基于跨介质自适应切换技术的空海无人机推进系统

A Cross-Medium Adaptive Switching Technology-Based Aerial-Marine Unmanned Vehicle Propulsion System

摘要: 随着全球能源结构转型的推进，海上风电作为可再生能源的关键组成部分，其高效运维显得尤为重要。为解决传统海上风电巡检依靠人工和单介质无人机面临的效率低下和安全隐患的挑战，本项目提出了一种基于跨介质自适应切换技术的空海无人机推进系统，旨在提高海上风电巡检无人机在水面和空中之间的切换稳定性和切换效率。采用自适应控制算法，系统可以实时感知环境变化并调整工作模式，以优化能耗并提高运行稳定性。实验结果表明，该系统在不同环境条件下表现出良好的适应性和可靠性，为海上风电智能巡检提供了新的解决方案。

Abstract: With the global transition to renewable energy, offshore wind power, as a crucial component of the renewable energy mix, has highlighted the importance of efficient operation and maintenance. To address the challenges of traditional offshore wind turbine inspections, which rely on manual labor and single-medium drones, this project proposes an adaptive cross-medium switching propulsion system for aerial and aquatic drones. The system aims to enhance the stability and efficiency of switching between air and water during offshore wind farm inspections. By employing an adaptive control algorithm, the system can dynamically sense environmental changes and adjust its operational mode, optimizing energy consumption and improving operational stability. Experimental results demonstrate that the system exhibits excellent adaptability and reliability under various environmental conditions, offering a novel solution for intelligent offshore wind farm inspection.

1. 引言

近年来，随着无人机技术和智能控制算法的不断进步，基于多重环境适应的无人机系统逐渐受到关注[1]-[3]。特别是空海无人机的概念，通过结合空中和水面操作能力，可以在不同介质之间高效切换，具有更大的适应性和灵活性[4] [5]。然而，现有的空海无人机系统大多依赖于工作模式的手动切换或简单的控制算法，在海上风电巡检中尚未能够实现高效、自动的跨介质切换[6] [7]，因此开发能够在水面和空气之间自由切换的推进系统显得尤为重要[8]-[12]。

国内外学者在水空一体化无人机系统的模式控制、结构设计和切换算法等方面取得了一些进展和探索[13]-[16]。如刘阳、周凌等学者研究了倾转电机的水空两栖无人机的设计与实现[13] [17]，解决了两栖无人机的模式切换动力难题，但是如何实现跨介质模式稳定切换控制仍然面临技术瓶颈；王琛等学者研究了水空跨域多模态共轴无人机设计[18]，有效解决了水空无人机的动力难题，但是如何高效实现水空模式切换的推进系统的自适应切换和高效动力还存在技术难题；桑标等学者研究了无人机自适应平滑切换姿态融合算法[19]，解决了无人机自适应切换的问题。然而，这些无人机系统在跨介质自适应切换控制和推进系统的结构设计仍然面临稳定性、高效问题，难以适应复杂环境需求和高效实现跨介质自适应切换控制[20]-[25]。

针对这一问题，该文提出了一种基于跨介质自适应切换技术的空海无人机推进系统。系统可根据实时环境变化自动切换工作模式，优化能耗，提高运行稳定性。通过自适应控制算法，系统可以准确感知海面与空气的动态变化，实现水面与空气作业的无缝切换。实验结果表明，该系统在不同海况和天气条件下表现出良好的适应性和可靠性，可有效提高海上风电巡检工作效率，降低运维成本，保证作业安全。

本研究的贡献主要体现在以下几个方面：(1) 跨介质自适应切换技术的水陆无人机推进系统，通过电机倾转机构实现螺旋桨与水下推进器之间的自适应切换，提高巡检效率；(2) 提出了一种基于波浪预测的波峰入海策略控制策略，解决了无人机水下和空中作业稳定切换的问题，实现了高效作业。

2. 空海无人机系统架构

本研究设计了一种基于跨介质自适应切换技术的空海无人机推进系统，旨在提升海上风电巡检的效率与可靠性。系统采用双螺旋桨推进装置，并通过电机倾转机构实现螺旋桨与水下推进器的自适应切换，满足空中与水下介质不同的推进需求，优化能量转换与稳定性。动力系统基于锂离子电池，结合高效传动系统以延长电池寿命。结构设计采用轻质材料，确保水密性与气密性，以适应海洋环境的挑战。

