基于特征提取示教学习的旋翼空中机器人特技飞行控制研究

特技飞行是旋翼空中机器人在复杂环境下提高对抗能力和生存能力所必须具备的运动技能。本项目将研究一种新的示教学习系统性方法，以解决旋翼空中机器人极具挑战的特技飞行控制问题：采用强化特征表达示教者的真实意图，提出从特技飞行示范中提取强化特征的可行算法，分析多源示教下的特征稳定性；研究示教充分性问题，探索其与特征充分性之间的关系，建立示教充分性量度，提出基于示教过程充分性评价的主动提示策略；建立强化特征与回报函数之间的映射关系，研究结构可进化的控制策略搜索问题，提出高维连续空间内回报函数学习与控制策略搜索的级联迭代算法。本项目将构建"特征→回报→策略"三级示教学习框架，旨在解决以往研究中依靠人工确定特征或回报函数的盲目性，提高示教者的示教效率和智能体学习运动技能的自主性，实现旋翼空中机器人的特技飞行控制，并为具有复杂动态机器人的运动控制提供新的途径。

本项目在示教学习与飞行控制两个主题下展开研究，在以下四个方面取得成果：.(一) 飞行示教数据的分段和特征化问题。针对重复性示教情形，提出了基于高阶统计量的分段法，应用Hinich检验法，对示教数据的高斯性和线性度作滑动窗口检验，按其结果进行了合理分段。应用动态运动基元对非线性片段建立引导模型，并以DMP的权向量作为片段最终特征。针对多维示教数据，提出了特征化变量的选择规则，探讨了多次示教下的特征一致性问题。对于非结构化示教情形，给出了无人机示教信息的多层级HMM模型，用Beta过程来刻画特征在不同示教数据之间的共享机制，并用基于BP-AR-HMM的Bayes非参推断法进行分段，较好捕捉了示教数据的共性和差异性特征。进而，为解决VAR模型可描述性限制带来的过度分段问题，提出了技能基元的概念和技能的表示性定义，建立了多层级的特征模型，并给出了进行二级分段的子序列聚类算法。仿真结果表明，经二级分段能明显减少过度分段，并有效特征化无人机的行为。.(二) 无人机强化学习控制。在底层运动控制上，提出利用参考模型输出误差的二次型函数构造回报函数；上层路径规划引入飞行能力对航迹的约束和回路成形技术构造回报函数。针对无人机动力学的非线性特点，提出基于eNAC算法的LPV控制器设计方法；针对NAC强化学习过程收敛缓慢问题，提出了复用经验的改进NAC算法，提高了计算效率。.(三) 无人机鲁棒和非线性控制方法。在飞行控制律鲁棒设计问题上，应用了定量反馈设计方法，较好地落实设计指标并兼顾了控制的跟踪性和鲁棒性。针对非线性控制问题，以前进比为调度参数，构造了外环平动运动和内环姿态运动的两级LPV模型逆控制器，实现无人机的中速巡航。最后，同时考虑鲁棒性和非线性问题，给出了概率鲁棒控制情景方法的批量迭代求解算法，该方法与目前主流方法相比有计算效率上的优势。.(四) 系统实现相关技术。包括导航技术和软件设计技术等。特别地，针对连续特技飞行过程中GPS可能失锁导致组合导航失效的严重问题，研究了GPS短时失效的滤波重构和无GPS导航两类方法。对于前者，分别考虑了利用空速计和风模型，以及利用地磁场矢量误差反馈来构建新的组合滤波模型；对于后者，利用了二维激光测距仪和INS组合，实现了多旋翼无人机的3D室内导航和自主悬停。.项目期间共发表论文12篇，其中EI收录10篇，录用EI期刊论文2篇，获专利2项。