函數。取位置誤差：
接下來利用 Matlab 軟件建立的四旋翼無人直升機的仿真平臺，對迭代學習控制算法進行仿真驗證，圖 3-3 給出了設定參考軌跡為正弦線和圓時的迭代學習的控制的效果圖，圖 3-4 為每次迭代學習的控制的位置跟蹤誤差。

從上圖中的正弦線軌跡跟蹤效果圖可以看出，通過多次的迭代學習后，系統能夠很快估計出系統的建模誤差，在下次迭代學習時對系統輸入進行補償，最終能夠較準確的跟蹤上參考軌跡。同時，對圓形軌跡進行仿真驗證。圖 3-5 中給出了設定為圓形參考軌跡時飛行器在迭代學習控制算法下的跟蹤效果，經過多次迭代學習，系統能很好的跟蹤參考軌跡。從圖 3-6 可以看出，經過多次迭代跟蹤誤差不斷減小。

3.3  本章小結
本章主要研究四旋翼無人直升機的基于迭代學習的軌跡跟蹤控制算法，根據四旋翼直升機的關鍵動力學模型，從迭代學習的控制算法的理論出發，結合卡爾曼濾波的最優估計特性，估計出系統的重復性擾動和未建模誤差。選取基于時域內二次性能函數離散方程的最優迭代學習算法，對估計出的模型誤差進行擾動補償，對算法的軌跡跟蹤性能進行了仿真驗證，通過仿真給出了四旋翼無人機的各種軌跡下的跟蹤結果，證明了算法的有效性。
第 4 章  硬件搭建及多傳感器數據融合
4.1  引言
在前期完成四旋翼無人機的軌跡跟蹤控制算法后，接下來課題的重點工作就是建立飛行控制器的硬件實驗平臺，完成實際四旋翼飛控的硬件平臺的設計。在本章中，首先給出了飛控系統主要部分的硬件電路設計和程序設計的流程圖。而在實際的工作環境中，MEMS 傳感器由于其自身的特點，雖然價格低廉，但由于自身的工藝，傳感器自身有著很大的測量誤差，再加上飛行器飛行過程中的震動，傳感器的測量值需要很好的處理才能得到我們所期望的姿態角度，因此需要對傳感器的特性進行分析，并設計濾波器才能得到較精確的飛行姿態，只有姿態角度測量準確了，才能達到較好的控制效果。本章針對硬件平臺所面臨的問題，首先對電子羅盤與加速度計進行標定，分析傳感器特性，對關鍵的傳感器（陀螺儀和加速度計）進行采樣分析，進行基礎的濾波處理，然后用卡爾曼濾波進行姿態更新，最終得到較為準確的姿態數據。

4.2  飛行控制器硬件平臺搭建
圖 4-1 為系統的硬件架構圖，主要由主控芯片，傳感器接口，USB 接口，GPS模塊接口，接收機接口以及電調接口等部分，圖 4-2 為整個飛行控制系統的原理圖。

本課題所使用的飛行控制器  MCU  是意法半導體公司生產的基于  Contex-M4
內核的 32 位處理器 STM32F407 芯片，該芯片擁有 168MHz 的主頻，處理速度可達 210DMIPS，同時控制器內部集成了單精度的浮點運算單元和 DSP 指令，運算速度大大提升，可以運行一些更復雜的算法。這款芯片擁有豐富的外設，包含多種通訊接口，如 USART 串行同步異步接口，
IIC，SPI，CAN  總線等，可以與飛行控制系統所多要的多種類型的傳感器直接相連，不需要額外的通信協議轉換芯片，同時這些通信接口還可以作為數據回傳的接口，可以和地面采集系統直接通信，大大簡化了系統的硬件設計和系統復雜度。并且片上具有多個內部定時器，其中的高級定時器[32]具有 PWM 波形發生器的功能，可以精確輸出PWM波形而不占用CPU任何處理時間，因此能夠通過定時器生成的 PWM 波精確控制四旋翼直升機四個電機的轉速。另外，此芯片不僅支持標準的 JTAG 下載，還支持四線制的 SWD 接口供程序下載及調試，這樣可以占用更少的芯片引腳，而且 SWD 接口在高速下載的情況下更加穩定。芯片的 I/O 口多支持引腳復用功能，大大提高了硬件設計的靈活性。該芯片還支持高速 USB-OTG 功能，傳輸速率最高可達 480Mbps，使用其 Host 功能可將主控作為 USB 主機，進行數據的采集。整個系統的電路原理圖如圖 4-2 所示，系統的硬件測試平臺如圖 4-3 所示。

