[发明专利]四旋翼飞行器模型、辨识方法、系统及存储介质

说明书

本发明公开了一种四旋翼飞行器模型、辨识方法、系统及存储介质，结合MTMLP(多任务多层感知机)和SD‑ARX(带外生变量的状态相依自回归模型)的优点，通过在MTMLP‑ARX模型中共享四旋翼飞行器不同输出通道的参数，在减少了模型参数的同时也简化了模型，而这种硬参数共享(Hard‑Parameter sharing)同时增强了模型的泛化能力。

技术领域

本发明涉及非线性系统建模领域，特别是一种四旋翼飞行器模型、辨识方法、系统及存储介质。

背景技术

实际中被控对象种类繁多，同时特性往往十分复杂，具有工作点时变、滞后、欠驱动、强耦合等非线性特性，尤其是面对多输入多输出的对象时难度更大，如四旋翼飞行器。对于四旋翼飞行器，可以通过系统辨识方法获得该被控对象非线性动态特性的精确模型，并设计基于该模型的先进控制策略。系统辨识模型相对于机理数学模型的优势在于系统辨识得到的模型适用范围广，抗干扰性更强，对物理结构分析依赖性不强，得到模型的代价更小等，具有很好的应用前景。

在系统辨识中，解决非线性问题建模的思路可以分为三类。第一类是分段线性化，即分段构造多个线性模型，然后求解多个二次规划问题或者线性矩阵不等式，然而这种做法很难确定分段的区间和位置，在实际应用中有很大的难度；第二类是用直接使用非线性模型在线求解一个高阶的带约束的非线性优化问题，造成的问题则是计算量大，并且在实际控制中不能保证一定有可行解；第三类方法是使用局部线性化的方法，用一个离线辨识的全局非线性、局部线性模型或者在线辨识的仿射模型来描述非线性被控对象，然后在线求解一个QP问题来得到最优控制率。在实际应用中，快速精确地拟合出一个精度很高的模型非常困难，而一般的复杂系统都具有时变工作点，并且可以由一个局部线性模型很好地描述每个工作点处的动态特性。

神经网络和SD-ARX结合是局部线性化模型的一种，如RBF-ARX，DBN-ARX等，神经网络具有强大的拟合能力，模型结构灵活多变，同时可以很方便地使用反向传播算法得到优化参数。由于四旋翼飞行器是多输入多输出且高度耦合的系统，即使是选择系统辨识的方法也需要做大量的工作，同时需要建立多个模型，其中最简单的便是通过四个电机的电压去控制俯仰角、翻滚角和偏航角的四输入三输出的系统，而通过多任务学习和参数共享可以减少参数并且简化建模的过程，多任务学习中的Hard-parameter sharing在不同的通道有共同的特征共享层，这种设计在一定程度上可以减少过拟合的风险，增强网络的泛化能力，但是多任务学习需要确定每个单任务损失函数的比重，如果设置不当，可能会出现模型精度不高的现象。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种四旋翼飞行器模型、辨识方法、系统及存储介质，提高模型预测精度。

为解决上述技术问题，本发明所采用的技术方案是：一种四旋翼飞行器MTMLP-ARX模型，该模型表达式为：