一种无人机飞行控制系统的制作方法

本发明涉及飞行控制技术领域，尤其是一种无人机飞行控制系统。

背景技术：

输电线路是电网的重要组成部分，输电线路巡视是保障其可靠性运行的重要手段，随着新技术、新方法以及新的管理理念的引入，无人机已逐步得到重视并开始应用于输电线路巡视作业，在一定程度上弥补了传统人工巡视的不足，特别是在高山等人工不易达区域优势更为明显。根据巡视作业任务的差异化以及无人机自身特点，固定翼无人机和多旋翼无人机是两种主要的无人机巡视作业工具。固定翼飞行速度快，续航能力强，常被用于远距离通道快速巡视，但是，固定翼无人机无法悬停，对输电线路的细节巡视能力不足。而多旋翼无人机飞行速度慢，具有定点悬停功能，可对特定巡视目标进行细节观察，有利于缺陷发现。

目前输电线路的无人机巡视还是主要通过操控手人工操控，对操控手的技能要求高，受视距和视角差的影响，操控手易误判无人机和巡视目标、障碍等的位置关系，导致无人机姿态调整困难，目标定位不准，影响巡视效果，甚至出现操控失误，给电力无人机巡检带来很大的安全隐患，另外，无人机在电力巡检过程中，需要近距离观察输电线路缺陷信息，如绝缘子炸裂、销钉等，通常距离输电线路距离达到5-10米。而通常电力巡检无人机轴距是米级别的，相比之下会如此近距离的作业会为无人机巡线带来极大的碰撞隐患。

技术实现要素：

本发明所要解决的技术问题是提供一种能够实现自主避障的无人机飞行控制系统。

本发明解决其技术问题所采用的技术方案为：该无人机飞行控制系统，包括飞控系统和辅助避障控制系统，所述飞控系统包括用于控制无人机姿态的姿态控制器、遥控设备、遥控接收机，所述遥控器发出遥控指令，遥控接收机接收到遥控指令后传递给姿态控制器，姿态控制器根据遥控指令控制无人机的姿态；所述辅助避障控制系统包括遥控指令检查模块、避障控制输出模块、环境检测模块，所述遥控指令检查模块用于检测遥控接收机接收的遥控指令，所述环境检测模块用于检测无人机相对于周围障碍物的位置信息并将检测到的位置信息传送给遥控指令检查模块，遥控指令检查模块接收到位置信息后与预设的安全值进行比较，若无人机相对于周围障碍物的位置大于预设的安全值，则遥控接收机接收到的遥控指令正常传递给姿态控制器，若无人机相对于周围障碍物的位置小于预设的安全值，则遥控接收机接收到的遥控指令为无效指令，此时，遥控指令检查模块将无人机相对于周围障碍物的位置信息以及预设的安全值信息传递给避障控制输出模块，避障控制输出模块输出避障控制指令给姿态控制器，姿态控制器根据避障指令控制无人机的姿态。

进一步的是，所述无人机相对于周围障碍物的位置信息包括高度值、俯仰角和横滚角，所述遥控指令检查模块预设的安全值包括高度安全值、俯仰角安全值和横滚角安全值，所述避障控制输出模块输出避障控制指令包括高度控制信号、俯仰角控制指令和横滚角控制指令；

所述高度控制信号采用如下控制方法得到：的具体过程如下步骤所示：

首先、将t时刻无人机相对于周围障碍物的高度值与预设的高度安全值进行做差得到t时刻的高度误差信号e_Z(t)；接着，将高度误差信号e_Z(t)带入以下公式得到高度输出信号u_Z(t)，所述公式为所述K_pZ、K_IZ、K_dZ为高度避障参数；最后，将得到的高度输出信号u_Z(t)带入无人机在垂直方向上的传递函数得到高度控制信号G_Z(s)，所述无人机在垂直方向上的传递函数为其中，m为无人机重量，s为拉普拉斯变换复变量；

所述俯仰角控制指令控制信号采用如下控制方法得到：的具体过程如下步骤所示：

首先、将t时刻无人机相对于周围障碍物的俯仰角与预设的俯仰角安全值进行做差得到t时刻的俯仰角误差信号e_X(t)；接着，将俯仰角误差信号e_X(t)带入以下公式得到俯仰角输出信号u_X(t)，所述公式为所述K_pX、K_IX、K_dX为俯仰角避障参数；最后，将得到的俯仰角输出信号u_X(t)带入无人机在俯仰角方向上的传递函数得到俯仰角控制信号G_X(s)，所述无人机在俯仰角方向上的传递函数为其中，m为无人机重量，s为拉普拉斯变换复变量，F为无人机产生的升力；

