飞行器及其姿态控制模型参数辨识方法、装置及存储介质

摘要

本发明提供一种飞行器及其姿态控制模型参数辨识方法、装置及存储介质，创新性地引入遗传算法对特征模型的参数进行辨识，对于飞行器俯仰、滚转、偏航三个姿态角通道分别建立特征模型，分别输入遗传算法辨识过程，达到精度要求指标后输出所需的辨识参数估计结果，可用于控制器设计；可实现在线循环运算，但不再需要进行反复的矩阵运算，因此降低了对硬件算力的要求，提高了参数辨识效率；与传统算法不同，遗传算法同时考虑多个搜索结果，以目标函数作为搜索信息，更加有效，可以避免局部最优解，因此也提高了参数辨识精度；此外，遗传算法对目标函数的限制最小，其并行计算能力提高了它的运行速度。

说明书

技术领域

本发明涉及飞行姿态控制技术领域，尤其涉及飞行器及其姿态控制模型参数辨识方法、装置及存储介质。

背景技术

飞行器的姿态控制研究十分必要，由姿态控制保证快速、精度和鲁棒性。大部分算法都需要依赖于飞行器的精准数学模型，且相关参数的选取没有成熟的规律可循，参数的改变对控制效果的影响比较敏感，存在局限性。

对于模型的建立以及后续控制器设计，需对特征参数进行在线辨识。常见辨识方法有如最小二乘法、梯度投影法等，在线反复输入姿态状态量循环计算，最终在达到参数要求范围且平稳固定后得到特征模型参数。

传统的参数辨识算法如最小二乘法、梯度算法是非循环单次算法，将数据进行离线辨识处理，而特征建模过程中与变化状态量相关的辨识，无法获取参数随时间变化情况，因此不能应用于飞行器姿态参数控制建模。

为了适用于飞行器姿态参数控制建模，目前对传统参数辨识算法进行了改进，例如目前常见特征模型参数辨识方法包括递推最小二乘法在线辨识、含有遗忘因子的递推最小二乘法在线辨识等。

递推最小二乘辨识：新的参数估计值＝旧的参数估计值+修正项。根据时间顺序，在飞行器运行过程中随每一次的状态量改变进行估计，并随着时间的推进修正数值。

含有遗忘因子的递推最小二乘辨识：当辨识过程中，因旧数据被新数据替代，为适应时变系统参数变化，在递推最小二乘辨识算法的基础上加入遗忘因子，以降低较前时刻数据的权重，提升新数据的相关度，不断减小旧数据的参考作用。

但该改进的特征模型参数辨识算法，仍然存在如下问题：

因为在选择参数辨识方法时需要考虑两个因素：辨识精度和参数辨识所需的时间。而飞行器的姿态控制需要较强的实时性，而特征参数辨识在控制过程中是重要的一环，应尽可能提升辨识速度。但目前常见特征参数辨识方法如递推最小二乘需要较长迭代次数，且每一轮计算估计过程较为复杂，参数收敛速度较慢。

其二，所辨识特征模型的特征参数对于被控对象的反映不够准确，或者说可能得到的特征模型与对象动态模型的响应输出误差相对较大。

其三，最小二乘算法中涉及矩阵运算，其中矩阵P(k)运算量较大，对于实际无人机采用的主流ARM架构芯片计算能力是一种挑战。且飞控系统其他并行过程较多，占用过多算力可能会影响实时控制效果。

其四，带有遗忘因子的递推最小二乘选取合适的遗忘因子较为困难。遗忘因子λ较大时，辨识结果遗忘慢，随辨识数据增多，算法丧失参数估计能力；遗忘因子λ较小时，对己得到的辨识结果遗忘快，随辨识数据增多，辨识结果中的各个元素趋向于无穷，会造成待辨识参数大范围的波动甚至辨识结果发散。

