[发明专利]一种基于学习的多无人机系统的安全自适应控制方法

说明书

本发明公开了一种基于学习的多无人机系统的安全自适应控制方法，方法包括：首先获取未知干扰环境中每个无人机的参考轨迹与状态，构建先验模型；通过增量高斯过程对所述先验模型进行补偿，构建反馈线性化控制律，得到反馈线性化自适应控制器；根据所述反馈线性化自适应控制器，使用基于李雅普诺夫稳定性的安全屏障策略对多无人机系统进行安全约束；根据所述安全约束的结果构建二次规划，并输出原始控制信息；将所述原始控制信息应用在多无人机系统的环境交互中，对多无人机系统进行自适应控制。本发明的效率高且实时性高，可广泛应用于计算机技术领域。

技术领域

本发明涉及计算机技术领域，尤其是一种基于学习的多无人机系统的安全自适应控制方法。

背景技术

随着微型飞行器的发展和普及，越来越多的微型飞行器将共享有限的空域。使用多无人机可以高效执行搜救等复杂任务。然而，复杂、不确定的空域要求无人机具备安全、自适应的控制系统。此外，无人机还存在系统模型误差和气流扰动等不确定性，严重影响无人机的控制质量，降低飞行性能，甚至导致碰撞。因此，不确定环境下的安全自适应控制至关重要。

安全性是无人机系统的关键问题之一。在许多情况下，违反安全约束可能导致严重的事故。不确定的干扰会导致无人机系统偏离当前的轨迹并发生碰撞。因此，需要安全的控制策略来确保无人机精确的轨迹跟踪，同时保持安全飞行。此外，现实世界中的不确定扰动通常不能精确地进行数学建模，基于模型的控制器在面对不确定的干扰时控制效果较差。为了获得更高的控制性能，要求控制器能够适应不同的不确定干扰。

为解决无人机的安全避碰问题，传统的方法是将多个无人机绑定到预先规划的轨迹上，集中规划每个无人机的无碰撞轨迹。但是，复杂的环境变化往往会导致整个团队重新规划轨迹，这将占用大量的计算资源，从而限制了团队在执行任务过程中的适应性。它还要求规划器以高频率更新安全轨迹。另一种方法是采用分布式方法，如倒数缓冲法、速度障碍法和安全屏障策略。这些方法采用分布式计算方法在线求解每个无人机的无碰撞轨迹。但是，它们没有考虑系统模型的不确定性，不能保证系统的安全概率。因此，考虑到系统受到干扰而产生的模型不确定性，将这些方法推广到概率表示。如采用机会约束公式和高斯噪声的近似解。这些方法考虑了机器人的定位和运动不确定性。然而，这些方法高估了不确定性的概率，导致任务执行效率较低。

为了实现对不确定系统的精确控制，典型的方法通常采用内外回路控制，其中外回路沿参考轨迹生成制导律，内回路完成精确运动跟踪。然后，复杂的非线性动力学问题可以转化为一组解耦的双积分器，使用标准的线性外环控制器，如比例微分控制器，使解耦的线性系统或前馈线性化技术。然而，这些线性化技术依赖于精确的系统模型，在实际的实践中很难得到。

另一种方法是机器学习来收集环境中的干扰数据，例如采用基于学习的方法提高轨迹跟踪的精度。采用基于高斯过程的模型预测控制算法解决了四旋翼飞行器无确定性动力学方程控制问题。系统需要收集大量的数据来建立一个完整的系统模型，这导致了大量的计算资源。从而必须要减小模型预测控制的预测范围。另外一种方法是耦合模型预测路径跟踪控制器与反馈控制采用高斯过程在线学习环境扰动模型，但模型预测路径跟踪控制器和高斯过程都消耗大量计算资源。在实际机载平台上，算法的实时性难以保证。

发明内容

有鉴于此，本发明实施例提供一种效率高且实时性高的，基于学习的多无人机系统的安全自适应控制方法。

本发明实施例的一方面提供了一种基于学习的多无人机系统的安全自适应控制方法，包括：

获取未知干扰环境中每个无人机的参考轨迹与状态，构建先验模型；

通过增量高斯过程对所述先验模型进行补偿，构建反馈线性化控制律，得到反馈线性化自适应控制器；

根据所述反馈线性化自适应控制器，使用基于李雅普诺夫稳定性的安全屏障策略对多无人机系统进行安全约束；

根据所述安全约束的结果构建二次规划，并输出原始控制信息；