所述横滚角控制指令控制信号采用如下控制方法得到：的具体过程如下步骤所示：

首先、将t时刻无人机相对于周围障碍物的横滚角与预设的横滚角安全值进行做差得到t时刻的横滚角误差信号e_Y(t)；接着，将横滚角误差信号e_Y(t)带入以下公式得到横滚角输出信号u_Y(t)，所述公式为所述K_pY、K_IY、K_dY为横滚角避障参数；最后，将得到的横滚角输出信号u_Y(t)带入无人机在横滚角方向上的传递函数得到横滚角控制信号G_Y(s)，所述无人机在横滚角方向上的传递函数为其中，m为无人机重量，s为拉普拉斯变换复变量，F为无人机产生的升力。

进一步的是，所述高度避障参数K_pZ、K_IZ、K_dZ、俯仰角避障参数K_pX、K_IX、K_dX以及横滚角避障参数K_pY、K_IY、K_dY均采用遗传算法整定得到。

本发明的有益效果：该无人机飞行控制系统包括飞控系统和辅助避障控制系统，飞控系统包括用于控制无人机姿态的姿态控制器、遥控设备、遥控接收机，辅助避障控制系统包括遥控指令检查模块、避障控制输出模块、环境检测模块，环境检测模块用于检测无人机相对于周围障碍物的位置信息并将检测到的位置信息传送给遥控指令检查模块，遥控指令检查模块接收到位置信息后与预设的安全值进行比较，若无人机相对于周围障碍物的位置大于预设的安全值，则遥控接收机接收到的遥控指令正常传递给姿态控制器，若无人机相对于周围障碍物的位置小于预设的安全值，则遥控接收机接收到的遥控指令为无效指令，此时，遥控指令检查模块将无人机相对于周围障碍物的位置信息以及预设的安全值信息传递给避障控制输出模块，避障控制输出模块输出避障控制指令给姿态控制器，姿态控制器根据避障指令控制无人机的姿态，实现无人机的自主避障。

附图说明

图1为本发明所述基于J1目标函数的控制阶跃响应对曲线图；

图2为本发明所述基于J2目标函数的控制阶跃响应对比曲线图；

图3为本发明所述辅助避障控制系统俯仰方向单位阶跃响应曲线图；

图4为本发明所述辅助避障控制系统高度方向单位阶跃响应曲线图；

图5为本发明所述于遗传算法整定的辅助避障控制系统轨迹仿真图。

具体实施方式

本发明所述的无人机飞行控制系统，包括飞控系统和辅助避障控制系统，所述飞控系统包括用于控制无人机姿态的姿态控制器、遥控设备、遥控接收机，所述遥控器发出遥控指令，遥控接收机接收到遥控指令后传递给姿态控制器，姿态控制器根据遥控指令控制无人机的姿态；所述辅助避障控制系统包括遥控指令检查模块、避障控制输出模块、环境检测模块，所述遥控指令检查模块用于检测遥控接收机接收的遥控指令，所述环境检测模块用于检测无人机相对于周围障碍物的位置信息并将检测到的位置信息传送给遥控指令检查模块，遥控指令检查模块接收到位置信息后与预设的安全值进行比较，若无人机相对于周围障碍物的位置大于预设的安全值，则遥控接收机接收到的遥控指令正常传递给姿态控制器，若无人机相对于周围障碍物的位置小于预设的安全值，则遥控接收机接收到的遥控指令为无效指令，此时，遥控指令检查模块将无人机相对于周围障碍物的位置信息以及预设的安全值信息传递给避障控制输出模块，避障控制输出模块输出避障控制指令给姿态控制器，姿态控制器根据避障指令控制无人机的姿态，实现无人机的自主避障。

在上述实实施方式中，所述无人机相对于周围障碍物的位置信息包括高度值、俯仰角和横滚角，所述遥控指令检查模块预设的安全值包括高度安全值、俯仰角安全值和横滚角安全值，所述避障控制输出模块输出避障控制指令包括高度控制信号、俯仰角控制指令和横滚角控制指令；