4.3  傳感器標定
圖 4-3  硬件測試平臺
在飛機的姿態估算過程中，加速度計和磁力計的測量值將作為測量數據直接參與計算，其測量值的誤差直接影響姿態跟新的準確性。而由于 MEMS 傳感器的制作工藝等原因，傳感器原始輸出的測量值與真實值存在較大偏差，其誤差模型如圖 4-4 所示。

下面就以三軸磁強計為例分析誤差產生原因。三軸磁強計的測量誤差主要來自以下四個個方面[33]：
（1）零位偏差和靈敏度誤差；
（2）非正交測量誤差（三軸磁力計的測量軸不能完全正交）；
（3）非對準誤差（三軸磁強計的三個坐標軸與飛行器本體的坐標系不能完全重合）；
（4）硬磁干擾，軟磁干擾（軟磁干擾誤差可等效為非正交誤差，靈敏度誤差和非對準誤差的綜合表現）。
在理想情況下，磁力傳感器在空間中旋轉時三個軸的理論測量值 X，Y，Z 是一個標準的球面。由于上述誤差的存在，傳感器的輸出將變為一個傾斜的橢球，為了消除傳感器由于自身工藝造成的測量誤差，本文使用基于約束的最小二乘橢球擬合方法將磁力傳感器三個軸的測量值映射為一個橢球面，然后將傳感器輸出矯正為一個標準的球面。
二次曲面的一般方程為：

為了對原帶等式約束的優化問題進行求解，我們運用拉格朗日乘子方法將原優化問題化為帶非線性約束的求解特征值和特征向量的問題：

經過橢球矯正后的實驗結果如圖 4-7 所示。從圖 4-5 中可以看到，橢球擬合的殘差很小，與真實值很接近，經過矯正后的輸出是一個標準的球面，算法很好的補償了由于傳感器的零位偏差，靈敏度誤差以及各個軸之間的非正交誤差帶來的影響。同理，也可用此方法對加速計進行標定。

4.4  艾倫方差分析
慣性傳感器的測量誤差除了由于傳感器自身的制造工藝造成的標度因子，非正交等由敏感物理模型中的參數變化引起的確定性誤差外，還有敏感環境干擾這種不確定因素引起的隨機誤差，主要有零偏不穩定性、角度（速度）隨機游走、速率隨機游走等。隨機誤差由于在各個時刻的具有隨機性，因此無法像確定性誤差那樣通過固定的方程進行直接補償，需要實驗通過統計的方法來分析誤差特性。最常用的隨機誤差建模方法有艾倫方差分析法[34]、時間序列分析法和功率譜密度分析法（PSD）。
艾倫方差分析方法是一種時域分析方法，它同 PSD 之間存在積分轉換關系。艾倫方差最早是由 David 于 1966 年提出的，最初用于分析振蕩器的相位和頻率不穩定性。由于陀螺儀等慣性傳感器本身具有振蕩器特性，所以后來艾倫方差被廣
泛應用于慣性傳感器的隨機誤差辨識[35]。相對于其他分析方法，其最大的優點是計算比較簡單，較容易對慣性傳感器中的各誤差源進行辨識和分離。下面以角速度為例說明艾倫方差的定義與計算。
以采樣周期  對陀螺儀輸出角速度進行采樣，共采樣  個點，把所獲得的數據分成  組，每組包含個采樣點：
使用飛行器上所用的慣性傳感器，將數據輸出速率設定為 100  Hz，將慣性傳感器靜止放置，采取 4 個小時的陀螺儀和加速度計的原始數據，然后對采集的數據進行艾倫方差分析，分析的結果分別如上圖 4-9 和圖 4-10 所示。
陀螺儀和加速度計的隨機誤差主要包括零偏不穩定性、角度隨機游走和速率隨機游走，假設隨機誤差中各種誤差源相互獨立，艾倫方差可以表示為如下簡化形式：通過對原艾倫方差進行擬合，就可得到 Allan 方差系數，最終的分析結果如表
4-1 和表 4-2 所示，從表 4-1 中可以看出陀螺儀的 x 軸相對其他兩個軸性的零偏不穩定性要差很多，其對應后面的卡爾曼濾波器中對應的陀螺儀零偏不穩定性的過程噪聲也要大很多。同樣，從表 4-2 中可以看出，加速度計的 z 軸的零偏不穩定性相對其他兩個軸要差很多。

