基于深度强化学习的无人机栖落机动控制策略设计

无人机栖落机动飞行是一种无需跑道的降落方法，能够提升无人机在复杂环境下执行任务的适应能力。针对具有高非线性、多约束特性的无人机栖落机动过程，提出了一种基于模仿深度强化学习的控制策略设计方法。首先，建立了固定翼无人机栖落机动的纵向非线性动力学模型，并设计了无人机栖落机动的强化学习环境。其次，针对栖落机动状态动作空间大的特点，为了提高探索效率，通过模仿专家经验的方法对系统进行预训练。然后，以模仿学习得到的权重为基础，采用近端策略优化方法学习构建无人机栖落机动的神经网络控制器。最后，通过仿真验证了上述控制策略设计方法的有效性。     

无人机综合飞行/推力矢量控制

以某无人机为背景,主要研究大机动时带推力矢量的综合飞行/推进控制系统的设计方法。应用非线性动态逆方法,根据无人机本身具有明显不同时间尺度差异的动力学特性,结合奇异摄动理论将控制变量按照响应快慢分为4个回路进行了控制器的设计与仿真;设计推力矢量控制和气动控制相结合的控制器,实现飞行和推力矢量的控制综合;将无人机的任务转化为对飞行控制的限制条件,对所设计的控制系统进行了数字仿真,结果表明所设计的控制器能够满足飞机做大机动时的控制要求。     

基于改进ARA*算法的无人机在线航迹规划

针对无人机三维在线航迹规划对算法速率、航迹最优性的需求,提出了基于改进ARA^*算法的无人机在线航迹规划方法。首先,建立无人机三维航迹规划的数学模型;然后,提出了节点空间约简策略、局部启发项策略以提高算法收敛速率,并针对复杂规划环境提出了启发因子自适应递减策略。仿真结果表明,所提算法能够快速、稳定地生成首条可行航迹,并在剩余时间内不断提高航迹质量,可应用于不同类型的在线规划任务,动态地适应规划时间与航迹最优性的要求。     

基于矫正广义走廊的电动倾转旋翼机模态转换

研究了基于矫正广义走廊和在线增益调度方法的电动倾转旋翼机模态转换控制问题。针对传统配平方法导致模态转换过程中时变动态特征被忽略的不足,提出一种新的两步法配平策略,即矫正配平工作点,并获得矫正广义走廊,以减小系统实际运行状态与配平工作点的偏离程度,进而改善增益调度方法的控制效果。传统增益调度方法控制器设计工作量较大,针对该问题设计了在线增益调度算法,有效避免了拟合过程。对某小型电动倾转旋翼无人机（UAV）的仿真表明,基于所提方法使得倾转旋翼机平稳、快速地完成模态转换过程;实验数据进一步表明,矫正后广义走廊相比于矫正前可将对过渡走廊的平均跟踪误差显著减小。     

面向林火持续侦察的多无人机分布式控制方法

为解决目前面向林火持续侦察多无人机（UAV）协同控制实用性与自主性不足的问题，基于蔓延速度诱导元胞自动机（SVICA）林火蔓延算法、无人机与传感器建模，构建了较为真实的三维多无人机火场侦察仿真环境与侦察效能指标，提出了一种面向林火持续侦察的多无人机双层分布式控制架构，在行动层基于强化学习训练的人工神经网络（ANN），实现了有风条件下无人机自主火场环绕与地形跟随功能，在策略层设计通过时域均匀分布算法进行各无人机空速的离散自主调节，最终达到多无人机林火持续侦察时域分布的均匀性与即时性目的。通过一系列数值仿真实验，验证了所提出的无人机分布控制策略在无人机损失和补充突发情况下的自适应性。基于无人机数量与侦察效能指标关系的实验与研究，定义了无人机出动阈值并验证了无人机长时间出动回收策略。最终实验结果表明，针对林火持续侦察任务，所提出的多无人机分布式控制方法具备一定的有效性与实用性。     

考虑输入饱和的固定翼无人机自适应增益滑模控制

针对复杂环境下的固定翼无人机飞行控制问题，考虑输入饱和以及复杂外界干扰的影响，提出一种基于自适应滑模控制方法的固定翼无人机飞行控制策略。首先，对固定翼无人机模型进行介绍，将模型分为姿态子系统和速度子系统；其次，针对姿态子系统和速度子系统的特点以及控制需求，分别采用自适应多变量螺旋滑模和自适应快速超螺旋滑模设计姿态控制器和速度控制器，该策略无需设计干扰观测器对外界干扰进行估计，仍然可以实现固定翼无人机对姿态参考指令和速度参考指令的有限时间精确跟踪，并基于Lyapunov的稳定性分析方法证明了闭环系统的稳定性。最后，对本文所提出的控制策略进行了仿真验证，结果表明该控制策略具有良好的控制性能。     