所述高度控制信号采用如下控制方法得到：的具体过程如下步骤所示：

首先、将t时刻无人机相对于周围障碍物的高度值与预设的高度安全值进行做差得到t时刻的高度误差信号e_Z(t)；接着，将高度误差信号e_Z(t)带入以下公式得到高度输出信号u_Z(t)，所述公式为所述K_pZ、K_IZ、K_dZ为高度避障参数；最后，将得到的高度输出信号u_Z(t)带入无人机在垂直方向上的传递函数得到高度控制信号G_Z(s)，所述无人机在垂直方向上的传递函数为其中，m为无人机重量，s为拉普拉斯变换复变量；

所述俯仰角控制指令控制信号采用如下控制方法得到：的具体过程如下步骤所示：

首先、将t时刻无人机相对于周围障碍物的俯仰角与预设的俯仰角安全值进行做差得到t时刻的俯仰角误差信号e_X(t)；接着，将俯仰角误差信号e_X(t)带入以下公式得到俯仰角输出信号u_X(t)，所述公式为所述K_pX、K_IX、K_dX为俯仰角避障参数；最后，将得到的俯仰角输出信号u_X(t)带入无人机在俯仰角方向上的传递函数得到俯仰角控制信号G_X(s)，所述无人机在俯仰角方向上的传递函数为其中，m为无人机重量，s为拉普拉斯变换复变量，F为无人机产生的升力；

所述横滚角控制指令控制信号采用如下控制方法得到：的具体过程如下步骤所示：

首先、将t时刻无人机相对于周围障碍物的横滚角与预设的横滚角安全值进行做差得到t时刻的横滚角误差信号e_Y(t)；接着，将横滚角误差信号e_Y(t)带入以下公式得到横滚角输出信号u_Y(t)，所述公式为所述K_pY、K_IY、K_dY为横滚角避障参数；最后，将得到的横滚角输出信号u_Y(t)带入无人机在横滚角方向上的传递函数得到横滚角控制信号G_Y(s)，所述无人机在横滚角方向上的传递函数为其中，m为无人机重量，s为拉普拉斯变换复变量，F为无人机产生的升力。

无人机在垂直方向、俯仰角方向和横滚角方向上的传递函数采用如下算法得到：无人机在地面坐标系和导航坐标系下的动力学模型如式4-2所示：

式4-2中共有六个等式，其中前三个等式等无人机姿态控制相关，后三个等式表示无人机相对于地面坐标系的位置变换。

飞行动作主要有四个动作：升降、俯仰、横滚和偏航。其中，偏航动作通过调整无人机正反转电机转速产生的反扭矩来实现对无人机机头的转向动作。但无人机机头如何变化，无人机相对障碍物的相对位置是不变的。影响无人机相对于障碍物位置的动作有升降(THR)、俯仰(ELE)和横滚(AIL)动作。

建立无人机避障坐标系V，具体定义如下：

以无人机起飞前的坐标点位坐标原点O，以起点无人机水平右横滚方向作为X轴正向，以起点水平俯仰动作前向为Y轴正向，以垂直于X轴和Y轴向上的方向为Z轴正向。假设飞行过程中，在避障坐标系中输电线路铁塔可能具备碰撞风险的某点距离起飞点的距离为(U,V,W)。假设无人机飞行过程中无人机所处的位置为(x,y,z)。则此时，无人机相对于障碍物的位置分别为：

垂直方向：dz＝W-z；

俯仰方向：dy＝V-y；

横滚方向：dx＝U-x；

在避障坐标系OXYZ中，以无人机为整体受力分析可得:垂直方向无人机所受力为自身产生的在垂直方向的升力和重力，俯仰方向受力为升力在俯仰方向的分力，横滚方向受力为升力在横滚方向的分力。假设无人机在飞行过程中，均处于小角度运动状态。则导航坐标系与地坐标系转换矩阵可线性化为：

进一步，导航坐标系下无人机产生的力为：

由式4-3和式4-4以及牛顿第二定律可知，在避障坐标系下无人机运动方程为式4-5所示:

式4-5中，(U,V,W)表示障碍物相对于避障坐标系的三维位置关系，F表示无人机产生的升力，θ表示无人机俯仰角，表示无人机横滚角，m表示无人机的质量。

从式4-4中可以发现：垂直方向上无人机的垂直位置仅仅与升力有关，俯仰及横滚状态下，无人机的状态与升力和俯仰/横滚角有关。在升力恒定情况下，俯仰方向和横滚方向无人机在X轴和Y轴的变化仅和俯仰角θ和横滚角有关。