4.3  濾波器設計
4.3.1 低通濾波器設計
前面總結了慣性傳感器的測量誤差，其中包括確定性誤差和隨機誤差，這兩者主要是由于傳感器自身的特性所引起的，在實際的飛機飛行過程中，除了要了解傳感器的自身特性外，還需要對慣性傳感器的工作狀況進行分析。在飛行器飛行過程中，由于電機帶動螺旋槳高速轉動，若電機與螺旋槳的動平衡達不到完美效果，在飛行過程中會產生很嚴重的高頻震動，采集飛機近似懸停的加速度數據如圖 4-11 所示。對采集的原始信號進行傅里葉變換[38]，其頻譜特性如圖 4-12 所示，從圖中可以看出采集的信號中包含了很多高頻噪聲，飛行器的運動頻率通常小于 10 Hz[39]。

由圖 4-12 可以看出，在飛行過程中，飛行器在 60~70 Hz 之間有很強的高頻震動，通過設計一個 FIR 低通濾波器就可以對其高頻噪聲進行初步的濾波處理。用 Matlab 自帶的 FDATool 工具箱設計一個截止頻率為 25 Hz 的 FIR 低通濾波器，濾波后的頻譜特性與數據如圖 4-13 所示。經過所設計的 FIR 低通濾波器后，傳感器所采集數據的高頻噪聲被有效的濾除，在一定程度上可以消除飛行器的震動對傳感器測量的影響，可以提高后期的姿態解算精度和控制效果。

4.3.2 卡爾曼濾波器設計

飛行器準確的姿態求解是飛行器整個軟件部分中的重要一環，在前面部分，我們已經完成了傳感器的標定，低通濾波器的設計，這些過程可以盡可能的減少單個傳感器自身測量造成的誤差，但是為了得到最終飛行器姿態，還需要更好的多傳感器數據融合算法。
對于目前常用的 MEMS 的慣性傳感器，陀螺儀的動態性能比較好，但由于溫飄和零偏，長時陀螺儀積分會造成很大的累計誤差，而加速度計和磁力計計算出的飛行器姿態無這種累計誤差，不存在長時間漂移問題，但容易受環境和飛行器飛行狀況影響。我們采用高效的遞歸濾波器—卡爾曼濾波，結合各傳感器的特點，

估計出飛行器的姿態。在濾波器的設計過程中，根據系統狀態的選取不同，濾波方法有直接法和間接法兩種[40]。兩種方法的卡爾曼濾波器的特點有所不同：
（1）直接法是直接描述系統的動態過程，系統方程多為非線性，因此只能采用非線性卡爾曼濾波器；間接法的系統方程一般是按照近似方法推導出來的誤差方程，一般可以轉化為線性方程，因此可以直接采用常規的線性卡爾曼濾波器。
（2）經過系統化簡，相對于直接法，間接法可以減少系統維數，減小計算量。
同時，間接法所描述的狀態多為誤差量，數量級較為接近，可以減小計算誤差。因此，本文采用間接的卡爾曼濾波器。卡爾曼濾波是一種高效的遞歸估計，它無需記錄觀測或者估計的歷史信息，本身是一種最優化自回歸數據的處理方法，整個迭代過程比較簡潔，非常適合作為 AHRS 的濾波算法。將卡爾曼濾波用于多傳感器的數據融合時，首先需要建立一個符合卡爾曼濾波器算法的系統狀態方程和觀測方程。
陀螺儀，加速度計，磁力計的測量模型為：
適用于卡爾曼濾波算法的線性模型就已經建立，整個間接卡爾曼濾波算法的
結構圖如圖4-15 所示：

