基于数据驱动学习的滚动优化控制方法   0    0

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。

1.基于数据驱动学习的滚动优化控制方法，该方法具体步骤如下：
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；
其中：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；kF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：Ix，Iy，和Iz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；kM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，…，xn∈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)
T
其中：f(x)＝[f(x1)，f(x2)，...，f(xn)]表示由信号强度组成的向量；m(x)＝[m(x1)，mT
(x2)，...，m(xn)] 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；
其中：
其中：xi和xj是四旋翼无人机的位置，i，j＝1，…，n；ζ，σf，和σy是三个调节参数； 是克罗内克函数，如果xi＝xj，则为1，否则为0；exp(·)是指数函数；||·||2表示2范数；
b.给定一个样本数据集 xi和yi分别表示已经收集到的四旋翼
无人机的位置和信号强度；M是样本数据的数量；R是实数集；样本数据集中的信号强度满足公式(6)；
其中：ε表示独立噪声；N表示正态分布；
为超参数集，根据样本数据，采用公式(7)计算；
T
其中： 表示样本条件概率的负对数似然函数；y＝[y1，...，yM] ；
函数 表示在 取最小值时，Θ的取值；
*
d.给定预测集 M是预测样本的数量；x*和f(x*)分别表示待预
测的四旋翼无人机的位置和信号强度，后验概率如公式(8)所示：
其中：
其中：cov(·)为方差；I是单位矩阵；
e.使用公式(8)，可以获得环境内每一位置信号强度的概率分布，即建立信号强度分布地图，进一步把信号强度均值最大的位置确定为信号源的可能位置；
第三步：根据信号源的可能位置，对四旋翼无人机路径进行滚动优化，步骤如下：
a.成本函数设计如公式(11)所示：
其中：Jk是成本函数；Nc是预测长度；xk+n|k表示第k时刻预测的第k+Nc步的位置变量；
xk+i|k是在第k时刻预测的第k+i步的位置变量；uk+i|k是在第k时刻预测的第k+i步控制变量；
xd是信号源的可能位置；α，β，γ表示非负加权因子；
b.采用滚动优化控制方法产生四旋翼无人机最优控制序列，如公式(12)所示：
其中：min表示取最小值； 表示最优控制序列 s.t.表示约
束条件；Ω和U是位置变量x和控制变量u的可行区域；因此，通过求解优化问题(12)获得了最优控制序列
c.根据最优控制序列，获得最优轨迹 并将第一个位置
输入到控制器中；
第四步：如果信号源没有定位，则直接返回第二步；如果信号源已经定位，则先标记该信号源，然后返回第二步，检测其它信号源；如果给定的最大搜索时间已经达到，则无人机停止运行，并输出环境内所有信号源的位置。