垂直方向上：由于无人机所受重力固定不变，故设垂直方向输入u_z为：

u_z＝F-mg (4-6)

进而有：

m(W-z)‘’＝u_z (4-7)

对式4-7进行拉氏变换可得：

显然，无人机起飞前处于静止状态。此时，Z(0)＝Z‘(0)＝0，故垂直方向上的传递函数G_z(s)为：

俯仰及横滚方向：在分析俯仰和横滚方向数学模型时，假设无人机产生升力不变，则式4-5中F为常数。设横滚和俯仰方向上的输入u_x、u_y分别为滚转角和俯仰角θ。进而俯仰及横滚方向的输入输出方程为：

对式4-10进行拉氏变换可得：

同理，由于无人机起飞前处于静止状态。故:

X(0)＝X’(0)＝Y(0)＝Y’(0)＝0 (4-12)

最终可得在避障系统坐标系中，无人机在俯仰及横滚方向的传递函数为：

为了得到最优的辅助避障参数，需设计相应的算法完成避障参数的整定工作，常用的避障参数整定方法有经验试凑法、Z-N法、模糊推理法等方法。经典试凑法依据人们的经验积累，经整理、加工和提炼后构成模糊规则系统的方法。需要花费较长的时间。模糊控制则是以模糊集合论以及模糊语言变量及模糊推理为基础的计算机控制方法。在此，本发明所述高度避障参数K_pZ、K_IZ、K_dZ、俯仰角避障参数K_pX、K_IX、K_dX以及横滚角避障参数K_pY、K_IY、K_dY均采用遗传算法整定得到。

遗传算法又称作GA(Genetic Algorithms)，Hollad教授在1962年首次提出这一概念。其主要思想是：通过模拟自然界遗传机制以及生物进化理论，形成并行随机搜索的寻优算法。该算法是在优化参数后所形成的编码中引入进化理论，通过适配值的函数，并利用生物遗传中的包括复制、交叉、变异等来对个体筛选，把适配值较高的单个体保留，并组成新的群体，此群体比上一代的群体更优异。照此不断循环，最优个体便可轻易得到。遗传算法的基本操作包括以下几点：

(1)复制。复制是旧种群中适应性较强的个体位串产生新种群的过程。也就是说高适配值的位串在下代中产生一个或多个子孙的可能性更大。一般情况下，随机方法是实现复制操作的主要途径。

(2)交叉。交叉。在生物繁殖过程中，两对不同染色体交叉互换进而产生的新优良品种的这一过程叫做交叉。

(3)变异。这种运算类似于生物在自然环境中由于各种偶然因素随机小概念地引起基因发生突变，从而使遗传基因也得到改变。如果要在尽可能大的空间中获得质量较高的优化解，就必须采用变异操作。

通常情况下，我们可以按照如下流程来构造遗传算法：

第一步：制定各种约束条件及确定决策变量。即问题解空间和个体表现型-X；

第二步：确定构建优化模型。即确定数学的描述形式、量化方法和目标函数类型；

第三步：确定可用于表示解空间的染色体的编码方法。即确定算法的搜索空间以及个体基因型-X；

第四步：确定解码方法。该解码方法是指从基因型-X到表现型-X的对应的关系和转换的方法；

第五步：确定个体的适应度量化评价方法。该评价方法表示目标的函数值f(x)到适应度F(x)之间的转换关系；

第六步：设计遗传的算子。即确定选择、变异、交叉等运算的遗传算子具体的操作方法；

第七步：确定遗传算法里的群体的大小、终止进化的代数、变异的概率、交叉的概率等运算所需的参数。

具体而言，利用遗传算法的计算，求得出目标函数的极值。如：在测试遗传算法中常用的Rastrigin函数具有两个独立的变量，其定义形式如式4-21所示：

避障控制器的控制策略为式4-22所示，为实现较好的控制效果，需要明确控制策略中[k_p,k_i,k_d]的值。

基于遗传算法的PID控制参数整定控制器方法是利用遗传算法对PID控制器的参数[k_p,k_i,k_d]进行寻优，并寻找最优的PID控制参数。并使设定的性能指标J达到最优。

其具体寻优的过程如下所示：

(1)参数的确定与表示。由实际的情况来确定PID控制参数[k_p,k_i,k_d]等的取值范围，再根据参数的精度来编码。

(2)选择初始种群。随机生成初始种群，在由算法来实现对PID控制器参数选取和审定。这组具有一定规模的随机数可以使用二进制编码在0-1之间随机生成，再用四舍五入的规则来生成随机数，即0～0.5之间的数代表0，0.5～1的数代表1。此外，种群的规模应该根据系统的复杂程度来定义。