Figure 1. The overall framework of the UAV hardware design

图1. 无人机硬件设计的整体框架图

Figure 2. Schematic diagram of UAV structure

图2. 无人机结构示意图

集成控制系统通过智能调节优化无人机的飞行与导航性能，确保在空中和水下环境中的稳定性。系统配置了GPS、IMU、双目摄像头、光流模块与信号收发器，提供高精度定位与环境感知能力，支持自主导航与信息收集。此外，采用现成的水下链系留光通信模块，确保水面与水下的可靠数据传输。

硬件方面，系统核心为双螺旋桨推进装置，通过电机倾转角度调节适应不同介质的推进需求。控制单元采用STM32F系列处理器与PX4飞控模块，支持实时监测与动态调整。双目摄像头实现立体视觉与自主避障，GPS模块提供精确定位，光流模块提高低空飞行时的定位精度。光信号收发模块确保高效的数据通信。

该系统通过协同工作，有效执行跨介质任务，提升海上风电巡检的可靠性与效率。无人机硬件设计的整体框架如图1所示；无人机结构的示意图如图2所示。

3. 空海无人机系统模型构建

为了构建空对海无人机系统模型，需要考虑无人机在不同介质(空气和水)中的动态行为。下面是一个简化的数学模型，涵盖了无人机的基本动态特性和控制策略。

3.1. 系统状态和控制输入

定义状态向量x，状态向量包含无人机在空间中的位置、速度和姿态角：

$x=\left[\begin{array}{ccccccccc}{p}_x& p_y& p_z& v_x& v_y& v_z& \varphi & \theta & \psi \end{array}\right]$

式中，$p_x,p_y,p_z$ 是无人机在三维空间中的位置坐标，$v_x,v_y,v_z$ 是无人机在三个方向上的速度分量，$\varphi ,\theta ,\psi$ 是无人机的姿态角(分别为滚转角、俯仰角和偏航角)。

控制输入向量u，控制输入向量包含无人机的推力和扭矩控制：

$u=\left[\begin{array}{cccccc}{F}_x& F_y& F_z& {\tau }_x& {\tau }_y& {\tau }_z\end{array}\right]$

式中，$F_x,F_y,F_z$ 它是无人机在三个方向上的控制，${\tau }_x,{\tau }_y,{\tau }_z$ 这是关于无人机三个轴的控制力矩。

3.2. 动力学模型

空气动力学模型，空气中的动力学模型基于牛顿第二定律和欧拉方程，表示为：

$\dot{x}=f_{\text{air}}\left(x,u\right)$

其中，$f_{\text{air}}\left(x,u\right)$ 是一个非线性函数，用于描述无人机在空中的运动。通常，空中动力学模型会考虑空气的阻力和无人机的机动能力。

水下动力学模型，水下动力学模型需要考虑水阻力、浮力等因素。模型为：

$\dot{x}=f_{\text{water}}\left(x,u\right)$

其中，$f_{\text{water}}\left(x,u\right)$ 是一个描述无人机在水中运动的功能，通常包括水流对无人机的影响、浮力和水阻力等。

完整的空海无人机系统模型如下：

$\dot{x}=f_{\sigma }\left(x,u\right),$

$u=g\left(x\right)$

式中，$f_{\sigma }\left(x,u\right)$ 是空中或水下的动态模型，由开关逻辑决定。控制策略$g\left(x\right)$ 决定了如何选择控制输入。模型为无人机在不同介质中的动态行为提供了一个基本框架，可以根据具体的应用场景进一步提炼和优化。

3.3. 自适应开关控制

为了让无人机在空中和水中自由切换，定义了一个切换逻辑$\sigma$

$\sigma =\{\begin{array}{ll}\text{air},\hfill & \text{if}{p}_z>0\hfill \\ \text{water},\hfill & \text{if}{p}_z\le 0\hfill \end{array}$

当$p_z>0$ 时，表示无人机在空中，动力学模型为$f_{\text{air}}\left(x,u\right)$ 。

当$p_z\le 0$ 时，表示无人机在水中，动力学模型为$f_{\text{water}}\left(x,u\right)$ 。

通过切换逻辑，动态模型可以根据无人机的位置(尤其是垂直坐标$p_z$ )选择合适的动态模型，从而实现空中和海上的自适应切换。

3.4. 控制策略

控制策略的目的是通过适当的控制输入u优化无人机在不同介质中的性能。有两种常见的控制方法可以使用LQR (线性次级稳压器)控制，通过求解带有控制输入的Riccati方程来推导出反馈增益矩阵$K_{LQR}$