4.3.3 多傳感器數據融合結果
在前面小節中，首先介紹了傳感器數據的預處理部分，包括傳感器矯正和 FIR 濾波器，然后介紹了卡爾曼濾波器的結構設計及實現過程，本節主要對間接卡爾曼濾波算法的姿態融合結果進行數據分析，評估濾波器效果，并對實際飛行器飛行過程中出現的濾波器故障進行檢測與隔離，提高卡爾曼濾波器的準確性和穩定性。首先做地面震動實驗，對飛控解鎖，推油門至飛行器接近起飛狀態，采集傳感器數據并進行數據融合后的結果如圖 4-15 所示。在實際橫滾角一直接近于零度的情況下，由于飛機的震動，直接用加速度計得到的橫滾角有很大的波動，最大可達 9 度，由于陀螺儀存在零偏，其直接計算的角度也很快會發散，用本文所提出的卡爾曼濾波算法計算得到姿態角度一直非常平穩，誤差很小，沒有發散現象。

在姿態更新的過程中，同時對陀螺儀的零偏進行估計，零偏估計的結果如圖4-17 所示，在經過一段時間的濾波器穩定后，濾波器很快估計出陀螺儀的零偏，并穩定在某個常值附近。

接下來我們測試飛行器做大角度運動時的解算的姿態角度是否準確，利用三樓運動控制實驗室的 UR 機器人，我們將飛行控制器固定在機械臂的末端（如圖4-3），讓機械臂繞 Y 軸做往復搖擺運動，原始數據與卡爾曼濾波后得到的俯仰角如圖 4-18 所示，在模擬飛行器做突加（減）速運動時，由于加速度計包含了很大的運動加速度，原始姿態角有很大的超調，并伴隨有震蕩現象，經過卡爾曼濾波處理，可以消除由于突加（減）速運動的影響，使得所計算的姿態角度快速響應而無超調。
在飛行器實際飛行過程中，飛行控制系統的穩定性是至關重要的，因此，濾波器的容錯設計也是需要考慮的。容錯設計的目的是在每一個元部件穩定性一定的情況下，提高系統整體的可靠性。容錯設計的主要方法是實時監測系統的運行狀態，對故障部件進行檢測并進行有效隔離，防止整個濾波器發散。
故障檢測與隔離（FDI）是一項專門的技術，近年來已有很大發展，在系統硬件固定的情況下，從卡爾曼濾波器的更新過程可以進行故障檢測與隔離，在這里可以用卡方檢驗來確定系統量測信息的有效性[44]，進行觀測新息的故障檢測與隔離，與卡爾曼濾波相結合可以很好的抑制傳感器測量的野值對濾波器的影響，下面具體說明基于殘差的卡方檢驗法[45]對濾波器的故障進行檢測和隔離。
卡爾曼濾波器的殘差[46]可表示為：
對加速度計和磁力計的量測信息分別設計一個局部的濾波器，在每一個傳感器的量測更新過程中都加入上述的故障檢測與隔離算法，即可實時確定出失效的量測信息，這樣就可以剔除傳感器采集的野值對濾波估計的影響。如圖 4-19 所示，在某次飛行測試中，由于傳感器測量異常，導致飛行姿態的橫滾角有兩次出現了異常狀況，加入故障檢測與隔離后，飛行器的姿態角的異常相較與之前明顯減小很多，濾波器變的更加穩定。

本章小結
圖 4-22  磁力計原始數據
本章首先搭建了四旋翼無人直升機飛控系統的硬件實驗平臺，并對所使用的傳感器進行了標定，濾波處理，在硬件平臺上進行了大量的實驗工作，驗證整體濾波性能的好壞，給出數據對比結果，并針對飛行器在飛行過程中會有傳感器數據采集異常或者有大機動的情況，運用卡方檢驗的方法進行檢測和隔離，數據結果顯示了整個過程方法的有效性。

