Диссертация (1025035), страница 8

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

Текст из файла (страница 8)

Отслеживание спланированного глобального маршрута на основеулучшенного метода движения по линии визированияРасстояние L1 (см. Рис. 1.10) – критический параметр в алгоритмеотслеживания. Это расстояние оказывает существенное влияние на результат55отслеживания. Если расстояние большое, квадрокоптер летит по дуге с меньшейкривизной и медленно приближается к заданной траектории.

В процессе слежениянет больших колебаний, но невозможно хорошо отслеживать всю траекторию. Еслизначение L1 маленькое, квадрокоптер летит по дуге с большей кривизной и быстроприближается к заданной траектории, но будут происходить большие колебания. Вэтом случае тоже невозможно хорошо отслеживать всю траекторию [84]. Процесс вобоих случаях показан на Рис. 2.9.Рис 2.8. Схема влияния расстояния L1 на результат отслеживанияПредлагается динамично менять расстояние L1 (т.е. адаптивно выбиратьточку маршрута в качестве очередной опорной точки).На Рис.

2.9 показан принцип адаптивного выбора опорной точки.Рис. 2.9. Выбор опорной точкиПроцесс выбора опорной точки можно разделить на два этапа:1) выбор ближайшей точки маршрута D1 с текущей точкой позицииквадрокоптера C , которая соответствует условию: L1  d ; 1   / 2 ;562) определение порядкового номера опорной точки N в множестве точекмаршрута:N  n (2.4)где n – порядковый номер точки D1 в множестве точек маршрута;  – функциявыбора опорной точки, которую можно записать следующим образом:0, m  1; r  1 m1 pq  floor m  1  sin 1  1  d  1      i   , m  2i  (2.5)где p, q, r  показатели влияния угла упреждения, расстояния, углов поворотамаршрута (определяютсяпутем предварительногомоделирования);m–количество точек в этой области;   угол поворота маршрута, как показано наРис.

2.10.Рис. 2.10. Углы между точками маршрутаСтруктура алгоритма показана на Рис. 2.11, где X – координаты центра массквадрокоптера; X –скоростьполѐта квадрокоптера;вычисленной локальной целевой точки.Xd–координаты57Рис. 2.11. Структура алгоритма отслеживания маршрутаРаботоспособностьмоделированиемалгоритмапланированияотслеживаниямаршрутавмаршрутасредеMatlab.проверяласьРезультатымоделирования алгоритма показаны на Рис.

2.12 и 2.13, чѐрная линия - заданныймаршрут; красная линия - выбор каждой точки маршрута в качестве опорной точки;синяя линия - адаптивный выбор точки маршрута в качестве опорной точки;1.5расстояние,м20y,m1010.50начальнаяточка5010x, m150020510время,с1520(г) Изменение расстояния до(а) Отслеживание прямой линиилинииначальнаяточкарасстояние, м2y, m0-5-10-4-20x, m246(в) Отслеживание окружности10-105101520время, с2530(г) Изменение расстояния до кругаРис. 2.12. Результаты отслеживания двухмерных маршрутовИз результатов моделирования, показанных на Рис.

2.12, можно заметить, чтотраектория движения квадрокоптера имеет меньшую амплитуду с использованиемнашего алгоритма и его работоспособность более очевидна в случае отслеживаниядвухмерной прямой линии.58z, m201000начальнаяточка10x, m2010y, m020(а) Отслеживание прямой линиирасстояние, м6420024время, с68(б) Изменение расстояния до линииz, m50начальная0точка200y, m-20 -50 x,m510(в) Отслеживание спиральнойлиниирасстояние , м2100102030времся, м40(г) Изменение расстояния доспиральной линииРис.

2.13. Результаты отслеживания трѐхмерных маршрутовИз результатов, показанных на Рис. 2.13, можно заметить, что предлагаемыйалгоритм может быть использован для отслеживания не только двумерногомаршрута, но и трѐхмерного маршрута, и даже – ещѐ более сложной трѐхмернойспиральной линии. Кроме того, предлагаемый алгоритм точнее отслеживаетспланированный маршрут.2.4.

Разработка алгоритма облѐта препятствийна основе управления поворотом вектора скорости полѐтаВ процессе полѐта по спланированному маршруту квадрокоптер должен иметьвозможность автономного ОП. В настоящей работе предлагается новый простойметод облѐта различных препятствий в динамической среде в режиме реальноговремени для квадрокоптера на основе управления поворотом вектора скоростиполѐта.Если в среде отсутствуют препятствия, с которыми могут произойтистолкновения, то квадрокоптер летит к целевой точке по спланированному59маршруту с помощью алгоритма отслеживания маршрута.

Если в средесуществуют неподвижные препятствия, с которыми возможны столкновения, тонужно вычислить минимальное нормальное ускорение, необходимое для ОП. Еслив среде существуют подвижные препятствия с возможностью столкновения сквадрокоптером, то нужно предсказать позицию столкновения и поместитьвиртуальные неподвижные препятствия в качестве объекта облѐта в данном месте.Затем необходимо умножить минимальное ускорение на соответствующийкоэффициент безопасности облѐта, чтобы повысить безопасность полетаквадрокоптера.