$u=-K_{LQR}x$

这种方法适用于状态空间模型已经线性化并通过最小化性能指标(如能耗)来优化控制的情况。

滑模控制(SMC)是一种稳健的控制方法，通常适用于具有不确定性和扰动的系统。控制输入由两部分组成：

$u=u_{eq}+u_{sw}$

式中，$u_{eq}$ 是等效控制(确保系统满足动态模型)，$u_{sw}$ 是切换控件。滑模控制具有良好的鲁棒性，可以应对模型不确定性和外部干扰。

4. 空海跨介质自适应切换技术

空海跨介质是一种自适应切换技术，由空对空模式、海空模式和水下模式组成。

4.1. 基于波浪预测的波峰入水策略

在海洋环境中，波浪的动态变化对无人机的入水过程具有显著影响。当空海无人机在海面30~40 cm处时，系统起动基于波浪预测的波峰入水策略。为了确保无人机能够在接近波浪顶部时实现零速度并立即停止螺旋桨，进而随着波浪顶部下降到水中，系统采用了卡尔曼滤波器对波形数据进行预测。通过这一预测，系统能够精确地判断波浪的状态，并根据波浪的动态特性调整无人机的入水策略。基于波浪预测的波峰入水策略如图3所示。

具体而言，系统首先利用卡尔曼滤波器对波形数据进行实时处理，预测出波浪的波状态向量和状态转换函数。接着，系统根据这些预测结果，采用滑模控制方法应对外部扰动和环境变化，使无人机能够在接近波浪顶部时实现零速度。随后，模型预测控制(MPC)进一步优化控制输入，以确保无人机在水面和空中具有最佳性能，并能适应不同的环境变化。

Figure 3. Peak water entry strategy based on wave prediction

图3. 基于波浪预测的波峰入水策略

基于检测到的波形数据，使用卡尔曼滤波器进行波形预测

${\widehat{x}}_{k|k-1}=f\left({\widehat{x}}_{k-1},u_{k-1}\right)$

$P_{k|k-1}=F_k{P}_{k-1|k-1}{F}_k^{\text{T}}+Q$

$K_k=P_{k|k-1}{H}_k^{\text{T}}{\left(H_k{P}_{k|k-1}{H}_k^{\text{T}}+R\right)}^{-1}$

其中，${\widehat{x}}_{k|k-1}$ 是预测的波状态向量和状态转换函数。$P_{k|k-1}$ 是预测的状态协方差矩阵，$F_k$ 是状态转换的雅可比矩阵，Q是过程噪声协方差。$K_k$ 是卡尔曼增益，用于校正波预测状态，是观察到的噪声的协方差矩阵。

然后，针对无人机在复杂动态环境下的非线性特性，采用滑模控制方法应对外部扰动和环境变化；

$s\left(t\right)=\dot{e}\left(t\right)+\lambda e\left(t\right)$

其中，$e\left(t\right)$ 是误差，$\dot{e}\left(t\right)$ 是误差的导数，$\lambda$ 是正数，用于调整滑动面的形状

$u\left(t\right)=u_{eq}+u_{sw}=\frac{{\dot{x}}_d-f\left(x\right)}{b\left(x\right)}-K_s\text{sign}\left(s\left(t\right)\right)$

其中，$u_{eq}$ 是等效控制，用于使系统保持在滑动面上，$u_{sw}$ 是开关控制，用于驱动系统进入滑动面，$K_s$ 是开关增益，$\text{sign}\left(s\left(t\right)\right)$ 是符号函数，它表示滑动形式的方向。(经过以上步骤后，无人机可以在接近波浪顶部的地方实现零速度，立即停止螺旋桨，并随着波浪顶部下降到水中，这样入水的稳定性大大增强)。

随后，MPC预测未来状态并优化控制输入，以确保无人机在水面和空中具有最佳性能，并能适应不同的环境变化，总成本J

$J={\displaystyle \sum }_{k=0}^N\left(x_k^{\text{T}}Q{x}_k+u_k^{\text{T}}R{u}_k\right)$

其中，QR是权重矩阵，分别对应于状态和控制输入，功能旨在最大限度地减少未来状态的偏差并控制能耗，以确保无人机的性能处于最佳状态。

4.2. 基于动态自抗扰控制技术的出水策略

为了详细描述污水控制执行的数学模型，可以将整个过程分解为几个关键步骤，并为每个步骤提供数学表达式。在这里，假设无人机已经具备基本的飞行和水下推进能力，现在它需要设计一个出水策略，使其能够从水平稳过渡到空中。