发明内容

本发明提供的飞行器及其姿态控制模型参数辨识方法、装置及存储介质，主要解决的技术问题是：如何提高飞行器姿态控制模型参数辨识精度和效率。

为解决上述技术问题，本发明提供一种飞行器姿态控制模型参数辨识方法，包括：

S10、针对飞行器俯仰、滚转和偏航三个姿态角通道分别建立如下特征模型：

X(k+1)＝α

其中，X(k+1)为下一时刻估计姿态角，X(k)为当前时刻实际姿态角，X(k-1)为上一时刻实际姿态角，U(k)为控制力矩，α

S11、根据特征模型误差定义目标函数；

S12、基于目标函数的倒数构建适应度函数；

S20、获取上一时刻输出的辨识参数估计,并对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群；

S21、基于所述适应度函数计算该种群的适应度；

S22、判断该种群的适应度是否满足精度要求；如是，转至步骤S23；如否，转至步骤S24；

S23、对该种群进行解码操作，以得到所述待辨识参数的参数估计；

S24、更新进化代数；

S25、判断是否达到最大进化代；如是，转至步骤S23；如否，转至步骤S26；

S26、判断当前进化代数是否大于等于2；如是，转至步骤S27；如否，转至步骤S28；

S27、判断当前种群的适应度是否优于前一代种群的适应度；如是，转至步骤S291；如否，转至步骤S292；

S28、以第一代种群为父种群，继续进行基因操作；

S291、以当前种群为父种群，继续进行基因操作；

S292、以前一代种群为父种群，继续进行基因操作；

S30、保存所述待辨识参数的参数估计，以用于下一时刻该通道对应姿态参数估计。

可选的，所述S11、根据特征模型误差定义目标函数包括：

所述特征模型误差为：

e＝X

其中X

可选的，所述适应度函数为：

其中，种群为

可选的，所述基因操作包括复制操作、交叉操作和变异操作。

可选的，所述复制操作选用轮盘选择算法：

其中，Pc为交叉概率，Pm为突变概率，f

交叉操作为均匀交叉；

突变操作选择个体决定法，根据突变概率P

可选的，所述方法还包括：当不存在上一时刻输出的辨识参数估计时，在设定参数范围内随机生成初始种群，以用于对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群。

本发明还提供一种飞行器姿态控制模型参数辨识装置，包括：

特征模型创建模块，用于针对飞行器俯仰、滚转和偏航三个姿态角通道分别建立如下特征模型：

X(k+1)＝α

其中，X(k+1)为下一时刻估计姿态角，X(k)为当前时刻实际姿态角，X(k-1)为上一时刻实际姿态角，U(k)为控制力矩，α

并根据特征模型误差定义目标函数；基于目标函数的倒数构建适应度函数；

参数辨识模块，用于从存储模块获取上一时刻输出的辨识参数估计，并对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群；基于所述适应度函数计算该种群的适应度；判断该种群的适应度是否满足精度要求；如是，对该种群进行解码操作，以得到所述待辨识参数的参数估计，并发送给所述存储模块；如否，更新进化代数；判断是否达到最大进化代；如是，对该种群进行解码操作；如否，判断当前进化代数是否大于等于2；如否，以第一代种群为父种群，继续进行基因操作以生成下一代种群；如当前进化代数大于等于2，判断当前种群的适应度是否优于前一代种群的适应度；如是，以当前种群为父种群，继续进行基因操作以生成下一代种群；如否，以前一代种群为父种群，继续进行基因操作以生成下一代种群；

所述存储模块，用于保存所述待辨识参数的参数估计，以用于下一时刻该通道对应姿态参数估计。

本发明还提供一种飞行器，包括如上所述的飞行器姿态控制模型参数辨识装置。

本发明还提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的飞行器姿态控制模型参数辨识方法的步骤。

本发明的有益效果是：

根据本发明提供的飞行器及其姿态控制模型参数辨识方法、装置及存储介质，创新性地引入遗传算法对特征模型的参数进行辨识，对于飞行器俯仰、滚转、偏航三个姿态角通道分别建立特征模型，分别输入遗传算法辨识过程，达到精度要求指标后输出所需的辨识参数估计结果，可用于控制器设计；可实现在线循环运算，但不再需要进行反复的矩阵运算，因此降低了对硬件算力的要求，提高了参数辨识效率；与传统算法不同，遗传算法(Genetic Algorithm，GA)同时考虑多个搜索结果，以目标函数作为搜索信息，更加有效，可以避免局部最优解，因此也提高了参数辨识精度；此外，GA对目标函数的限制最小，其并行计算能力提高了它的运行速度。

