CN103412488B - 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 - Google Patents
一种基于自适应神经网络的小型无人旋翼机高精度控制方法 Download PDFInfo
- Publication number
- CN103412488B CN103412488B CN201310347956.4A CN201310347956A CN103412488B CN 103412488 B CN103412488 B CN 103412488B CN 201310347956 A CN201310347956 A CN 201310347956A CN 103412488 B CN103412488 B CN 103412488B
- Authority
- CN
- China
- Prior art keywords
- neural network
- adaptive neural
- adaptive
- control
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 27
- 230000007704 transition Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 230000005764 inhibitory process Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于自适应神经网络的小型无人旋翼机高精度控制方法,涉及小型无人旋翼机反馈控制、无样本训练的自适应神经网络的构建与优化相结合的复合控制器设计。首先,针对小型无人旋翼机动力学模型,通过极点配置方法构建反馈控制系数矩阵来保证***的初步稳定性;其次,设计具有自主更新权值特性的自适应神经网络,基于误差信息构建自适应网络权值更新矩阵来在线更新神经网络的权值矩阵,实现对扰动的估计和抑制;并设计自适应阈值优化策略,基于时间窗口内的实际位置与期望位置的误差均方差,对自适应神经网络的控制残差上限阈值进行在线更新,降低控制残差上界不精确对神经网络扰动控制量的影响,进而优化自适应神经网络扰动控制量,实现复杂环境下的小型无人旋翼机高精度姿态控制。本发明具有实时性好、动态参数响应快、对多源干扰适应性强等优点,可用于小型无人旋翼机复杂多源干扰环境下的高精度控制。
Description
技术领域
本发明涉及一种基于自适应神经网络的小型无人旋翼机高精度控制方法,适用于工作在空中的无人机器人自主控制领域。
背景技术
小型无人旋翼机具有垂直起降、悬停等特性,通过自身携带的各类传感器可以在危险区域或市区街道等狭窄空间执行观测、信息收集等任务,具有广泛的应用前景。随着应用领域的拓展,小型无人旋翼机的工作环境也复杂多变,抗扰性强、稳定性高的小型无人旋翼机高精度控制成为研究的热点。
作为复杂的多输入多输出控制***,小型无人旋翼机具有非线性、强耦合、控制难度高等特性。并且小型无人旋翼机在飞行过程中存在多类干扰,如风扰、大气湍流、地面干扰、***电磁干扰等,因此,小型无人旋翼机在扰动下的高精度控制是飞控***的关键技术之一。
为提高性能,智能PID控制方法、鲁棒控制、智能控制方法等各类控制方法被用于小型无人旋翼机的飞行控制。智能PID控制器结构简单,但抗干扰能力差,小型无人旋翼机的控制性能很容易受到外界干扰影响而降低。鲁棒控制可以较好地消除小型无人旋翼机在飞行过程中存在的模型参数不精确和外界干扰问题,但鲁棒控制具有实时性较差、动态参数响应慢的特性。通过大量的样本训练,神经网络可以实现非线性自适应控制,克服小型无人旋翼机所具有的模型不确定性,以及存在多源干扰等问题,实现高精度的姿态控制,但传统的神经网络需要大量的样本数据进行训练,具有实时性差的缺点。
发明内容
本发明的技术解决问题是:针对小型无人旋翼机在执行任务时控制性能容易受到外界干扰影响的问题,提出一种基于自适应神经网络和极点配置方法相结合的复合控制方法,对小型无人旋翼机在飞行中所受的多源干扰进行估计并抑制,实现大包络范围的高精度控制。
本发明的技术解决方案为:针对小型无人旋翼机动力学模型,通过极点配置方法构建反馈控制系数矩阵来保证***的初步稳定性;设计具有自主更新权值特性的自适应神经网络,基于误差信息构建自适应网络权值更新矩阵来在线更新神经网络的权值矩阵,实现对扰动的估计和抑制;并设计自适应阈值优化策略,基于时间窗口内的实际位置与期望位置的误差均方差,对自适应神经网络的控制残差上限阈值进行在线更新,实现复杂环境下的小型无人旋翼机高精度姿态控制。其实现步骤如下:
(1)针对小型无人旋翼机动力学模型,通过极点配置方法构建反馈控制系数矩阵来保证***的初步稳定性;
(2)对飞行中存在的多源干扰,设计具有自主更新权值特性的自适应神经网络,基于误差信息构建自适应网络权值更新矩阵来在线更新神经网络的权值矩阵,实现对小型无人旋翼机在飞行中所受多源干扰进行在线估计,自适应神经网络权值更新矩阵和扰动估计量表达式如下:
