人工智能在直升机飞行控制的应用与展望

南京航空航天大学自动化学院 邹雨春 孙逸凡 盛守照

人工智能在其发展的过程中不断体现出自身的优势，各行各业的智能化是未来发展的大潮流。人工智能具有快速处理非线性、大容量和复杂的数据的能力，相较于传统的控制方法具有突出的优势。本文首先将传统控制方法和智能控制进行对比，展现出人工智能方法的优越性。再通过展现人工智能近些年来在直升机飞行控制领域的发展现状及已有成果，向读者呈现人工智能在直升机飞行控制领域的应用的可行性及优越性。最后对人工智能未来在直升机飞行控制领域的发展进行展望。

直升机具有操纵复杂，空气动力学模型具有阶次高，强非线性，强耦合性，不确定性等复杂性，以及具有飞行模态多、飞行环境复杂等难题。直升机驾驶员需及时获取直升机飞行状态及周围环境信息，尤其在面对险峻环境和恶劣天气时，需耗费巨大精力。

早在本世纪初斯坦福大学的Pieter Abbeel等人就已经提出，运用大量飞行数据训练人工神经网络，使其能够在不同的飞行情况下选取相应的控制器，然而此时的神经网络并没有在控制环路内。Eric N.Johnson和Suresh K.Kannan直升机外环校正指令需要平移动力学模型，但是这些模型带有误差，训练神经网络可以消除模型误差。但是这种自适应只能改善姿态动力学的跟踪性能。直至今日，学者们还在致力于研究出一个应用广泛，智能化高的飞行控制系统，减轻驾驶员操纵负担，甚至可以逐步取代驾驶员的地位。

1 智能控制应用

传统PID控制是一种简单易于实现的控制方法，但参数设置的好坏直接影响实验结果，控制精度差，鲁棒性差。为弥补PID控制的不足，提出了模糊PID控制方法，一定程度上实现了控制智能化。目前，大量应用在直升机飞行控制领域的方法有：人工神经网络、支持向量机、遗传算法、粒子优化算法等。

2 智能技术在直升机飞行控制领域的发展现状

国内外已有大量学者针对飞行控制系统的智能化做了一些研究与实践，并且取得了很可观的试验与仿真结果。

2.1 自适应法

自适应控制方法的特点就是系统能根据控制偏差自我调节控制器内部参数或控制规律。Zachary Sunberg等人提出的一种模糊逻辑控制器，能够在绝大数情况下使发生自转的直升机安全着陆。剑桥麻省理工学院的Cirish Chowdhary等人，为了解决系统在预期的操作域之外操作，自适应元件会变得无效的问题，研究了参数数量随数据而增长的自适应元和基于高斯过程的自适应元，其具有良好的闭环性能，并且不需要任何关于不确定域的先验知识。北京航空航天大学提出基于ESO（扩张状态观测器）的无人直升机高精度姿态控制方法，理论上验证了在常值、斜坡和正弦扰动下，该方法对提高姿态控制稳定性的可行性。在不同带宽下，实现基于ESO的姿态角的稳定控制，但随着带宽增加，姿态输出噪声变得更大。Hicham Chaoui等人设计了一种基于二型模糊逻辑和自适应控制理论的控制器，用于解决在有结构和非结构不确定性的情况下跟踪三自由度直升机的运动的问题。第二类模糊逻辑结果部分自适应是通过基于李亚普诺夫的自适应来实现的，该自适应保证了闭环系统的稳定性。并与其他三种控制器，即PID控制、自适应控制和自适应滑模控制进行了比较。数值结果表明，在存在不确定性的情况下，该方法具有较好的表现和鲁棒性。

2.2 自学习方法

支持向量机是机器学习的一种，旨在对已有神经网路的不足加以改进。西安飞行自动控制研究所的夏琳等人为了解决飞行控制系统在面对突发情况下自动飞行的局限性，结合神经网络的优点，提出了基于人工神经网络的直升机智能飞行控制系统的方法。利用大量驾驶员飞行操作指令的数据映射，对人工神经网络进行训练，最后实现神经网络对飞行控制系统的自主控制。Pedro Miguel Dias等人为了解决飞行中突发故障问题，提出了利用强化学习的方法。这种新型控制器应用于一架F-16飞机模型进行故障实验，在实验中进行在线调整。结果表明，故障前后都有良好的跟踪性能。虽然仅仅在固定翼模型上面进行了实验，但这无疑为无人直升机解决故障问题提供了一种思路。Yunus Bicer等人，认为尽管飞行控制系统可以在正常条件下自动着陆，但该阶段的传感器故障可能会导致灾难性的坠毁。所以，他们使用原始图像输入来训练端到端深度学习模型，以估计飞机相对于机场跑道的相对航向角。运用视觉的方法作为对无人直升机的着陆的一种保障，也是不错的选择。