4.2.1. 环境信息获取和模式识别

无人机通过传感器获取环境信息，构成环境信息向量E

$E=\left[\begin{array}{c}{T}_w\\ v_w\\ v_f\\ h_w\end{array}\right]$

其中，$T_w$ 为水温，$v_w$ 为水流的速度，$v_f$ 为风速，$h_w$ 为波高。

根据这些环境信息，使用模式识别算法来确定当前环境是否适合出水。模式识别的结果来自环境信息向量

$S=f\left(E\right)$

其中$f(\cdot )$ 是模式识别函数。

4.2.2. 出水控制执行

出水条件的判断，根据模式识别结果，可以将水与预设阈值进行比较，以确定是否可以出水

if $S>S_{\text{threshold}}$ then出水

如果超过阈值S，则出水。

出水参数的测定，如果判断为出水，人形智能控制器根据环境信息确定水的航向、姿态和速度。这些参数构成了向量

$P=\left[\begin{array}{c}{\varphi }_{exit}\\ {\theta }_{exit}\\ {\psi }_{exit}\\ v_{exit}\end{array}\right]$

其中，${\varphi }_{exit}$ ：横滚角，${\theta }_{exit}$ ：俯仰角，${\psi }_{exit}$ ：偏航角，$v_{exit}$ ：出水速度

根据确定的出水参数，控制无人机的姿态、航向和速度。控制输入向量为

$u=\left[\begin{array}{c}{F}_x\\ F_y\\ F_z\\ {\tau }_x\\ {\tau }_y\\ {\tau }_z\end{array}\right]$

其中，$F_x,F_y,F_z$ ：强制控制输入，${\tau }_x,{\tau }_y,{\tau }_z$ ：扭矩控制输入。

4.2.3. ADRC控制

入水过程采用自抗扰控制(ADRC)控制器进行控制，在ADRC设计中，该控制策略由两部分组成：跟踪微分器(TD)和扩展状态观察器(ESO)。TD用于平滑参考轨迹，通过生成平滑的参考轨迹来优化控制性能。ESO则用于估计系统的状态和扰动，从而对系统的不确定性进行补偿。这种设计能够有效应对复杂动态环境中的非线性特性，确保无人机在入水过程中的稳定性和可靠性。跟TD用于平滑参考轨迹，通过跟踪微分器生成平滑的参考轨迹

$r_d\left(t\right)=\text{TD}\left(r\left(t\right),h\right)$

其中，h是平滑因子。

扩展状态观察器(ESO)用于估计系统的状态和扰动。系统的状态可以通过扩展状态观察器来估计

$\widehat{x}=\text{ESO}\left(x,u,r_d\left(t\right)\right)$

根据ADRC控制器的输出，设计了控制律。控制律由基本控制律和补偿控制律组成

$u=u_0+u_c$

其中，$u_0$ 是控制的基本规律，$u_c$ 是补偿控制律。

该模型结合了环境感知、模式识别、动态控制和自动抗扰控制方法，为无人机的水流过程提供了全面的控制策略。通过精确的环境监测和控制算法，确保无人机在不同环境条件下能够安全稳定地执行水上任务。该控制策略可以有效提高无人机在复杂环境下的适应性和控制精度。

4.3. 基于自适应动态表面控制的空海跨介质平稳切换方法

自适应动态表面控制方法(ADSC)方法用于实现海空两栖无人机平稳的进水和出水控制。海空两栖无人机在跨域过程中具有未知的时变参数，这使得系统的动力学可以被视为非线性时变系统。系统的状态方程可以表示为：

$\dot{x}=f\left(t,x\right)+g\left(t,x\right)u$

其中，x是状态向量，u是控制输入，$f\left(t,x\right)$ 和$g\left(t,x\right)$ 是依赖于时间和状态的非线性函数。

采用ADSC方法确保海空两栖无人机在跨域过程中能够有效跟踪目标高度和姿态。设计过程分为虚拟控制量设计和实控律设计两个部分。

虚拟控制量设计。定义跟踪误差面，将虚拟控制量设计为：

$S_1=x_1-x_1^d$

$x_2^{*}=-c_1{S}_1+x_1^d$

其中，$c_1$ 是一个可调节控制参数，它表示误差的校正程度，$c_1>0$ 。

采用自适应规律调整控制参数，以适应系统的动态变化。自适应定律的核心思想是调整控制参数以补偿系统中的不确定性。实控律设计。结合虚控量和自适应律，设计实控律，实现对系统的稳定跟踪，保证海空两栖无人机在复杂环境下的稳定运行。

