Диссертация (1025035), страница 4

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

1.7 показаны изменения координат x, y, z:50x,mx,m5001020время,с30400-2001020время,с30-20010400-2001020время,с30401020время,с30401020время,с30401020время,с30400z,m20z,m-50020y,my,m-5002000-100Рис. 1.6. Изменения координатРис. 1.7. Изменения координатПИД-регулятора«бэкстеппинг» регулятораРезультаты моделирования показывают, что изменения координат центра массквадрокоптера для двух регуляторов почти одинаковые, но ПИД-регулятор имеетболее простую структуру и меньше сигналов обратной связи.

Поэтому дляуправления траекторией полѐта квадрокоптера выбраны ПИД-регуляторы.На Рис. 1.8 и Рис. 1.9 показаны изменения углового положения (γ, ϑ, ψ):γ,rad10-2021020время,с30θ,rad1020время,с3040ψ,rad-2021000-101400ψ,radθ,radγ,rad21020время,с30401020время,с30401020время,с30401020время,с30400-102100Рис. 1.8. Изменения угловогоРис. 1.9.

Изменения угловогоположения ПИД-регулятораположения «бэкстеппинг» регулятора25Результаты моделирования показывают, что диапазон изменения угловогоположения «бэкстеппинг» регулятора заметно меньше, чем соответствующийдиапазон для ПИД-регулятора, и кривая более гладкая. Поэтому для управленияугловым положением полѐта квадрокоптера выбраны «бэкстеппинг» регуляторы.1.2. Основные способы решения задачи планирования маршрутаПланированиемаршрута(ПМ),исключающегостолкновенияспрепятствиями, является одним из основных вопросов при работе движущихсяроботов – как наземных, так и воздушных.

Решение задачи ПМ необходиморассматривать с трѐх сторон: глобальное ПМ, отслеживание заданного маршрутаи облѐт препятствий (ОП).1.2.1. Планирование глобального маршрутана основе муравьиного алгоритмаАлгоритм планирования глобального маршрута должен рассматриватьметоды обхода известных препятствий.

Это осуществляется с помощьюоптимизированного поискового алгоритма планирования маршрута. В настоящеевремясуществуетмногометодов,предлагаемыхдлярешениязадачипланирования глобального маршрута. Для большинства известных методов, такихкак клеточное разбиение [30], дорожная карта [33], потенциальное поле [71],затруднено решение проблем планирования в сложных условиях и адаптации, нерешен вопрос устойчивости.Муравьиныйалгоритм(МА),обладающийпараллельностьюиположительной обратной связью, в последние годы широко используется дляпланирования маршрута в статической и динамичной среде [76, 85].

В этихработах для поиска маршрута используют сетки карты.Чтобы понять, как функционирует алгоритм, нужно рассмотреть поведениемуравья, движущегося от муравейника в поисках пищи. Изначально муравей26движется в случайном направлении. Если муравей находит пищу, то онвозвращается к муравейнику, помечая пройденный путь специальным химическимвеществом – феромоном. Следующий муравей с большей вероятностью последуетпо тропе, уже помеченной феромоном.

Посредством феромона происходит связьмеждумуравьямиипоископтимальногомаршрутаприотсутствиицентрализованного управления и знаний обо всей сети, а феромонные тропыявляются как бы «коллективной памятью» муравейника. Однако феромон, какхимическое вещество, испаряется с течением времени, поэтому муравьивынуждены осваивать новые маршруты и выбирать среди них оптимальный. Втрадиционном МА вероятностьpijm перехода муравья m из позиции i впозицию j определяется формулой:1 Dm    is ig  , j  S m , s  S m 0 , Dm  0 s 1pijm   ijig(1.26)где  ij – количество феромона на дуге ij ; α – параметр влияния на  ij ;  jg –величина, обратная длине дуги jg ; β – параметр, влияющий на ij ; S m –множество позиций, проходимых муравьѐм m; Dm – размер множества S m .По завершении очередной итерации алгоритма происходит испарениеферомона: ij (t  1)  (1   ) ij (t )   ij (t );  ij (t ) M ijm (t )(1.27)m 1где m – номер муравья из популяции; t – номер итерации;   0, 1 – скоростьиспарения феромона;  ij (t ) – приращение феромона; M – величина популяциимуравьев.Обновление феромона: ijm (t )  Q / Lm , i  Sm , j  Sm 0, Dm  0где Q – запас феромона; Lm – длина пройденного пути.(1.28)27Скорость вычисления традиционного МА является медленной, из-за чегоподобный алгоритм трудно использовать для планирования глобального маршрутаквадрокоптера в режиме реального времени в трѐхмерной среде.1.2.2.

