|
1 摘要 学习飞行(Learn-to-Fly, L2F)是一项先进的技术开发工作，旨在评估实时、自学习飞行工具的可行性。具体来说，此研究将实时空气动力学建模、学习自适应控制等内容结合起来，目的是用这种“学会飞行”的方法取代目前的迭代式飞行器的开发模式，大幅度降低典型地面、飞行测试对飞行器设计的要求。最近的研究活动包括一个开创性的飞行测试计划，有独特的全自主飞行测试的飞行器，以快速推进L2F技术。本文介绍了该项目的概况和关键组成部分。 2 介绍 美国国家航空航天局(NASA)在变革航空概念计划（TACP）中发展了“学会飞行”方法，目的是改变飞行器的开发模式。传统的飞行器开发过程包括风洞试验及流体动力学计算（CFD）、仿真开发、控制律设计、最后飞行测试的顺序迭代过程。不可避免的是，在飞行测试中，需要更新空气动力学模型，然后前面所述的过程就需要重复。“学会飞行”将实时非线性气动建模与自主控制律设计相结合。这两种模式如图1所示。其优点包括在控制律设计中使用基于飞行数据的气动模型——因此，不需要修正雷诺数(如果飞行是全尺寸的)、堵塞、边界层湍流等——控制系统设计是根据实际飞行动力学响应而不是仿真结果开发的。随着L2F技术和工艺的成熟，新的飞行器设计可能不需要地面测试就可以飞行。L2F理论的三大支柱是近年来研究的热点:1)实时非线性气动建模;2)“学习”控制律设计方法;3)制导算法。在L2F研究中，将飞行试验空气动力学建模方法与飞行器上的实时制导和学习控制律设计方法相结合，应用于飞行中。这些技术使飞行器能够学会如何飞行。 图 1 传统飞行器开发过程与“学会飞行”概念 从经验上说，飞行试验数据气动建模是一个多步骤的过程，需要进行飞行试验，然后对数据进行离线分析。在离线分析过程中，往往发现数据内容的丰富性不足，无法开发出所需要的模型，因此需要进行额外的飞行测试来填补数据缺口。这使得飞行试验数据气动建模是一个非常耗时的过程，可能涉及大量架次的飞行测试，以获取足够空气动力模型开发所需的数据。最近在递推总体非线性空气动力学建模方面的进展，使得这一过程能够在飞行器上实时执行，其所需的计算能力仅略高于一台普通的笔记本电脑。在近实时的情况下，在指挥系统识别机动时，可以对机动中的数据内容进行分析处理，这个过程可以一直进行，直到生成有效的气动模型。飞行器在飞行过程中生成空气动力学模型的能力，为自主修改控制规律和控制分配方案开启了可能性，使飞行器能够自主“学习飞行”，并且，随着飞行时间的增加，性能不断提高。 学习飞行项目的目标是通过回答以下问题来证明这一概念的可行性:能否将实时空气动力学建模、实时制导和学习自适应控制与传统的现成计算硬件相结合？在没有先验空气动力学知识的情况下，能否识别飞行器的空气动力学模型，然后稳定、控制、自主导航飞行器？ 3 方法 图2给出了学习飞行算法框图。在标称飞行控制指令中增加了激励输入。这些激励输入，或可编程测试输入(PTIs)，由优化正交多正弦信号组成，用于激励飞行器的自然动态模型。实时的总体空气动力学建模，能够将飞行器的动态响应归结于各个控制面，生成包括稳定性、控制导数和性能参数在内的空气动力学模型。制导指令是根据估计的最大L/D(仅限滑翔机)计算的。然后根据实时空气动力学建模结果，更新所需要的动力，来实现飞行器的计划。然后根据估计的飞行器动力，计算控制命令，同样是根据实时空气动力学模型。最后，根据估计的控制效率，将命令分配给控制面。 图 2 学习飞行算法框图 A.飞行试验飞行器 为了降低飞行操作的复杂性和成本，四架飞行器中有三架选择为无动力滑翔机，Foamie(图3)、Super Guppy Foamie(图4)和Woodstock(图5)，飞行实验时，从系住的气球上释放出来，只有基本的着陆滑块。而E1(图6)是一架电动螺旋桨驱动飞机。尽管它们有明显的结构差异，所有飞行器都被设计成能够完全自主飞行或在传统的R/C飞行员控制下飞行。进一步的细节可以在参考文献[2]中找到。 图 3 Foamie滑翔机 图 4 Super Guppy Foamie滑翔机 图 5 Woodstock滑翔机 图 6 E1螺旋桨驱动飞机 B.实时总体气动建模 学习飞行测试的一个主要目标是，在一个全局或大范围的飞行包络线飞行过程中，实时识别一个六自由度的数学模型，即每个无量纲空气动力和力矩系数。无量纲气动力和力矩系数不能在飞行中直接测量，必须根据飞行器的测量状态和已知的飞行器几何及质量特性进行计算。