时间：2026-01-08 分类：应用电子
论文《基于动态逆的无人机自主着舰控制系统的设计与仿真》发表在《复旦学报(自然科学版)》，版权归《复旦学报(自然科学版)》所有。本文来自网络平台，仅供参考。
以如何使舰载无人机按照预定的着舰轨迹降落在航母上为研究背景，提出了一种基于动态逆设计的控制跟踪方法，建立了无人机的非线性6自由度模型，在着舰过程中加入舰尾流和航母运动的干扰，设计了动态逆控制器对着舰进行控制。仿真结果显示该着舰控制系统控制的无人机有很好的着舰成功率。
关键词
动态逆;舰尾流;着舰控制;舰载无人机
引言
航母虽然是一个庞然大物，但可供舰载无人机(以下均称为无人机(Unmanned Aerial Vehicle, UAV))着陆的区域却很小，而且着舰跑道长度不足以支持常规着陆。无人机安全降落在航母上是一项难度不小的任务。无人机着舰时，需要放下尾钩，让尾钩精确地勾住甲板上的阻拦索，依靠阻拦索快速减小无人机的速度，缩短滑跑距离。无人机的着舰点需要控制得十分精确，如果着舰点太靠前，无人机难以勾上阻拦索;着舰点太靠后，无人机有可能与航母相撞。因此，如何控制无人机精准着舰是航母着舰控制领域亟需解决的关键性问题。
虽然无人机自主着舰问题已经被研究了几十年，但大多数研究中的着舰控制系统都使用线性控制方法。Hess等[1]、Urnes等[2]使用下滑速度H-dot作为控制量，改善了着舰控制律。然而，随着空气湍流的增强，这些控制器的性能会降低[2]。由于无人机着舰过程本质上是非线性的，随着计算机技术的发展，非线性控制方案应该是未来的发展方向。Crassidis等[3]使用H∞控制技术设计了着舰控制器，与传统鲁棒控制器相比，该方法能够很好地抑制舰尾流的干扰。Steinberg[4]研究了模糊逻辑控制着舰系统，仿真结果显示控制器能够适应外界的干扰。Page等[5]比较了几种不同非线性控制方案应用于舰载机自动着舰的研究，结果表明非线性控制方法是未来全自动着舰系统设计的发展方向。
本文采用了非线性动态逆的控制方法，动态逆控制需要控制量和状态量维数相同，根据时标分离的特性[6]，将控制律分成3个回路进行设计：快回路用于角速度控制;较慢回路用于气流角控制;慢回路用于航迹控制。本文建立了无人机的非线性模型、航母甲板运动模型和舰尾流模型，仿真分析了动态逆控制律的有效性，结果表明动态逆控制能够实现精确着舰控制。
1 无人机运动模型和航母运动模型
1.1 无人机的动力学模型
虽然无人机线性小扰动模型在研究引导律设计、参数优化、系统频域特性等方面存在一定优势，但是由于在着舰过程中需要多次操纵无人机舵面进行配平，实际上无人机运动并不能满足线性模型稳定下滑的约束条件，而非线性模型能够得到更加真实的仿真结果，因此本文采用非线性动态逆的控制方法。
无人机的非线性6自由度模型包括如下3个方程组：
1.1.1 质心动力学方程组
1.1.2 刚体转动动力学方程组
1.1.3 航迹角微分方程组
1.2 航母的运动模型
航母运动的扰动分量受海风和浪涌的随机特性影响，很难给出解析模型，工程上普遍采用统计分析的方法描述航母的扰动运动。大量实测数据和理论分析表明，在最终着舰的几十秒范围内，航母运动近似为平稳的随机过程，可以利用白噪声通过成型滤波器的方法模拟航母的扰动运动[7]，用这种方法模拟航母的横摇、纵摇和垂摇运动，仿真曲线如图1所示。
1.2.1 各方向运动成型滤波器方程
横摇运动成型滤波器方程：
1.3 舰尾流模型
航母舰尾流对舰载无人机的飞行姿态、轨迹和控制都有较大影响，威胁着舰过程的安全。舰尾气流场频谱模型将舰尾气流场按水平、横向和垂直3个方向分别建模，每个方向包括4个分量：大气紊流、舰尾气流的稳态分量、舰尾气流的周期分量和舰尾气流的随机分量。舰尾气流场的各个分量如表1所示，水平尾流((U_{g}))、横向尾流((V_{g}))和垂直尾流((W_{g}))与各个分量之间的关系如下式所示：
舰尾流的建模常用工程化模型简化，该方法略去次要影响因素，保留舰尾流的物理特性。工程实际建模中大多使用美军标MIL-HDBK-1797中的舰尾流模型[8]，模型的仿真曲线如图2所示，其中(D)为水平方向舰载无人机距离航母俯仰运动中心的距离。
表1 舰尾流扰动的各个分量
注：“-”表示无该分量。
2 基于动态逆的控制器设计
2.1 动态反演控制理论
动态逆是少数几种可从线性系统直接推广用于非线性系统的控制技术之一，采用动态逆方法设计的控制器具有很强的通用性。
无人机非线性状态变量描述的控制对象为：
直接使用动态逆方法需要系统输入和输出的维数保持一致，不能将无人机所有的状态变量作为输出量，因此设计了3个动态逆控制回路：快回路控制器用于控制无人机角加速度;较慢回路控制器用于控制气流角;慢回路控制器用于控制速度及航迹角。无人机的动态逆控制律结构图如图3所示，其中(X)表示无人机输出的所有状态量，(X=[p, q, r, alpha, eta, mu, V, gamma, chi])。
2.2 快回路动态逆控制律
快回路对应的是无人机的力矩方程，以([p, q, r])作为状态量，([delta_{e}, delta_{a}, delta_{r}])作为控制输出量(其中(delta_{e})为升降舵偏角，(delta_{a})为副翼舵偏角，(delta_{r})为方向舵偏角)，将方程整理可得：
设置3个增益相等有利于协调控制并减小偏差，增益的大小和回路的响应频率相关，快回路的带宽增益要大于较慢回路，较慢回路的带宽增益要大于慢回路。
2.3 较慢回路动态逆控制律
较慢回路的状态方程可表示为：