穿越微下冲气流的飞翼布局无人机控制方法

微下冲气流是最危险的低空风切变形式,为在起降阶段安全穿越该气流,飞翼布局的无人机控制律应具有快速响应能力和良好的鲁棒性。针对大展弦比飞翼布局无人机舵面附加升力大和低速状态俯仰操纵效能低的特点,提出了舵面附加升力和机体气动力相结合的复合控制方案,改进了以输出误差为参考量的非线性指令分配策略,设计了基于迎角保护的指令分配策略。将风干扰和模型的不确定性视为未知扰动,采用自抗扰控制(ADRC)理论设计飞翼布局无人机非线性控制律,使之对风干扰和模型的不确定性进行估计补偿。仿真结果表明,复合控制与ADRC相结合的方法加速了航迹倾角的单位阶跃响应速度,使上升时间缩短了64%,同时能够实现对风干扰的有效观测和补偿,使高度损失低于2m;能够在风切变中有效保护迎角,使其维持在5.5°以内。因此,该方法能够为飞翼布局无人机安全平稳地穿越微下冲气流提供一种参考方案。     

基于扰动观测器的无人机固定时间编队协同控制

针对无人机的编队控制问题,基于虚拟领航者编队方法,提出了 1种基于固定时间超螺旋干扰观测器的反步控制策略。首先,设计了 1种固定时间超螺旋扰动观测器,以保证在固定时间内,对无人机编队机动所受扰动的快速观测;其次,针对编队控制问题,设计了基于超螺旋扰动观测器的反步控制策略,该控制器显著降低了抖振效应;然后,使用李雅普诺夫理论和固定时间理论,分析了控制策略的固定时间稳定性;最后,通过仿真算例验证了所提出的控制策略的有效性与可行性。     

基于零空间方法的四旋翼无人机避障与协同编队控制

针对四旋翼无人机在编队飞行执行任务时可能遭遇障碍物问题,考虑多无人机避障及机间避撞的需求,提出 1种基于零空间方法的四旋翼无人机避障与协同编队控制算法。首先,建立四旋翼无人机动力学模型,并建立虚拟控制量简化控制模型;其次,基于零空间方法进行避障与协同编队控制算法研究,将无人机任务执行分解为目标趋向任务、避障避撞任务和协同编队任务,并根据优先级进行任务融合得到期望速度;再次,基于 PID方法设计控制律;最后,通过仿真验证所提控制算法的有效性。所提方法可保证四旋翼无人机在编队飞行中遭遇障碍物时的飞行安全。     

基于切换多胞LPV的涡扇发动机全包线中间状态控制

针对航空发动机全包线内参数变化范围较大,单一控制器很难保证全包线内的控制效果的问题,提出了基于切换多胞线性变参数（LPV）的发动机全包线中间状态控制方法.根据发动机的进口条件将飞行包线分为相互重叠的子区域,将多胞理论及状态重置切换方法引入控制器求解,给出了能够保证切换多胞LPV系统鲁棒稳定的线性矩阵不等式（LMI）条件;利用求解出的Lyapunov矩阵设计各子区域的LPV控制器,并结合几何位置调度策略实现子区域LPV控制;利用局部重叠的滞后切换策略和状态重置切换律实现全包线内各控制器的切换,并证明了该闭环切换系统的稳定性.最终以某型涡扇发动机为研究对象进行仿真验证,结果表明:采用该控制方法稳态误差能够控制在0.1%以内,超调量不大于0.5%.      

基于自适应IMM的高超声速飞行器轨迹预测

为了给基于预测命中点法的高超声速飞行器中制导拦截提供先验知识,提出高超声速飞行器的轨迹预测方法。首先,给出高超声速环境下与目标姿态近似线性的气动参数;其次,针对气动参数作控制量的运动模型,设计自适应交互多模型（IMM）跟踪算法,并进行性能有效性验证;然后,根据气动参数特性和目标假设机动方式,设计基于最小二乘拟合的轨迹预测方法。通过对目标轨迹进行跟踪和预测仿真,预测100 s的位置误差均小于5 km,速度误差均小于100 m/s,结果表明基于自适应IMM的轨迹预测方法对有规律机动的目标进行轨迹预测,效果良好。     

基于改进RRT算法的无人机航路规划与跟踪方法研究

为了使航路规划算法在三维动态环境下能够快速规划出较优可行航路,基于快速扩展随机树算法(RRT),对规划航路点进行了无人机飞行动力学约束,并且设计了局部航路动态优化策略。针对传统的航路跟踪控制律跟踪较为曲折的航线时跟踪误差较大的问题,通过将规划算法得出的姿态指令引入姿态控制回路的方式,提高了航路跟踪控制算法的快速性与准确性。在此基础上,搭建了无人机验证平台,利用该验证平台完成了无人机自主避障飞行试验,对算法的有效性进行了验证,并对算法性能进行了评估。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。     

