[发明专利]基于数据驱动学习的滚动优化控制方法

说明书

本发明公开了基于数据驱动学习的滚动优化控制方法。本发明首先将连续的搜寻环境离散化，根据收集到的大量信号强度数据，采用高斯过程回归预测信号源的可能位置；然后，基于信号源可能的位置，设计成本函数，采用滚动优化的方法，产生四旋翼无人机最优的控制序列；最后，根据最优控制序列，进而获得四旋翼无人机的最优运动轨迹，并将第一个位置输入到四旋翼无人机的控制器中，实现对信号源的搜索和定位。本发明弥补了现有技术的不足，通过基于数据驱动学习的滚动优化控制方法，不但使四旋翼无人机利用检测到的信号强度信息预测出信号源的可能位置，而且产生的最优参考轨迹，能够很好的管理不确定事件的发生，快速定位信号源。

技术领域

本发明属于自动化技术领域，具体涉及一种面向信号源检测与定位的基于数据驱动学习的滚动优化控制方法。

背景技术

信号源检测与定位对人类安全有着非常重要的意义，如环境监测、传感器定位、遇险者营救等等。针对上述问题，通常采用四旋翼无人机完成信号源的检测与定位。传统的信号源检测与定位方法，通常根据信号强度和方向信息，采用径向基函数网络、Kalman滤波器或者粒子滤波器等方法完成简单环境中信号源的位置评估，但这些方法难以完成复杂环境多信号源位置的同时评估。此外，由于复杂环境中不确定事件可能发生，会对传统的控制方法产生较大的干扰，从而使四旋翼无人机飞行定位产生较大影响，在这一背景下，本发明弥补了现有技术的不足。

发明内容

针对现有技术的不足之处，本发明提出基于数据驱动学习的滚动优化控制方法，可以控制四旋翼无人机同时对复杂环境中多个信号源的位置进行评估，在保证信号源检测和定位精度的前提下，可以有效得管理不确定事件，提高抗干扰能力。

为实现上述发明目的，本发明的技术方案如下：

第一步：建立四旋翼无人机动力学模型，具体步骤如下：

a.四旋翼无人机动力学模型如公式(1)所示；

X、Y、Z分别表示在惯性坐标系下四旋翼无人机的位置；φ、θ、ψ分别表示在惯性坐标系下四旋翼无人机的横滚角，俯仰角和偏航角；分别为X、Y、Z的二阶导数；g是重力加速度；m是四旋翼无人机的机体质量；表示四旋翼无人机的总推力；和代表四个电机的速度；k_F表示转子推力系数；sin(·)和cos(·)分别为正弦函数和余弦函数；

b.四旋翼无人机惯性坐标系下姿态动力学模型如(2)所示：

其中：I_x，I_y，和I_z表示三个轴上的惯性矩；分别为φ、θ、ψ的一阶导数；分别为φ、θ、ψ的二阶导数；和表示四旋翼的扭矩；l表示从转子到四旋翼无人机质量中心的距离；k_M表示转子转矩系数；

第二步：基于收集到的信号强度数据，采用高斯过程回归预测出环境内信号源的位置，具体步骤如下：

a.在四旋翼无人机位置数据集Ω上定义理想的信号强度值f(x)，对位置数据x₁，x₂，…，x_n∈Ω，n是样本数据的个数，f(x)满足条件(3)；

f(x)～GP(m(x)，K(x，x)) (3)

其中：f(x)＝[f(x₁)，f(x₂)，...，f(x_n)]^T表示由信号强度组成的向量；m(x)＝[m(x₁)，m(x₂)，...，m(x_n)]^T表示由均值函数定义的位置向量；GP(·，·)表示高斯过程回归模型，K(x，x)表示协方差矩阵，如公式(4)所示；