結論
四旋翼直升機由于其自身靈活，機動性能好，安全性高，結構簡單，易于小型化等諸多特點，越來越受科研工作者和航模愛好者的青睞。近年來，隨著空中機器人相關技術的提高，以及在航空影視拍攝和農業植保領域的成功應用，四旋翼無人機的發展將會越來越迅速。本文在國內外前人的研究基礎上，重點對四旋翼直升機的軌跡跟蹤控制，多傳感器數據融合方法和傳感器數據處理進行研究，主要包括以下幾個方面的工作：
（1）依據四旋翼的動力學模型，運用卡爾曼濾波的最優估計特性，在鄰域空間估計出系統的重復性擾動和未建模誤差。采用基于時域內二次性能函數的最優迭代學習算法，對估計出的模型誤差進行擾動補償，并用  Matlab 軟件仿真進行學習算法的評估，通過仿真給出了四旋翼無人直升機的在各種軌跡下的跟蹤結果，證明了算法的有效性。
（2）在理論仿真完成后，本文還搭建了四旋翼無人直升機飛控系統的硬件實驗平臺，針對傳感器的測量特性，對所使用的傳感器進行了標定，濾波處理，在硬件平臺上進行了大量的實驗工作，驗證整體濾波性能的好壞，試驗結果顯示所運用的間接卡爾曼濾波對噪聲有很好的抑制作用。最后并針對飛行器在飛行過程中會有傳感器數據采集異常以及有大機動的情況，運用卡方檢驗的方法進行殘差的故障檢測和隔離，結果證明該方法可以提高濾波器的穩定性，系統的姿態誤差在有故障時會更小。
四旋翼直升機飛控系統設計是一項長期而艱巨的任務，由于個人時間和精力，以及實驗條件的限制，本文研究還有很多擴展工作需要完善：
（1）完善飛控系統的硬件平臺，采用更加精確的傳感器和效果更好的濾波算法，同時可以加入計算機視覺，為飛行器提供更加準確的位置和姿態，讓飛行器更加穩定和智能。
（2）進一步可以增加四旋翼直升機的路徑規劃，將迭代學習與其方法相結合，提高系統的魯棒性。