附图说明

图1为本发明实施例一的飞行器姿态控制模型参数辨识方法流程示意图；

图2为本发明实施例一的飞行器姿态控制原理示意图；

图3为本发明实施例一的辨识结果示意图；

图4为本发明实施例一的对照方法辨识结果示意图；

图5为本发明实施例二的飞行器姿态控制模型参数辨识装置结构示意图；

图6为本发明实施例三的飞行器结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一：

为了提高飞行器姿态控制模型参数辨识精度和效率，本实施例提供一种飞行器姿态控制模型参数辨识方法，请参见图1-2，主要包括如下步骤：

S10、针对飞行器俯仰、滚转和偏航三个姿态角通道分别建立如下特征模型：

X(k+1)＝α

其中，X(k+1)为下一时刻估计姿态角，X(k)为当前时刻实际姿态角，X(k-1)为上一时刻实际姿态角，U(k)为控制力矩，α

S11、根据特征模型误差定义目标函数。

定义决策变量

S12、基于目标函数的倒数构建适应度函数。

基于目标函数的倒数设计适应度函数：

设置遗传参数，其中包括M：种群大小，G：最大进化代，P

本实施例中，种群规模设置在50～150；最大遗传代200～500；交叉概率1＞Pc1＞Pc2＞0，突变概率Pm1：0.1～0.5，Pm2：0.001～0.01。

S20、获取上一时刻输出的辨识参数估计，并对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群。

当首次对飞行器特征模型姿态参数辨识，即不存在上一时刻输出的辨识参数估计时，在设定参数范围内随机生成初始种群

本实施例中，设定参数范围根据特征建模的定义，可设置为f

基因操作包括复制操作、交叉操作和变异操作。

其中，复制操作选用轮盘选择算法，丰富了种群个体的多样性，减少了局部最优的出现：

其中，f

交叉操作为均匀交叉；

突变操作选择个体决定法，根据突变概率P

S21、基于所述适应度函数计算该种群的适应度。

S22、判断该种群的适应度是否满足精度要求；如是，转至步骤S23；如否，转至步骤S24。

其中，适应度精度要求可基于被辨识系统特性和所处环境灵活设定，本实施例对此不做限制。

S23、对该种群进行解码操作，以得到待辨识参数的参数估计

S24、更新进化代数。

S25、判断是否达到最大进化代；如是，转至步骤S23；如否，转至步骤S26。

S26、判断当前进化代数是否大于等于2；如是，转至步骤S27；如否，转至步骤S28。

S27、判断当前种群的适应度是否优于前一代种群的适应度；如是，转至步骤S291；如否，转至步骤S292。

S28、以第一代种群为父种群，继续进行基因操作。

S291、以当前种群为父种群，继续进行基因操作。

S292、以前一代种群为父种群，继续进行基因操作。

S30、保存所述待辨识参数的参数估计，以用于下一时刻该通道对应姿态参数估计。

基于上述特征参数辨识过程，可以实现对飞行器某姿态角通道的参数估计，对其他姿态角可以并行处理，以实现对应角通道的参数估计。为了体现本方案对于参数辨识精度和效率上的优势，本实施例对于一四旋翼飞行器姿态控制系统建立特征模型，对其姿态环横滚、俯仰、偏航中的俯仰姿态角θ进行特征模型的辨识，验证方法结构如图2。采取同时对辨识建立的特征模型和实际的俯仰角姿态模型输入相同的信号(选择单位阶跃信号)，绘制该通道其3个特征参数(α

通过本发明遗传算法辨识与原本系统模型输出之间的误差最大为0.014，平均误差为3×10

两组参数辨识结果分别如图3，4，其中参数最终结果基本一致，但相较于对比方法，本发明方法的辨识速度更为快速，达到终值的过程更为直接。

通过结果分析可以认为，基于遗传算法的特征参数辨识提升了特征参数辨识的实时性和准确性，相较于传统在线辨识方法，更为快速，且模型更接近真实对象；同时通过改进算法简化了辨识过程，规避了现有方法复杂参数的选取和对实际工程中计算能力的挑战。

实施例二：

本实施例在上述实施例一的基础上，提供一种飞行器姿态控制模型参数辨识装置，用以实现上述实施例一中飞行器姿态控制模型参数辨识方法的步骤，请参见图5，该装置主要包括特征模型创建模块51、参数辨识模块52以及存储模块53，其中：

特征模型创建模块，用于针对飞行器俯仰、滚转和偏航三个姿态角通道分别建立如下特征模型：

X(k+1)＝α

其中，X(k+1)为下一时刻估计姿态角，X(k)为当前时刻实际姿态角，X(k-1)为上一时刻实际姿态角，U(k)为控制力矩，α

并根据特征模型误差定义目标函数；基于目标函数的倒数构建适应度函数；

参数辨识模块，用于从存储模块获取上一时刻输出的辨识参数估计，并对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群；基于所述适应度函数计算该种群的适应度；判断该种群的适应度是否满足精度要求；如是，对该种群进行解码操作，以得到所述待辨识参数的参数估计，并发送给所述存储模块；如否，更新进化代数；判断是否达到最大进化代；如是，对该种群进行解码操作；如否，判断当前进化代数是否大于等于2；如否，以第一代种群为父种群，继续进行基因操作以生成下一代种群；如当前进化代数大于等于2，判断当前种群的适应度是否优于前一代种群的适应度；如是，以当前种群为父种群，继续进行基因操作以生成下一代种群；如否，以前一代种群为父种群，继续进行基因操作以生成下一代种群；

所述存储模块，用于保存所述待辨识参数的参数估计，以用于下一时刻该通道对应姿态参数估计。

具体请参见上述实施例一中的描述，在此不再赘述。

实施例三：

本实施例提供一种飞行器，请参见图6，该飞行器包含如实施例二中所述的飞行器姿态控制模型参数辨识装置61。本实施例中，该飞行器包括但不限于四旋翼无人机。具体请参见上述实施例二中的描述，在此不再赘述。

实施例四：

本实施例提供一种存储介质，该存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如实施例一中所述的飞行器姿态控制模型参数辨识方法的步骤。具体请参见上述实施例一中的描述，在此不再赘述。

显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。