测量变量为攻角、侧滑角、无量纲体轴角速度和控制面位置。实时建立精确的总体空气动力学模型涉及两个主要因素:1) 在一个大范围的飞行包络线内，设计有效且高效的飞行演习充分激发所需的飞行器飞行动态；2)实现实时递推系统辨识方案，在测量飞行器状态量和控制量的基础上，估计总体模型的气动力和气动力矩。 在飞行试验阶段，将正交相位优化多正弦信号输入到控制面的指令中。这些PTIs均为零均值，振幅有限，可以同时在多个轴上辨识每个控制面效果，以及飞行器的稳定性和性能特征，而只会对飞行器标称飞行轨迹造成微小的扰动。所有的L2F飞行试验采用了一种使用多元正交函数(MOF)的实时总体气动建模方法。详见文献[3]。 C.实时导航 该实时制导算法实现了航路点导航、自主着陆的能量管理等功能，作为一个飞行“主管”，协调自主飞行包络线扩展和有限包络线保护。 E1飞机，由飞行员提供动力并证明可以飞行，允许使用更简单意义下的操作制导。它不需要自动着陆，因为R/C飞行员可以执行这项功能。R/C飞行员也执行了起飞和爬升到初始测试高度的操作。飞行员将飞机飞行到各种条件下，包括失速，然后切换到自动模式。控制系统必须恢复和跟踪制导指令，以达到与之前滑翔机一样的期望的地面轨迹，而动力制导包括预设的高度和空速目标。详见文献[4]。 D.学习控制规律 任何控制律的主要功能都是稳定飞行器和跟踪制导指令。而控制律的体系结构可以有很大的不同。本研究探讨了两种能够利用实时气动模型来稳定飞行器和提高制导指令跟踪性能的设计——广义导频(GP)控制律设计、自适应非线性动态逆控制器设计，详见文献[5]。通过实时空气动力学建模的“学习”，实现了稳定性和跟踪性能的改善。学习意味着从过去的经验中保留知识，以便影响未来的行为或表现。两种设计都能够利用空气动力模型的实时改进来“学习”，从而改进它们自己提供更强的控制效果。每一种结构都利用从不断改进和扩展的空气动力学模型中得到的线性模型来调整增益，以满足预定的稳定性指标或达到预期动作。 目前，“学习飞行”的概念是在飞行器上在稳定和不稳定两种配置的情况下测试的，所用的飞行器都没有任何空气动力学的先验知识。结果表明，利用当前的低端计算硬件，可以在50赫兹的飞机上实现实时总体空气动力学建模、自适应学习控制和实时制导。E1飞行测试，特别是失稳的E1飞行，最终证明了学习飞行的概念是可行的。 [1] Eugene H. D. Heim, Erik M. Viken, Jay M. Brandon, and Mark A. Croom,“NASA’s Learn-to-Fly Project Overview”, AIAA Atmospheric Flight Mechanics Conference,AIAA Aviation Forum， June, 2018, [2] Riddick, S. E., Busan, R. C., Cox, D. E., and Laughter, S. A., “Learn-to-Fly Test Setup and Concept of Operations,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. [3] Morelli, E. A., “Practical Aspects of Real-Time Modeling for the Learn-to-Fly Concept,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. [4] Foster, J. V., “Autonomous Guidance Algorithms for NASA Learn-to-Fly Technology Development,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. [5] Snyder, S. M., Bacon, B. J., Morelli, E. A., Frost, S. A., Teubert, C. A., and Okolo, W. A., “Online Control Design for Learnto-Fly,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. end |
|
|