其中,为自适应神经网络的权值矩阵,为自适应神经网络的扰动估计量;Γi、P为对称正定矩阵,自适应神经网络的输入e=x-xd为期望状态变量xd和实际状态变量x间的误差,B为小型无人旋翼机控制状态转移矩阵,αw为自适应神经网络的控制残差上限阈值,i*为相应矩阵的第i个行向量,*i为相应矩阵的第i个列向量,s(e)为自适应神经网络隐含层的节点函数,定义为高斯函数,其相应第j个隐含层的节点函数表达式如下:
其中,μj,分别为自适应神经网络隐含层高斯函数的中心值和宽度,l 为自适应神经网络隐含层的隐含节点数;
(3)设计自适应阈值优化策略,基于时间窗口内的实际位置与期望位置的误差均方差,对自适应神经网络的控制残差上限阈值进行在线更新,实现复杂环境下的小型无人旋翼机高精度姿态控制。
本发明的基于自适应神经网络的小型无人旋翼机高精度控制方法,其中所述步骤(3)构建自适应阈值优化策略定义如下
式中αw为当前时间窗口采样周期内自适应神经网络的控制残差上限阈值;αw-1为上一时间窗口采样周期内自适应神经网络的控制残差上限阈值;αw-2为上二时间窗口采样周期内自适应神经网络的控制残差上限阈值;χk为上一时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的均方差;χk-t为上二时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的均方差;eei为时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的差值;t为时间窗口采样周期内采样点数;k1为控制参数,η1,η2分别为时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的最大绝对误差值和平均误差值。
本发明与现有技术相比的优点在于:
(1)本发明在通过极点配置方法构建反馈控制系数矩阵来保证***的初步稳定性的基础上,通过无样本训练的自适应神经网络,对小型无人旋翼机在飞行过程中所受扰动进行估计和抑制,具有抗干扰性强和便于设计的优点;
(2)本发明在传统反馈控制保证***稳定的情况下,进一步利用自适应神经网络估计并抑制小型无人旋翼机在飞行过程中所受的扰动,可以实时根据飞行器的状态信息调整舵量,不仅具有结构简单和控制方便的特性,同时控制方法实时性好、动态参数响应快,能够满足小型无人旋翼机负载环境下高精度控制需求;
(3)本发明仅需要根据小型无人旋翼机实际飞行过程中采集的状态信息,基于解算得到的位置误差,就可以在线更新自适应神经网络的权值,不需要任何样本训练,具有数据获取方便、计算简单的优点。
附图说明
图1为小型无人旋翼机自主控制流程;
图2为3.2m/s风扰环境下利用本发明小型无人旋翼机执行四航点巡航飞行效果。
具体实施方式
如图1所示,本发明的具体实现方法如下:
(1)基于极点配置的反馈控制
基于线性化方法,小型无人旋翼机动力学方程表示为
其中,状态变量x∈Rn表示小型无人旋翼机***相应的速度、角度和角速度信息。控制变量u∈Rm分别代表小型无人旋翼机侧向周期变距、纵向周期变距、总距控制信号和航向控制信号;A∈Rn×n和B∈Rn×m分别为状态变量和控制变量的状态转移矩阵和控制转移矩阵;d∈Rm表示由风扰、大气湍流、地面干扰、***电磁干扰、传感器测量误差,以及由小型无人旋翼机***参数不确定性和无模态动力学特性等因素带来的有界复合干扰。
小型无人旋翼机的控制器输入由两部分构成,一部分为是状态反馈输入 Kx(t),另一部分为自适应神经网络扰动估计量即为
其中,反馈系数K根据极点配置理论获得,用以保证***的初步稳定性;
(2)构建自适应神经网络
对飞行中存在的多源干扰,设计具有自主更新权值矩阵的自适应神经网络来提高***的控制精度,实现对小型无人旋翼机在飞行中所受多源干扰进行在线估计和抑制。
自适应神经网络由输入层、隐含层和输出层构成;自适应神经网络的输入层的输入为期望状态变量xd和实际状态变量x间的误差,即e=x-xd;
隐含层由多个高斯函数构成,定义为s(e),其相应第j个隐含层的节点函数表达式如下:
其中,μj,分别为自适应神经网络隐含层高斯函数的中心值和宽度,l 为自适应神经网络隐含层的隐含节点数,自适应径向基神经网络节点的中心值μj、宽度由用户决定。
自适应的输出层对多源干扰的估计量
其中,为自适应神经网络的权值矩阵;Γi、P为对称正定矩阵,αw为自适应神经网络的控制残差上限阈值,i*为相应矩阵的第i个行向量,*i为相应矩阵的第i个列向量,其中自适应神经网络的权值矩阵按照如下规则进行自主更新
其中P为下式方程对称正定解
(A+BK)TP+P(A+BK)=-Q
其中对称正定矩阵Q=I。
(3)设计自适应阈值优化策略
基于时间窗口内的实际位置与期望位置的误差均方差,对自适应神经网络的控制残差上限阈值进行在线更新,实现复杂环境下的小型无人旋翼机高精度姿态控制。
自适应阈值优化策略定义如下:
式中αw为当前时间窗口采样周期内自适应神经网络的控制残差上限阈值;αw-1为上一时间窗口采样周期内自适应神经网络的控制残差上限阈值;αw-2为上二时间窗口采样周期内自适应神经网络的控制残差上限阈值;χk为上一时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的均方差;χk-t为上二时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的均方差;eei为时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的差值;t为时间窗口采样周期内采样点数;k1为控制参数,η1,η2分别为时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的最大绝对误差值和平均误差值。