2.3 神经网络

人工神经网络由大量的处理单元通过适当的方式互连结构，是一个大规模的非线性自适应系统。Jesse Leitner等人讨论了用于非线性直升机飞行控制系统的在线自适应神经网络设计，重点讨论了网络架构和改变自适应增益对性能的影响。宾夕法尼亚州立大学研究生院的Venkatakrishnan V.Iyer开发了一种对使用矢量推力导管螺旋尾桨(VTDP)的复合直升机的偏航控制器。控制器的设计是基于直升机上现有的基于非线性动态逆的控制器，同时在非线性动态逆的控制器的反馈中引入神经网络，使反馈线性化。目前控制器的功效已经在直升机操作中进行了测试，如起飞、悬停和前飞，并取得了较好的效果。中国航空工业集团公司西安飞行自动控制研究所的夏路等人为解决智能飞行控制系统和自动驾驶仪在面对紧急情况是的局限性提出一种基于人工神经网络的直升机智能飞行系统。仿真结果表明，在外部条件稳定的情况下，智能系统几乎可以模拟驾驶员的操作，保持直升机飞行的稳定；当面对扰动气流时，智能系统对于航向，速度等参数的控制均优于驾驶员的操作。荷兰代尔夫特理工大学的E.van Kampen、B.Helder和M.D.Pave将增量式双重式启发规划(IDHP)控制器应用于MBB Bo-105直升机上，而神经网络就是该控制器的函数逼近器，IDHP被证明能够可靠地学习直接控制俯仰角和高度，而无需离线学习阶段。此外，控制器不依赖于受控系统的任何先验知识，因此可以在线适应变化。结果表明，当提供适当的参考信号时，控制器能够执行两种不同的主动机动。

2.4 优化算法

启发式算法是基于深度优先算法的一种优化推演，搜索时根据一些启发式信息，选择最佳的一个或者多个分支进行。因为实际问题中，不一定需要最优解，所以避开了启发式算法的缺点，让启发式算法对飞行控制起到优化作用。Thomas Issac、Femi Thomas and Mija S J结合了状态反馈控制和线性二次调节器(LQR)，使一个小型六自由度直升机模型跟踪一个预定的轨迹。采用自适应粒子群优化技术对LQR控制的加权矩阵和匹配扰动的投影矩阵进行了优化。仿真结果表明了控制器在实现特定控制目标的有效性。国立中正大学电机工程系的Gwo-Ruey Yu和Ping-Hsueh Hsieh提出了一种两自由度直升机最优飞行控制方法，应用先行二次调整器（LQR）控制直升机俯仰运动，并采用粒子群算法对LQR控制器的最优加权矩阵进行搜索。通过对比普通LQR和基于PSO算法的LQR解出的最佳增益，在两个阶跃信号命令下，带入30度俯仰角和0度偏航角的情况进行对比。结果表明，基于粒子群算法解出来最优增益使得系统的调节速度更快，显然，基于粒子群算法的LQR优于传统的LQR。基于粒子群算法的LQR设计为直升机飞行控制系统提供了最佳响应。

3 技术未来展望

3.1 提高智能性

（1）实现高智能的飞行辅助

当下的人工智能大多数仅仅用在优化控制系统的一个环节上，实现人们理想中的飞行辅助还需进一步研究，才能更好地克服飞行过程中紊流和地效影响。

（2）实现全方面智能安全评估

目前人工智能技术只能单一的对直升机进行故障检测。更进一步的有通过训练人工智能对直升机桨叶的应力进行分析，实现对目前飞行的安全性的评估，进而实现应力调节。

（3）智能环境感知

未来可以利用先进的探测设备亦可以是机器视觉等感知技术与人工智能控制系统相结合的方式，实现直升机对环境和自身安全性的自我判断。

3.2 利用人工智能网络，构建直升机群协同合作的能力

美军直升机与无人蜂群的协同作战模式为我们的未来发展提供了一个实例，我们可以在此之上实行创新，设计出更多模式下的协同作战方案。

3.3 实现无人大型直升机

随着人工智能深入发展，可开展有关于大型无人直升机飞行控制系统的设计与优化。当直升机群协同作战与大型无人直升机都发挥到一定水平时，无人直升机可以装备更多的弹药，可以建立大火力覆盖的无人直升机群，在保护我方安全的前提下，提高我军的作战能力。

3.4 实现特定任务、乃至特定的复杂任务的自动执行

未来基于对直升机飞行控制各方面的发展，可以综合设计出一个可以自动跟踪目标、自主飞行特定山区的直升机飞行控制系统，再将其运用到大型无人直升机中，便可以实现在恶劣条件下的救援，作战等高危险性任务。

结束语：虽然人工智能在飞行控制领域有所渗透，但是利用人工智能所达到智能化水平离我们的预期还有一定的差距，还有许多可发现与拓展的空间。