海空两栖无人机在不同环境中的运动会受到不同力的影响，例如风、浪和其他干扰载荷。该文将这些干扰源视为时间变化未知的广义干扰，包含在海空两栖无人机动力学模型中。通过多刚体动力学分析，可以更准确地描述海空两栖无人机在海面、空气中和跨介质过渡过程中的力。通过将ADSC方法与多刚体动力学模型相结合，可以有效优化海空两栖无人机在跨介质过渡过程中的稳定性和性能。具体来说，控制系统可确保进出时的连续性并缩短过渡时间，同时利用流体曲线设计平稳快速的过渡策略。

5. 跨介质自适应切换技术推进系统实验

本实验采用十字交叉同轴双层旋翼无人机，配备两套上下旋翼和倾转机构。利用跨介质自适应切换技术，结合姿态角、位置和速度以及下部视觉系统的参数作为参考，当无人机距离水面30厘米时，下四旋翼停止螺旋桨，然后当无人机接触水面时，上四旋翼停止螺旋桨，然后倾转机构启动，无人机切换到水下推进模式。该实验在水池中进行，并模拟了无人机从空中到水的转换。

Figure 4. Before the drone enters the water

图4. 无人机入水前

在实验过程中，实时监测并记录了无人机的姿态、位置、速度及下视系统检测到的水面高度和位置数据，所有数据由飞行控制系统自动记录并通过专业软件分析。比较PID与跨介质自适应切换技术的表现，所提算法在姿态稳定性与响应速度上更为优越，特别是在水面接触及切换至水下推进模式时，所提算法能平稳调整无人机状态并减少振荡。下视系统准确检测水面位置，当无人机接近水面30厘米时，系统成功触发停止螺旋桨，确保平稳切换至水上推进模式，无明显失控或抖动。无人机入水前的示意图如图4所示。无人机入水后的示意图如图5所示。

Figure 5. After the drone enters the water

图5. 无人机入水后

Figure 6. Analysis of curved motion trajectory in three-dimensional space

图6. 三维空间中的曲线运动轨迹分析图

此外，通过实验仿真模拟的空海无人机入水过程，海空两栖无人机重5.88 kg，在空中5 m以2 m每秒的速度下降到0.3 m，然后等待10秒，然后以0.1 m每秒的速度下降到0米，然后等待两秒，然后再以0.5 m每秒的速度下降到海里10 m，飞行过程中会受到噪声影响，如风、波浪等，我们得到了图6的三维空间中的曲线运动轨迹分析图，图7无人机高度起伏态势分析图，图8无人机速度波动特征分析图，图9无人机推力时变态势分析图。

Figure 7. Analysis of UAV altitude fluctuations

图7. 无人机高度起伏态势分析图

Figure 8. Analysis of UAV velocity fluctuation characteristics

图8. 无人机速度波动特征分析图

Figure 9. Time-varying situation analysis of UAV thrust

图9. 无人机推力时变态势分析图

实验结果分析表明，无人机控制系统能够有效管理多阶段下降过程，并在不同高度和速度下保持良好的控制性能。尽管存在噪声干扰，推力、速度和高度的整体趋势仍符合预定轨迹。噪声影响主要表现在推力和速度的轻微波动，显示出系统对随机扰动的响应能力和一定的容忍度，同时保障了无人机的安全稳定下降。实验结论指出，控制系统展现出良好的稳定性与适应性，能够应对不同阶段的变化及噪声影响，确保无人机顺利完成任务。

6. 总结

根据数字仿真和飞行试验的结果可以看出，本文提出的基于跨介质自适应切换技术能够有效控制无人机的姿态和运动状态，在复杂的海洋动态环境中表现较好。下视系统的精度为无人机提供了可靠的参考信息，保证了跨介质的平稳切换。未来的研究可以进一步优化控制算法和结构设计，以提高无人机在实际应用中的性能和安全性。本文设计的空海无人机跨介质自适应切换技术操作简单，实现了无人机在复杂动态环境下的空海模式自适应切换，为未来无人机海上风电技术的应用提供了新的思路和解决方案。

基金项目

广东省普通高校重点科研平台和项目重点领域专项(2023ZDZX4072)；广东理工职业学院创新强校建设项目(2023LGCQ06-03)。

NOTES

^*通讯作者。