欢迎来到中国航空航天化工网 ! 

[登录] [免费注册]

客服电话:010 - 8273 1800

当前位置:航化首页 > 航化资讯 > 最新文章 > 基于船舶运动预测的无人机降落控制

基于船舶运动预测的无人机降落控制

来源:航空学报CJA发表时间:2025-08-08 11:32:15浏览量:1543

近年来,随着海洋经济的快速发展,由四旋翼无人机与船载平台构成的跨域协同系统逐渐成为海上作业的重要支撑。在海洋环境中,船体受波浪与洋流作用产生复杂的六自由度运动,导致无人机降落阶段易出现轨迹偏差甚至姿态失稳,对其控制精度及鲁棒性提出更高要求。针对上述挑战,开展船载无人机降落控制研究,不仅是实现无人机安全回收的关键,还对提升海上作业系统的整体效能与可靠性具有重要意义。

论文标题:Flight envelope constrained UAV shipboard landing control within an identified quiescent period

论文作者:Cheng ZHANG (章成), Tao SONG* (宋韬*), Hong TAO (陶宏), Tao JIANG (江涛)

作者单位:Beijing Institute of Technology (北京理工大学)

出版信息:Chinese Journal of Aeronautics, 2025, https://doi.org/10.1016/j.cja.2025.103463

 01 研究亮点

1)四旋翼无人机属于典型的欠驱动系统,难以同时对船体在六自由度上的动态变化进行精确跟踪。针对这一挑战,本文提出了一种基于船舶运动预测的降落控制策略(见图 1),以实现在精准降落位置与安全降落姿态的控制需求之间取得良好平衡。具体而言,本文设计了一种滑动数据窗自回归(Sliding Data Window Auto-Regressive,SDW-AR)模型,用于实时预测船体在波浪激励下的横摇与纵摇运动,并根据预测结果确定无人机安全降落所需的稳态时间窗口(Quiescent Period,QP)。与传统固定结构的自回归模型不同,SDW-AR 模型采用可变结构设计:在每个滑动数据窗口内,模型参数能够根据最新观测数据在线更新,从而动态适应船舶运动响应的实时变化,从而提高了预测的精度与可靠性。

基于船舶运动预测的无人机降落控制

图1 基于船舶运动预测器的降落控制策略

2)基于船舶运动预测的降落控制不仅要求在空间位姿层面实现精确跟踪,还须满足严格的有限时间收敛性能。针对这一挑战,本文提出如图2所示的船载无人机自主降落控制框架。首先,设计了一种基于障碍函数的非奇异终端滑模控制器(Barrier Function-Based Non-Singular Terminal Sliding Mode Controller, BFNTSMC),使跟踪误差能够在给定的有限时间窗口 QP 内实现固定时间收敛。与传统有限时间控制策略相比,BFNTSMC 不仅加快了误差收敛速度,还在收敛过程中保持对飞行包线约束的严格遵守,从而有效抑制了瞬态阶段可能出现的超调与振荡,最大程度地降低了飞行器在降落过程中与船体结构发生碰撞的风险。其次,考虑到海洋环境中阵风等未知外部扰动对降落过程的影响,本文构建了一种固定时间扰动观测器(Fixed-time Disturbance Observer,FxTDO),用于实时估计并快速补偿未知扰动,从而显著增强了系统的抗扰能力,提高了降落控制的鲁棒性和安全性。

基于船舶运动预测的无人机降落控制

图2 船载无人机自主降落控制框架

 02 研究结果

基于穆罕默德·本·扎耶德国际机器人挑战赛(Mohamed Bin Zayed International Robotics Challenge, MBZIRC)开发的Gazebo仿真平台(见图3),本文在多种海况下针对不同目标船运动轨迹,开展系统仿真实验分析。将提出的基于障碍函数的非奇异终端滑模控制器(BFNTSMC)与未考虑飞行包线约束的控制器(NCNTSMC)以及另一种固定时间控制器(NTSMC)进行对比。在相同初始条件下,评估3者的控制性能差异,从而更加客观地验证所提方案的优势。

基于船舶运动预测的无人机降落控制

图3 仿真验证平台

1)船舶运动预测

如图 4(a)所示,在2级海况下,AR模型与SDW-AR模型对船舶运动响应的预测均与实测值高度吻合。具体而言,图中洋红色虚线(预测平均值)始终位于红色实线(安全阈值)下方,表明在首个预测时段内,两种模型均满足QP判据所规定的安全降落条件。然而,当海况升至3级时(见图 4(b)),船体横摇角的振荡幅度显著增大,已超出原QP设定的允许范围,因而需要重新选取适当的QP。此外,随着预测时长的增加,传统AR模型由于参数不更新,其误差会逐步累积。相比之下,SDW-AR模型通过对滑动窗口内最新观测数据持续更新模型参数,从而保证预测精度的稳定性与可靠性。

基于船舶运动预测的无人机降落控制

图4 船舶运动预测结果

为使对比结果更加清晰和量化,本文引入了相关系数(Corr)、均方根误差(RMSE)以及纳什–舒特克利夫效率系数(NSE)3项指标。具体而言,Corr 用于衡量观测值与预测值之间的线性相关程度;RMSE 则反映预测值整体偏离真实值的平均水平;NSE 评价模型输出相对于实测数据拟合优劣,其取值越接近1表示拟合效果越佳。如表1所示,SDW–AR 模型在 Corr 和 NSE 两项指标上均表现出较高数值,而在 RMSE 指标上则取得了较小误差水平。这一结果表明,相较于传统的AR预测模型,SDW–AR 在预测精度和拟合效果方面具有更明显的优势。

基于船舶运动预测的无人机降落控制

表1 船舶运动预测结果的性能评估对比

∗Calculating based on the second sliding window in Sea State 3.

2)无人机降船控制

图5(a) 为无人机的降落轨迹,其中目标船以恒定速度沿直线运动。图5(b) 为跟踪误差的收敛过程曲线,并给出了关键时间节点的仿真截图。可以看出,在2级海况下,所比较的3种控制器均能在满足飞行包线约束的前提下,实现从跟踪阶段到降落阶段的平滑切换。值得注意的是,对于NTSMC控制器,其沿

分享
微信分享 复制链接

微信扫一扫分享
收藏

关键词: 船载无人机 降落轨迹 海上作业

免责声明:航化网出于分享有价值信息和促进知识传播的目的转载此文章。我们对文章内容和观点保持中立,不代表赞同其立场。内容仅供参考,不构成投资建议。我们尊重原创版权,已尽可能注明来源和作者。若您认为您的权益受到侵犯,请与我们联系,我们将立即更正或删除相关内容。