倾转三旋翼无人机纵向推力矢量控制研究

针对倾转三旋翼无人机纵向姿态控制问题开展研究,结合倾转三旋翼无人机构型的特殊性,提出了一种基于推力矢量控制的纵向姿态控制策略,同时基于新型的推力矢量控制方法设计了更高效的倾转三旋翼无人机操纵机制;采用牛顿-欧拉法对倾转三旋翼无人机进行动力学建模分析,通过对机翼采取分段分析的方法,设计了旋翼/机翼下洗载荷模型,并进行了仿真和实地飞行试验。试验结果表明,所提出的纵向姿态控制策略,能有效提高无人机飞行效率,具有更强的速度响应能力,提高了飞行过程中的可靠性和安全性。     

基于交互式多模型的主被动站跟踪算法

在高斯白噪声下，使用交互式多模型算法融合主动站和被动站量测信息，在各类机动状态模型切换，完成对机动目标的定位跟踪。根据主动站到达目标然后到达被动站的距离和以及目标到达主被动站的方位角和俯仰角信息建立量测模型；在交互式多模型算法的基础上，在常规直线机动模型基础上引入Singer模型，模拟目标机动运动；以几何关系求解得到的目标位置作为目标初始解，相较于其他初始模型，算法具有更好的收敛性。仿真实验表明，在主被动站间距几十千米，目标与主被动站间距几百千米，到达角误差2°左右，到达时间误差20 m左右的情况下，使用交互式多模型算法跟踪目标，收敛误差在百米级别。     

有人机/无人机协同任务控制系统

针对有人机/无人机协同任务控制系统的设计和实现问题展开研究。结合有人机/无人机协同控制过程的特点,提出了基于自然语言接口方式的有人机/无人机协同任务控制系统结构。在此基础上,分析了系统模块的关键内容,设计了面向有人机与无人机交互过程的任务指令格式,提出了基于优先级的任务模式调度策略,针对无人机的典型任务模式,讨论了航路规划的计算方法选择,最后构建了有人机/无人机协同任务仿真环境。仿真试验结果验证了整体方法的可行性。     

基于滑模的多无人机系统协同编队控制

针对具有非完整约束的多无人机系统编队控制问题，提出了一种基于滑模的协同编队控制算法。控制目标是使多无人机系统能够收敛到期望编队，并且能够跟踪上期望的运动轨迹。在领导-跟随结构中，编队的期望运动轨迹由一个动态的虚拟领导者来表示，仅部分跟随者先验已知虚拟领导者信息，并且所有跟随者之间只能局部交互信息。首先，采用分布式状态观测器，使所有跟随者能够在有限时间内估计出虚拟领导者的状态。然后，利用该观测器的估计状态，提出了基于滑模的协同编队控制算法。最后，基于李雅普诺夫稳定性理论证明了多无人机系统的稳定性,并且通过5架无人机的仿真验证了所提算法的有效性。     

Probability hypothesis density filter with adaptive parameter estimation for tracking multiple maneuvering targets

The probability hypothesis density (PHD) filter has been recognized as a promising tech-nique for tracking an unknown number of targets. The performance of the PHD filter, however, is sensitive to the available knowledge on model parameters such as the measurement noise variance and those associated with the changes in the maneuvering target trajectories. If these parameters are unknown in advance, the tracking performance may degrade greatly. To address this aspect, this paper proposes to incorporate the adaptive parameter estimation (APE) method in the PHD filter so that the model parameters, which may be static and/or time-varying, can be estimated jointly with target states. The resulting APE-PHD algorithm is implemented using the particle filter (PF), which leads to the PF-APE-PHD filter. Simulations show that the newly proposed algorithm can correctly identify the unknown measurement noise variances, and it is capable of tracking mul-tiple maneuvering targets with abrupt changing parameters in a more robust manner, compared to the multi-model approaches.     

基于深度强化学习的固定翼无人机编队协调控制方法

由于运动学的复杂性和环境的动态性,控制一组无人机遂行任务目前仍面临较大挑战。首先,以固定翼无人机为研究对象,考虑复杂动态环境的随机性和不确定性,提出了基于无模型深度强化学习的无人机编队协调控制方法。然后,为平衡探索和利用,将ε-greedy策略与模仿策略相结合,提出了ε-imitation动作选择策略;结合双重Q学习和竞争架构对DQN（Deep Q-Network）算法进行改进,提出了ID3QN（Imitative Dueling Double Deep Q-Network）算法以提高算法的学习效率。最后,构建高保真半实物仿真系统进行硬件在环仿真飞行实验,验证了所提算法的适应性和实用性。     

倾转旋翼无人机过渡段纵向控制策略设计研究

针对倾转旋翼无人机过渡段纵向控制问题,基于工程化应用要求,以某型倾转旋翼无人机为研究对象,首先综述了国内倾转旋翼机的研究进展与发展趋势.其次分析了过渡段气动特性变化,根据过渡阶段的升力来源,将整个过渡过程划分为变距操纵段与气动操纵段,并根据各个阶段的前飞速度与短舱角的关系,确定倾转过渡方案.然后以操纵舵面分配方案为基础,设计了过渡过程各阶段纵向控制策略,并通过仿真验证了策略的鲁棒性,实现了对象无人机的全过程飞行.最后讨论了控制策略的优缺点,并展望了倾转旋翼无人机的发展前景及其在控制领域面临的挑战.