參考文獻
[1] 黨芬，王敏芳，汪銀輝.  無人機發展現狀及趨勢[J].  地面防空武器，2005（3）：49-54.
[2] 聶博文，馬宏緒，王劍，等.  微小型四旋翼飛行器的研究現狀與關鍵技術
[J].  電光與控制，2007，14（6）：113-117.
[3] 楊恩泉，高金源 .  無人機機動軌跡跟蹤系統設計 [J].  飛行力學， 2007，
25(2)：30-33, 38.
[4] Bouabdallah  S,  Murrieri  P,  Siegwart  R.  Design  and  Control  of an  Indoor
Micro Quadrotor[C]//IEEE International Conference on Robotics and
Automation, New Orleans, USA, 2004（5）：4393-4398.
[5] Altug E, Ostrowski J P, Taylor C J. Quadrotor Control Using Dual Camera
Visual Feedback[C]//IEEE International Conference on Robotics and
Automation, 2003：4294-4299.
[6] Suresh K K, Kahn A D, Yavrucuk I. GTMARS -flight Controls and Computer
Architecture[M]. Atlanta: Georgia Institute of Technology, 2000：13-21.
[7] Mellinger  D,  Shomin  M,  Kumar  V.  Control  of  Quadrotors  for  Robust
Perching  and  Landing[C]//Proceedings  of  the  International  Powered  Lift
Conference, 2010：119-126.
[8] Bouabdallah  S.  Design  and  Control  of  Quadrotors  with  Application  to
Autonomous Flying[D]. École Polytechnique Federale De Lausanne, 2007：
45-58.
[9] Bouabdallah S, Noth A, Siegwart R. PID vs LQ Control Techniques Applied to  an  Indoor  Micro  Quadrotor[C]//International  Conference  on  Intelligent
Robots and Systems, 2004：2451-2456.
[10]  Peng  K,  Cai  G,  Chen  B  M,  et  al.  Design  and  Implementation  of  an
Autonomous Flight Control Law for a UAV Helicopter[J]. Automatica, 2009,
45(10)：2333-2338.
[11]  McKerrow  P.  Modelling  the  Draganflyer  four -rotor  helicopter[C]//IEEE International Conference on Robotics and Automation，2004：3596-3601.
[12]  劉勇，王新民，余翔.  基于 LQR 的直升機懸停控制律設計與仿真 [J].計算機測量與控制，2008，16(5)：670-672.
[13]  Fu  K.  Learning  Control  Systems  and  Intelligent  Control  Systems:  An Intersection of Artifical Intelligence And Automatic Control [J]. IEEE Transactions on Automatic Control, 1971, 16(1)：70-72.
[14]  Uchiyama M. Formulation of High-Speed Motion Pattern of a Mechanical
Arm by Trial[J]. Transactions on SICE (Soc. Instrum. Contr. Eng.), 1978, 14
（6）：706-712.
[15]  Arimoto  S,  Kawamura  S,  Miyazaki  F.  Bettering  Operation  of  Robots  by
Learning[J]. Journal of Robotic systems, 1984, 1(2) ：123-140.
[16]  Chien C J, Tayebi A. Further Results On Adaptive Iterative Learni ng Control of Robot Manipulators[J]. Automatica, 2008, 44(3)：830-837.
[17]  李兵強，林輝.  抑制  PMSM  周期性轉矩脈動的迭代學習方法 [J].  電機與控制學報, 2011, 15（9）：51-55.
[18]  Chen Y Q, Moore K L, Yu J, et al. Iterative Learning Control and Repetitive
Control  in  Hard  Disk  Drive  Industry-A Tutorial[C]//IEEE  Conference  on
Decision and Control, 2006：2338-2351.
[19]  Yen J Y, Yeh Y C, Peng Y H, et al. Application of the Continuous No-Reset
Switching Iterative Learning Control on a Novel Optical Scanning System [J]. Mechatronics, 2009, 19（1）：65-75.
[20]  Chen  Y Q,  Moore K L.  Iterative  Learning  Control  with  Iteration-Domain
Adaptive  Feed-forward  Compensation[C]//The  42nd  IEEE  Conference  on
Decision and Control, 2003：4416-4421.
[21]  Lee J H, Lee K S, Kim W C. Model -based Iterative Learning Control With a
Quadratic Criterion for Time-Varying Linear Systems[J]. Automatica, 2000,
36(5)：641-657.
[22]  Amann  N,  Owens  D  H,  Rogers  E.  Predictive  Optimal  Iterative  Learning
Control[J]. International Journal of Control , 1998, 69(2)：203-226.
[23]  Schmidt  M  D.  Simulation  and  Control  of  a  Quadrotor  U nmanned  Aerial