Стратегия отслеживания заданного маршрутаНепосредственное отслеживание спланированного маршрута алгоритмами,рассмотренными в 1.1.2, оказывается практически невозможным, так как маршрутзадан в виде последовательности дискретных точек, расположение которых вобщемслучаенеявляетсядостаточноравномерным.Конечно,можноаппроксимировать маршрут гладкими кривыми, но это приведет к усложнениювычислительного алгоритма, работу которого невозможно будет обеспечить врежиме реального времени.

Кроме того, если кривизна заданного маршрута изначение скорости полѐта большие, то из-за ограниченности располагаемыхперегрузок квадрокоптер не сможет отследить заданные точки маршрута иизбежать столкновения даже с заранее известными препятствиями. Поэтомувозникает промежуточная задача определения текущих (для каждого моментавремени) целевых точек, отслеживание которых при располагаемых ускоренияхобеспечит прохождение спланированного маршрута.Задачу предлагается решать на основе метода «L1» [114] (метод отслеживаниялинии визирования в системах наведения), который является одним из популярныхметодов для отслеживания маршрута благодаря простой реализации и высокойскорости вычислений.Схема определения нужного ускорения этим методом приведена на рис.1.10,где: V – вектор скорости квадрокоптера; L1 – вектор от центра массквадрокоптера до опорной точки;  – угол упреждения между векторами V и L1 ;d – кратчайшее расстояние от центра масс квадрокоптера до траектории; ac –вектор нормального ускорения для управления полѐтом квадрокоптера; D –опорная точка на запланированном маршруте; O – центр вспомогательной28окружности; R – радиус вспомогательной окружности; C – точка центра массквадрокоптера.

Координаты центра масс квадрокоптера и вектор скорости егополета полагаются известными.Рис. 1.10. Схема управления полѐтом квадрокоптерапри следовании по запланированному маршрутуЕслирасстояние между положением центра масс квадрокоптера иположением опорной точки на запланированной траектории равно L1 (какпоказано на Рис.

1.10), то нормальное ускорение полѐта квадрокоптераопределяется следующим образом:V2V22V 2ac sin RL1 2 sin  L1(1.29)Из формулы (1.29) видно, что ключевым для определения нормальногоускорения управления является определение вектора L1 , т. е. выбор опорнойточки.В реальности запланированный маршрут состоит из ряда дискретных точек,поэтому трудно использовать какие-то математические формулы для описанияэтого маршрута и вычисления координат точки D и угла  . О недостаткахиспользования метода аппроксимаций для получения гладкого маршрута ивычисления координат точки D и угла  сказано выше.

В нашей работе длярешения подобной проблемы предлагается выбирать опорные точки среди точекмаршрута - в этом случае не надо отдельно вычислять координаты точек D.29Заданный маршрут может быть составлен из большого количества точек, поэтомунаш метод (см. 2.3) может значительно уменьшить объѐм вычисления алгоритма,что позволит легче реализовать алгоритм в режиме реального времени.1.2.3. Методы облѐта препятствий для БПЛАБПЛА должен иметь возможность облѐта неподвижных, но ранее неопределѐнных, а также – подвижных препятствий, полѐта среди движущихсялюдей и транспортных средств, причѐм делать это с учѐтом погрешностей в егосенсорных системах. Задача существенно усложняется, если необходимопланировать маршрут в режиме реального времени, когда сенсорная системаобнаруживает динамические или заранее неизвестные препятствия, а системапланирования должна локально изменить маршрут соответствующим образом.Проблема планирования маршрута с обходом препятствий глубоко изучена влитературе, было разработано несколько методик.

В статической среде существуетмного методов, предлагаемых для решения задачи планирования маршрута, такихкак клеточное разбиение [30], вероятностная дорожная карта [32], потенциальноеполе [71], график видимости [60], быстро-исследующее случайное дерево [72] идругие. Однако, их применение затруднено в сложных изменяющихся условиях, нерешен вопрос устойчивости. В последнее время широко используются методы,основанные на биологическом интеллекте, такие как генетический алгоритм [64],МА [120], оптимизация роя частиц [89] и др.Расширение проблемы планирования маршрута в динамической сре1де тожебыло тщательно исследовано.

Характеристики

Список файлов диссертации