如忽略快回路的动态响应，则有：
此时系统的输入输出为线性关系，获得一阶伪线性系统，构建线性反馈回路，即：
较慢回路增益比快回路增益小5倍，在较慢回路中可近似忽略快回路的动态响应。
2.4 慢回路动态逆控制律
慢回路是轨迹控制，轨迹控制的响应比姿态控制和角速率控制的动态响应要慢得多。慢回路的对应方程为：
无人机运动轨迹对舵偏角输入的响应慢，可以忽略气流角和角速率的动态响应，从而使运动方程简化成质点运动方程，并且令侧滑角和侧力以及舵面产生的操纵力为零。于是运动方程组(1)和(3)可以简化为：
忽略较慢回路的动态响应，则得到：
两式相除，取反正切值可得：
根据变量可以用解析法求得。
将式(26)进行变形，得到：
将式(33)带入式(28)可以得到非线性方程：
由于升力(L)和阻力(D)是关于迎角(alpha_{d})的函数，式(34)无法使用解析法求解，可使用牛顿迭代法、二分法等方法求解零点，求得(alpha_{d})后带入式(33)可以求得(T_{d})。这种解析法和迭代法相结合的方法计算效率更高，比单纯迭代求解多元非线性方程的求解速度快得多，而且通过解析式的变换关系，简化了需要求解的非线性方程。
3 无人机着舰仿真
无人机在距离航母正后方8000 m、高度400 m处开始着舰，无人机速度为(V_{a}=100 , ext{m/s})，航母速度为(V_{b}=15 , ext{m/s})，加入航母运动和舰尾流干扰。图4为着舰时航母和无人机在水平方向的位置变化，图5为着舰时无人机的高度变化。当仿真开始时，无人机立刻开始转弯并且下降进入下滑道，航母甲板着舰区的斜角甲板与航母首尾中线存在9°的倾斜角，着舰时无人机飞行方向与航母前进方向存在9°的夹角。
仿真开始时，在初始位置处加入((x pm 100) , ext{m})、((y pm 100) , ext{m})、((h pm 10) , ext{m})的随机因素，加入航母运动和舰尾流干扰，产生100组的仿真数据，着舰点分布如图6所示(其中(X)是着舰点横向坐标，(Y)是着舰点纵向坐标)。仿真结果显示：无人机有23次被第1阻拦索捕获(23%)，有39次被第2阻拦索捕获(39%)，有33次被第3阻拦索捕获(33%)，有3次被第4阻拦索捕获(3%)，有2次失败的着陆(2%)。仿真结果显示总体的着舰成功率达98%。
4 结语
本文建立了无人机的非线性6自由度模型，设计了动态逆控制器对无人机着舰过程进行控制，在着舰过程中加入舰尾流和航母运动的干扰。仿真结果表明，动态逆控制器具有很好的控制效果，能够很好地控制无人机安全着舰，有很高的着舰成功率。但仿真结果也显示有2次失败的着舰，需转入复飞流程。进一步提高着舰成功率可以从以下两个方面进行：一是加入甲板运动预报系统，降低母舰运动对着舰点的影响;二是提高无人机着舰对抗随机扰流的能力，采用带有自适应能力的控制方法，减少突风、舰尾流等随机扰动对无人机的影响。
参考文献
[1] HESS R K, URNES J M, MOOMAW R F, et al. H-dot automatic carrier landing system for approach control in turbulence[J]. Journal of Guidance, Control, and Dynamics, 1985, 8(3): 289-295.
[2] URNES J M, HESS R K. Development of the automatic carrier landing system[J]. Journal of Guidance, Control, and Dynamics, 1981, 4(2): 177-183.
[3] CRASSIDIS J L, MOOK D J. Robust control design of an automatic carrier landing system[C]∥Proceedings of AIAA Guidance, Navigation, and Control Conference. Hilton Head Island, USA: AIAA, 1992: 1471-1481.
[4] STEINBERG M. A fuzzy logic based F/A-18 automatic carrier landing system[C]∥AIAA Guidance, Navigation, and Control Conference and Exhibit. Montreal, Canada: AIAA, 2001: 4085.
[5] PAGE A, STEINBERG M. A comparison of neural, fuzzy, evolutionary, and adaptive approaches for carrier landing[C]∥AIAA Guidance, Navigation, and Control Conference. Hilton Head Island, USA: AIAA, 1992: 4392.
[6] 左军毅. 推力矢量飞机非线性控制律设计研究[D]. 西安: 西北工业大学, 2003.
[7] 颜世伟, 郝佳, 李海旭. 基于航母运动的舰载机自动着舰落点分布研究[J]. 舰船科学技术, 2021, 43(21): 173-178.
[8] 吕开东, 李新飞, 姜迈, 等. 舰载机着舰过程的舰尾气流场数值仿真分析[J]. 飞行力学, 2013, 31(1): 19-23.
