基于高斯過程的傾轉旋翼機器人模型辨識

霍雨佳，李一平，封錫盛

(1.中國科學院沈陽自動化研究所機器人學國家重點實驗室，遼寧沈陽 110016;2.中國科學院機器人與智能制造創新研究院，遼寧沈陽 110169;3.遼寧省水下機器人重點實驗室，遼寧沈陽 110169;4.中國科學院大學，北京 100049)

0 前言

傾轉旋翼水空跨域機器人(以下簡稱跨域機器人)，充分結合了水下機器人(AUV)的隱蔽性和無人機(UAV)的機動性，具備水空兩棲多種介質下的作業能力，擴展了原有機器人的作業環境和應用范圍。跨域機器人應分別具備在水中、空氣中兩種介質中穩定工作，同時具備水空兩種介質間多次反復跨介質轉換的能力。由于兩種工作介質在密度等方面的顯著區別，跨域機器人在多種介質中穩定的作業需求對機器人的運動控制器提出了艱巨的挑戰。因此，針對跨域機器人，建立可靠的動力學模型是設計機器人運動控制器的關鍵。

模型辨識方法在水下機器人和無人機上都有廣泛應用，辨識數據來源于機器人傳感器的數據采集，將所獲的動力學模型用于機器人運動控制仿真平臺搭建和控制策略設計。最小二乘法、極大似然等參數化建模方法，需要一定的先驗知識，如機器人的動力學模型結構，可由流體力學、慣性和結構布局等分析得到。所獲得的高精度模型常限制在一個小范圍內，通常通過增加建模的復雜性提高模型的范圍。利用神經網絡、示教學習等非參數化建模也可獲得一定的效果，但所構建的模型被限制在受過訓練的集合內，難以應對模型的不確定性。

高斯過程回歸(Gaussian Processes Regression,GPR)是基于貝葉斯理論和統計學習理論的一種機器學習方法，適于處理小樣本、非線性等復雜問題，被廣泛應用于機器人等領域。該方法提供了一種簡單有效的方式表示數據的先驗分布，可使用較少的參數得到準確的模型。GPR屬于非參數模型，只需假設它服從指定均值函數和協方差函數的高斯過程。相較于其他常用的參數模型，如神經網絡、支持向量回歸、多項式回歸等，GPR具有易訓練、超參數自適應獲取以及預測結果具有概率意義等特點。KO等利用高斯過程(Gaussian Processes,GP)模型和強化學習實現對飛艇的模型辨識和運動控制。FU等利用高斯過程實現對船舶模型的辨識。HEMAKUMARA和SUKKARIEH利用GP模型對固定翼UAV的模型進行辨識，獲得了固定翼機翼模型。CAO等利用GP模型和MPC控制器實現四旋翼無人機的運動控制仿真。

本文作者利用高斯過程對跨域機器人的動力學模型進行辨識。通過采集遙控飛行過程中機器人的狀態數據，獲得機器人的動力學模型。這種非參數化建模方法可利用機器人運行過程中的反饋數據較大范圍地獲取機器人的動態特性，而不需要對機器人的模型結構具備先驗知識，可以在控制器設計環節節省大量試驗成本。

1 跨域機器人動力學模型分析

為實現對跨域機器人的動力學模型進行辨識，應對機器人進行模型分析。本文作者采用一種新型跨域機器人，具有4臺水空兩棲涵道推進器，如圖1所示。如圖1(b)所示，4臺推進器可以旋轉的最大角度為π/2，可實現推進器推力由向下到向后的切換。

該跨域機器人具備水下航行、水面滑行起飛、水面(陸地)垂直起飛懸停和空中平飛等工作模式。其中，在垂直起飛懸停模式下，推進器推力向下，機器人以旋翼飛行器模式工作；在空中平飛狀態下，機器人以固定翼飛機模式工作，通過升力體機翼提供機器人升力，通過控制涵道推進器傾轉角度和螺旋槳轉速控制機器人的俯仰。

機器人載體坐標系選擇重心為原點，遵循右手系，指向前方并與機器人縱向對稱軸重合;位于機器人水線面,與垂直并指向右舷;位于機器人縱中剖面,與垂直并指向下，如圖1(a)所示。

圖1 傾轉四旋翼跨域機器人

本文作者主要考慮機器人以傾轉旋翼模式在空中飛行時的運動控制問題。機器人在飛行中受力主要分為涵道推進器推力、機翼升力與阻力、重力和機身阻力。上述力會同時對機器人產生相應的力矩，同時涵道推進器槳葉的旋轉也會產生相應的力矩。

由文獻[16-17]可知，令=[,,]表示載體坐標系下機器人在橫滾、俯仰和偏航方向的角速度，=[,,]表示機器人姿態角，=[,,]表示載體坐標下機器人各方向線速度，=[,,]表示世界坐標系下機器人位置,則跨域機器人的動力學模型可描述為