Vehicle[D]. University of Kentucky, 2011 ：15-26.
[24]  Sidi  M  J.  Spacecraft  Dynamics  and  Control:  A  Practical  Engineering
Approach[M]. Cambridge University Press, 1997：55-100.
[25]  Leishman  J G. Principles  of  Helicopter  Aerodynamics[M] .  Cambridge
University Press, 2006：55-113.
[26]  Bellman R. Dynamic Programming and Lagrange Multipliers[J]. Proceedings of the National Academy of Sciences of the United States of America, 1956,
42(10): 767.
[27]  Murray  R,  Li  Z  X,  Sastry  S  S.  A  Mathematical  Introduction  to  Robotic
Manipulation[M]. CRC Press, 1994：53-57.
[28]  Wang  B,  Chen  B  M,  Lee  T  H.  An  RPT  Approach  to  Time-Critical  Path Following  of  An  Unmanned  Helicopter[C]//  IEEE  Control  Conference ，
2011：211-216.
[29]  Madani T, Benallegue A. Control of a Quadrotor Mini-Helicopter Via Full
State Backstepping Technique[C]// The 45th IEEE Conference on Decision and Control, 2006：1515-1520.
[30]  Bristow  D  A,  Tharayil  M,  Alleyne  A G.  A  Survey  of  Iterative  Learning
Control[J]. IEEE Control Systems, 2006, 26(3)：96-114.
[31]  Kalman R E. A New Approach to Linear Filtering and Prediction Problems[ J].Journal of Fluids Engineering, 1960, 82(1)：35-45.
[32]  蒙博宇.  STM32 自學筆記[M].  北京：北京航空航天大學出版社， 2012：298-316.
[33]  Gebre-Egziabher  D,  Elkaim  G  H,  David  Powell  J,  et  al.  Calibration  of Strapdown Magnetometers in Magnetic Field Domain [J]. Journal of Aerospace Engineering, 2006, 19(2) ：87-102.
[34]  Hou H. Modeling Inertial Sensors Errors Using Allan Variance[M].
University of Calgary, Department of Geomatics Engineering, 2004 ：76-101. [35]  El-Sheimy  N,  Hou  H,  Niu  X.  Analysis  and  Modeling  of  Inertial  Sensors Using Allan Variance[J]. IEEE Transactions on Instrumentation and Measurement, 2008, 57(1)：140-149.
[36]  熊凱，雷擁軍，曾海波.  基于  Allan  方差法的光纖陀螺建模與仿真 [J].  空間控制技術與應用，2010，36(3)：7-13.
[37]  趙思浩，陸明泉，馮振明. MEMS  慣性器件誤差系數的  Allan  方差分析方法[J].  中國科學，2010 (5)：672-675.
[38]  Shynk  J  J.  Frequency-domain  and  Multirate  Adaptive  Filtering[J].  IEEE Signal Processing Magazine，1992, 9(1)：14-37.
[39]  申珊穎.  斜十字四旋翼飛行器實驗建模與控制技術研究 [D].  南京航空航天大學，2013：15-37.
[40]  Park K C, Chung D, Chung H, et al. Dead Reckoning Navigation of a Mobile Robot  Using  an  Indirect  Kalman  Filter[C]//  International  Conference  on Multisensor Fusion and Integration for Intelligent Systems , 1996：132-138. [41]  秦永元.  慣性導航[M].  北京：科學出版社，2006：288-304.
[42]  Trawny N, Roumeliotis S I. Indirect Kalman Filter for 3D Attitude
Estimation[J]. Department of Computer Science and Engineering, University of Minnesota, 2005, 26(4)：8-15.
[43]  唐萬生.  現代控制理論[M].  北京：機械工業出版社，1983：58-73.
[44]  Brumback B, Srinath M. A Chi-Square Test for Fault-Detection in Kalman
Filters[J]. IEEE Transactions on Automatic Control, 1987, 32(6)：552-554. [45]  秦永元，洪鉞，汪叔華.  卡爾曼濾波與組合導航原理 [M].  西安：西北工業大學出版社，2012：244-252.
[46]  Welch G, Bishop G. An Introduction to the Kalman Filter[J]. Proceedings of SIGGRAPH, 2001, 41(8)：23175-27599.
[47]  崔乃剛，韓鵬鑫，穆榮軍.  基于強跟蹤  UKF  的導航系統故障檢測方法 [J].哈爾濱工程大學學報，2011，32(10)：1295-1299.

完整的pdf格式的設計論文51黑下載地址（完整版共53頁）：

基于迭代學習的無人機的軌跡跟蹤控制.pdf (3.33 MB, 下載次數: 37)

ID:138476 · 發表于 2018-2-18 04:12

學習了!!多謝版主!!!

ID:390479 · 發表于 2018-8-27 16:29

這篇文章的內容也可參考

ID:655413 · 發表于 2019-12-3 19:52

樓主論文的代碼從哪里下載

帳號		自動登錄	找回密碼
密碼			立即注冊

久久久久久久999_99精品久久精品一区二区爱城_成人欧美一区二区三区在线播放_国产精品日本一区二区不卡视频_国产午夜视频_欧美精品在线观看免费

基于迭代學習的無人機的軌跡跟蹤控制系統設計論文

評分