Эти коэффициенты связаны с размерами, векторами скорости,расстояниями до препятствий, скорости движения препятствий и другимифакторами. Ограничим скорость полѐта квадрокоптера, чтобы нормальноеускорение было не выше чем максимальное безопасное ускорение полѐта. В нашейработе объясним принцип предлагаемого алгоритма ОБ в двумерной среде.Блок-схема алгоритма показана на Рис. 2.14.Рис. 2.14. Блок-схема алгоритма обхода препятствийНа Рис.

2.14: ai – минимальное нормальное ускорение для облѐтапрепятствия i ; k i – коэффициент безопасности облѐта препятствия i ; ac –60нормальное ускорение для облѐта препятствия или отслеживания спланированногомаршрута; amax – максимальное безопасное ускорение полѐта квадрокоптера; n –количество препятствий с возможностью столкновения.2.4.1. Предсказание состояния движения препятствийНа практике система часто является нелинейной и не может удовлетворитьусловиям использования стандартного фильтра Калмана. Для нелинейных системобычно используется расширенный фильтр Калмана (EKF). Но недостатки EKFочевидны: необходимая для нелинейной системы линеаризация, обычно – спомощью разложения в ряд Тейлора, сохраняет член первого порядка и игнорируетчлены высшего порядка.

Этот процесс линеаризации может привести к большимошибкам для существенно нелинейной системы, даже расхождениям. Кроме того, впроцессе фильтрации необходимо вычислять матрицу Якоби, но для нелинейнойсистемы трудно реализовать это вычисление и при этом значительно уменьшитьскорость вычислений процесса фильтрации. Чтобы преодолеть эти недостатки,Julierиегоколлегипредложилисигма-точечныйфильтрКалмана(Uncented Kalman Filter – UKF), который является другим видом широкоиспользуемого нелинейного фильтра [68].Для ОП важно эффективно описать препятствия, которые могут иметь разныеформы и размеры. Для упрощения расчѐта берѐм модель препятствий, котораяописана в параграфе 1.2.1. Относительные отношения положения и углов являютОпределяющей информацией для избегания столкновения с препятствием, какпоказано на Рис.

2.15, являются расстояния и углы относительного расположенияобъекта и препятствия, где V – вектор скорости квадрокоптера; C – центр массквадрокоптера; две пунктирные линии представляют касательные линии от точкиC к кругу препятствия; rb – радиус круга; B – центр круга;  – угол междукасательными линиями;  – угол между вектором скорости и вектором CB ;61E1, E2 – касательные точки на окружности; d – расстояние между центром массквадрокоптера и центром круга.Рис. 2.15. Модель препятствия и относительное положение робота и препятствияВектор состояния движения препятствий для UKF в момент k :Xk  [ Xb _ k , Vb _ k , R k ]Tгде(2.6)Xb _ k  [ xb1 _ k , yb1 _ k , xb2 _ k , yb2 _ k , xbi _ k , ybi _ k ,, xbn _ k , ybn _ k ]координаты препятствий;n количествопрепятствий с возможностьюстолкновения;Vb _ k  [vbx1 _ k , vby1 _ k , vbx2 _ k , vby 2 _ k ,, vbxi _ k , vbyi _ k ,, vbxn _ k , vbyn _ k ]скорости препятствий; R k  r1 _ k , r2 _ k ,, ri _ k ,, rn _ k  радиусы препятствий.Вектор наблюдения для UKF в момент k :Zk  [Dk , α k , ηk ]T(2.7)где Dk  [d1 _ k , d 2 _ k ,, di _ k ,, d n _ k ]  расстояния; α k  [1 _ k ,  2 _ k ,, i _ k ,,  n _ k ] углы между касательными; ηk  [1 _ k ,2 _ k ,,i _ k ,,n _ k ]  углы междувектором скорости и направлением на препятствие (линией визированияпрепятствия).Оценки вектора состояния осуществляется следующим образом:6222di _ k  xc _ k  xbi _ k  ybi _ k  yc _ kri _ k i _ k  2  arcsin xbi _ k  xc _ k 2  ybi _ k  yc _ k 2 xbi _ k  xc _ k  v x  ybi _ k  yc _ k  v y  arccos k xbi _ k  xc _ k 2  ybi _ k  yc _ k 2  v x2  v 2y   , i  1, 2, , (2.8)где [ xc _ k , yc _ k ] и [v x , v y ] – координаты и скорости робота для k-го момента.Нелинейную модель системы движения препятствий можно записать вследующем виде:X k  f X k 1, u k , w k Z k  hX k , v k (2.9)где u k – управляющий сигнал; w k , v k – шум процесса и шум наблюдения с 0среднего значения и их ковариации Q and R .Процесс сигма-точечной фильтрации Калмана может быть разделен на четыреэтапа [68]:1.

Характеристики

Список файлов диссертации