(1)

其中:=[,,}為載體坐標系下機器人各方向分力；=[,,]為載體坐標系下機器人繞各軸力矩;為載體坐標系到世界坐標系的旋轉矩陣；為載體角速度到姿態角速率的旋轉矩陣。則世界坐標系下，機器人的受力可描述為

(2)

跨域機器人的4個涵道風扇推進器產生的合外力為

(3)

其中：T,、T,和T,分別表示合力在載體坐標系下、和軸上的分量，有：

同時，推進器推力產生的力矩為

T,=T,

(4)

式中：表示第個推旋翼進器中心距離重心的距離，表達式為

(5)

其中：,為第個傾轉旋翼推進器軸中心到機體坐標系下平面的距離；,為傾轉旋翼推進器軸中心到機體坐標系平面的距離；為推進器旋翼中心到傾轉軸的距離。

2 基于高斯過程回歸的跨域機器人動力學預測模型

2.1 高斯過程回歸模型

(6)

(7)

其中:(,)為通過所有數據集輸入計算得到的協方差矩陣;為單位矩陣。輸出數據集和對問詢點的預測輸出()的聯合分布為

(8)

其中:()的條件分布服從一個新的正態分布：

(|,)～[(),()]

(9)

則()的均值和方差的表達式為

(10)

()=(,)-(,)((,)+

(11)

因此，計算預測點的預測值可得：

=(,)

(12)

同時，采用平方指數協方差函數作為GPR的內核函數(,)：

(13)

(14)

(15)

則GPR模型的優化目標為

=argmin()

(16)

對超參數進行迭代更新以最小化()。最后將優化后的超參數代入式(10)和式(11)得到測試樣本最終的預測值和方差()。

2.2 基于權值的局部高斯過程回歸模型

由于高斯過程回歸在輸入訓練集較大時計算緩慢，為降低其模型回歸過程中的計算復雜度，提出采用局部高斯過程回歸方法。該方法通過引入多個局部模型，將訓練集分配到多個局部模型中進行單獨訓練，由此減少每個局部模型的數據量和總體的計算復雜度。因此，該方法可以保證模型的快速更新。

通過計算新的訓練數據與模型中心的距離，對數據進行分配，該距離可描述為

(17)

同時，設置閾值，判斷它是否屬于已有的局部模型。當數據不屬于已有的任一局部模型時，則以此數據建立新的局部模型。局部高斯過程回歸流程如圖 2所示。

圖2 局部高斯過程回歸流程

(18)

3 驗證

3.1 試驗設計

基于新型水空跨域機器人，考慮當前機器人以傾轉旋翼無人機模式進行飛行(空中懸停)的情況，通過遙控器控制機器人的飛行。機器人的輸入為其8個執行機構的動作量，包括4臺涵道螺旋槳的轉速(=1,2,3,4)和4臺傾轉舵機的傾轉角度(=1,2,3,4)。機器人的傳感器如IMU和GPS獲得機器人的運動狀態包括位置信息、姿態信息、速度和角速度信息等。

如圖 3所示，機器人控制模塊主要由PX-4控制板構成，PX-4主要承擔通信、數據記錄功能，與無線遙控器實現通信并下發指令。同時，利用它自帶的簡單的傾轉旋翼機器人控制算法，實現簡單的機器人飛行控制試驗，以獲取機器人的運動狀態數據。機器人通過外接的60 V直流電源通電。

圖3 試驗平臺構成

對于時刻，基于高斯過程的機器人動力學模型辨識有：

(19)

(20)

3.2 試驗

機器人的輸入包括執行機構控制量和機器人的速度和姿態等信息。同樣的，在相同的執行機構中控制輸入，利用第2.2節方法，獲得機器人的動力學模型。并對比相同控制輸入下的模型預測值和實際測量值。

圖4 模型預測與實際測量值對比

定義平均絕對值誤差(Mean Absolute Error,MAE)評價模型預測精度，如式(21)所示。同時，對比全局GPR和LGPR的更新時間和預測時間，評價兩種方法在計算復雜度上的區別，結果如表1所示。

表1 全局GPR和LGPR性能評價

(21)

4 結論

本文作者提出了一種基于高斯過程的辨識方法，采用該方法實現對新型跨域機器人在空中以傾轉旋翼無人機模式下飛行的動力學模型辨識。通過試驗，對比了測量值和模型預測值，證明了該方法的有效性。該模型為跨域機器人仿真平臺及其運動控制器設計提供了參考，同時后續應完善機器人的功能(如空中平飛和水下航行等)，實現對機器人更多模式下的動力學模型辨識。