垂直起降固定翼无人机发展现状与技术要点

垂直起降固定翼无人机综合了多旋翼和固定翼无人机的优点,具有对起飞环境要求低、巡航时间长、应用范围广等优点,是当前无人机研究的热点。介绍了倾转旋翼布局、升推复合布局、尾座式布局3种垂直起降固定翼无人机的发展现状,分析了3种构型垂直起降无人机的技术要点。展望了未来垂直起降固定翼无人机发展的关键技术和发展趋势。     

基于多传感器融合的无人机应急着陆功能研究

无人机作为一种新型飞行器,在城市空中交通领域得到了飞速的突破和发展。电动垂直起降（eVTOL）无人机因具有低碳环保、运行成本低等优势成为当下研究的热点。为了保证飞行器的运行安全性和可靠性,本文针对无人机在应急特殊情况下的着陆功能进行研究,针对不同飞行高度场景并结合传感器性能要求对可着陆区域进行识别筛选,基于相机与激光雷达多传感器数据融合,提出了一种无人机在城市未知环境中的应急着陆方法,同时进行城市应用场景仿真环境的测试,初步实现无人机在城市未知场景下获取着陆位置,为保证无人机在未知场景下的着陆安全性提供方向。     

不确定强耦合下四旋翼姿态鲁棒自适应控制

针对多源不确定强耦合下的四旋翼无人机姿态控制问题，首次设计了一种多层逼近自适应神经网络动态面控制算法。区别于以往的加性耦合不确定研究，考虑无人机飞行控制中的乘性耦合多源不确定估计与补偿问题。首先，构建不确定四旋翼无人机姿态动力学模型，并基于神经网络与傅里叶展开实现乘性耦合不确定的巧妙转换；其次，将自适应技术与反步法相结合，设计多层逼近自适应控制律；同时将动态面技术用于解决反步法中虚拟控制律求导问题。完整理论分析与仿真实验表明了所述控制策略的有效性。     

Ka频段大口径测控天线无人机校相方法设计与验证

面向Ka频段航天测控设备天线标校工程应用需求,分析了大口径测控天线相位校准方法原理,论证设计了轻量化、模块化的组合式测控应答机无人机装载模式,提出了基于无人机的S频段天线自跟踪叠加偏置进行Ka频段天线快速校相的方法,并进行了跟踪精度分析。计算了在不同地面测控天线口径下进行相位标校的链路余量,规划了无人机飞行航路和试验步骤,并进行了Ka频段天线快速校相、电轴一致性测试试验,每次相位标校得出的交叉耦合和灵敏度系数指标均满足天线对无人机信标的闭环自跟踪要求。结果表明,基于无人机平台的大口径测控天线相位校准方法能够为Ka频段测控设备标校提供一种新的手段,具有良好的工程应用前景。     

涵道风扇式无人机的优先级控制分配

涵道风扇式无人机是一种冗余配置操纵面的飞行器，其控制分配问题通常使用伪逆法求解，然而伪逆法不能对任意可达的期望力矩都返回容许控制，使冗余的操纵面牺牲了部分控制能力。提出一种优先级控制分配方法，该方法先对期望力矩进行矢量分解并划分优先级，再求解约束最优化问题得到容许控制。相比于伪逆法，所提出的方法可对更大范围的期望力矩返回容许控制，而且当期望力矩不可达时，可以防止系统因执行器饱和而产生输出耦合。将所提出的方法应用到涵道风扇式无人机的控制分配中，仿真及飞行试验验证了该方法的有效性。     

等离子推进无人机的电空气动力学研究

针对一种新兴的等离子推进无人机概念开展其电空气动力学研究，并通过数值仿真论证等离子推进系统作为无人机主推力系统的可行性。等离子推进无人机的飞行原理是利用一种非对称高压电极组电晕放电实现空气电离，并通过高压电场实现离子加速，从而产生推力推动无人机飞行。相比于传统无人机，等离子推进无人机具有较低机械疲劳、飞行噪音小和能量利用效率高的优点。本文完成了等离子推进无人机组成设计，并对单等离子推进器和等离子推进无人机整体电空气动力学进行了理论研究和数值仿真。单等离子推进器数值仿真结果表明，随着工作电压的升高，单位长度推进器所能产生的推力单调递增。且在相同施加电压情况下，等离子推进器电极间隙越小，所能产生的推力越大。等离子推进无人机飞行仿真结果表明，通过优化等离子推进器结构，施加足够高的电极组电压，等离子推进无人机能够实现稳定飞行。     

四旋翼无人机的自适应故障诊断与估计

针对四旋翼无人机执行器常见故障，提出一种基于自适应技术和观测器的鲁棒故障检测和估计（FDE）方法。在故障检测阶段，设计非线性诊断观测器，通过解析函数推导出阈值，确保所提检测方法的鲁棒性，并对所设计的观测器和残差评估函数进行证明。在故障估计阶段，提出基于切换ρ-修正的自适应律来准确估计检测到故障的方案。该方案不仅能够同时估计系统状态和残差信号，而且能估计未知故障的特征和大小。通过线性矩阵不等式进行设计参数的计算。利用2种故障场景分别进行仿真验证，同时在4种情况下讨论所提方法的有效性。基于四旋翼无人机硬件在环实验台验证了所提方法的可行性。     

基于D3QN的无人机编队控制技术

针对无人机编队中控制器设计需要基于模型信息，以及无人机智能化程度低等问题，采用深度强化学习解决编队控制问题。针对编队控制问题设计对应强化学习要素，并设计基于深度强化学习对偶双重深度Q网络（D3QN）算法的编队控制器，同时提出一种优先选择策略与多层动作库结合的方法，加快算法收敛速度并使僚机最终能够保持到期望距离。通过仿真将设计的控制器与PID控制器、Backstepping控制器对比，验证D3QN控制器的有效性。仿真结果表明：该控制器可应用于无人机编队，提高僚机智能化程度，自主学习保持到期望距离，且控制器设计无需模型精确信息，为无人机编队智能化控制提供了依据与参考。