(3)确定适配函数。从控制效果的准确、稳定、快速等方面来审定系数的控制效果及优劣情况。在此，希望控制的快速性由上升时间反应，上升时间越短，控制响应越快，控制品质越好。

(4)确定目标函数。首先通过适配函数确定适配值，并求出每个字串复制的概率，则上一代字符串个数与复制概率的乘积就是下一代复制个体的个数。

其中，能保留下来的是复制概率大的个体，被淘汰的是复制概率小的个体。再对其进行单点交叉(概率为Pc)运算，随机确定交叉位置，用Pc的概率从下一代中选取字串再进行交叉运算。最后把运算后得到的下一代进行变异操作，其概率是Pm。

(5)优化。用遗传算法在PID控制参数中进行编程寻优，得到最优的PID参数。

在此，以横滚方向为例。由上文可知，无人机在横滚通道的避障传递函数为式4-23所示：

未获取较好的动态特性，在确定性能指标J时选择误差绝对值时间积分性能指标作为参数确定的最小目标函数。同时，为了防止控制能量过大，在目标函数中加入控制输入的平方项。即采用式4-24作为最优指标：

式中，e(t)表示系统误差，u(t)表示控制器输出，w₁，w₂，w₃为权值。其中，取Pc＝0.9，w1＝0.999，w2＝0.01，得离散化后的最优指标为：

J(i)＝0.999*abs(error(i))+0.01*u(i)^2*0.1 (4-25)

在此，选择迭代次数为300次。

通过遗传算法，可得算法下横滚方向上控制器参数为：

k_p＝44.0412，k_i＝1.8242，k_d＝3.3540 (4-26)

该控制参数下，横滚通道的单位阶跃响应曲线如图1所示，左侧的曲线表示基于J1目标函数的控制阶跃响应曲线图，右侧的曲线表示基于PID经验的控制阶跃响应曲线图：

由图1可以发现，基于J₁目标函数求得的控制器参数使得横滚通道具备较大的超调量。为避免超调量，应该采用惩罚功能，即一旦超调，将超调量σ(t)作为最优指标的一项，确定新的最优指标为：

式中，取w₃＝10，同样设置迭代次数为300次，得到基于遗传算法

k_py＝47.7959，k_iy＝1.4788，k_dy＝3.4394 (4-28)

得到基于J2目标函数后的单位阶跃响应曲线如图2所示，左侧上方的曲线表示基于J1目标函数的控制阶跃响应曲线图，左侧下方的曲线表示基于J1目标函数的控制阶跃响应曲线图，右侧的曲线表示基于PID经验的控制阶跃响应曲线图，：

由图2可见，基于J2目标函数的遗传算法能够有效获取满足辅助避障控制系统要求的控制器参数。同理可求出辅助避障控制系统在俯仰及高度方向上的控制器参数为：

k_px＝-47.7959，k_ix＝-1.4788，k_dx＝-3.4394 (4-29)

k_pz＝-3021.22632，k_iz＝-125.14012，k_dz＝-230.0844 (4-30)

辅助避障控制系统在俯仰通道及高度方向上的单位阶跃响应分别如图3及4所示：

为验证经过遗传算法整定获取的控制器效果。本文对无人机飞行及辅助避障过程进行了相应的仿真工作。在此，做如下假设：

(1)假设多旋翼无人机未做偏航动作。选择障碍物作为坐标原点。

(2)假设无人机从(10,10,10)飞向障碍物。

(3)在俯仰、高度及横滚方向上均距离障碍物2米时，触发避障辅助控制算法。

(4)设定无人机避障期望位置为距离障碍物4米远位置(包括俯仰、横滚及高度方向。)

基于上述假设得到的无人机飞行及避障轨迹如图5所示：

由图5中可以发现，在未执行辅助避障控制动作前，无人机将按照提前设定好的轨迹飞行(如图中细直线飞行阶段)。该阶段对应到电力巡检过程中驾驶员的操作过程。在无人机达到(2,2,2)位置触发避障控制算法后，无人机不再按原来预先飞行的轨迹飞行(红色粗线部分)，转而执行辅助避障动作，成功避障飞行至距离障碍物4米的位置。由此可见，本发明所述无人机控制系统能实现自主避障。