(5)飞行实例
基于小型无人旋翼机进行四航点飞行实验验证。四航点巡线飞行定高 20米,以航点(10,-20,20)为起始点,分别经过航点(40,-20,20), (40,0,20)和(10,0,20),最终悬停在起始点。基于相同反馈控制矩阵参数的反馈控制方法和自适应神经网络控制方法的对比结果如图2所示,在3.2m/s的最大风扰环境下,基于自适应神经网络的小型无人旋翼机在执行四航点巡线任务时候的压线精度为1.56m,在悬停阶段的压线精度为0.83 m,都优于传统的反馈控制方法。
本发明基于自适应神经网络的小型无人旋翼机高精度控制方法克服了现有控制方法的不足,可以实现小型无人旋翼机复杂多扰环境下的高精度飞行控制等。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (2)
1.一种基于自适应神经网络的小型无人旋翼机高精度控制方法,其特征在于实现以下步骤:
(1)针对小型无人旋翼机动力学模型,通过极点配置方法构建反馈控制系数矩阵来保证***的初步稳定性;
(2)对飞行中存在的多源干扰,设计具有自主更新权值特性的自适应神经网络,基于误差信息构建自适应网络权值更新矩阵来在线更新神经网络的权值矩阵,实现对小型无人旋翼机在飞行中所受多源干扰进行在线估计,自适应神经网络权值更新矩阵和扰动估计量表达式如下:
其中,为自适应神经网络的权值矩阵,为自适应神经网络的扰动估计量;Γi、P为对称正定矩阵,自适应神经网络的输入e=x-xd为期望状态变量xd和实际状态变量x间的误差,B为小型无人旋翼机控制状态转移矩阵,αw为自适应神经网络的控制残差上限阈值,i*为相应矩阵的第i个行向量,*i为相应矩阵的第i个列向量,s(e)为自适应神经网络隐含层的节点函数,定义为高斯函数,其相应第j个隐含层的节点函数表达式如下:
其中,μj,分别为自适应神经网络隐含层高斯函数的中心值和宽度,l为自适应神经网络隐含层的隐含节点数;
(3)设计自适应阈值优化策略,基于时间窗口内的实际位置与期望位置的误差均方差,对自适应神经网络的控制残差上限阈值进行在线更新,实现复杂环境下的小型无人旋翼机高精度姿态控制。
2.根据权利要求1所述的基于自适应神经网络的小型无人旋翼机高精度控制方法,其特征在于:所述步骤(3)构建自适应阈值优化策略定义如下:
式中αw为当前时间窗口采样周期内自适应神经网络的控制残差上限阈值;αw-1为上一时间窗口采样周期内自适应神经网络的控制残差上限阈值;αw-2为上二时间窗口采样周期内自适应神经网络的控制残差上限阈值;χk为上一时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的均方差;χk-t为上二时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的均方差;eei为时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的差值;t为时间窗口采样周期内采样点数;k1为控制参数,η1,η2分别为时间窗口采样周期内小型无人旋翼机实际位置xxm与期望位置xxd的最大绝对误差值和平均误差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310347956.4A CN103412488B (zh) | 2013-08-12 | 2013-08-12 | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310347956.4A CN103412488B (zh) | 2013-08-12 | 2013-08-12 | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103412488A CN103412488A (zh) | 2013-11-27 |
CN103412488B true CN103412488B (zh) | 2018-10-30 |
Family
ID=49605513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310347956.4A Active CN103412488B (zh) | 2013-08-12 | 2013-08-12 | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103412488B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865829B (zh) * | 2015-03-26 | 2017-06-23 | 哈尔滨工业大学 | 多机器人***分布式自适应神经网络连续跟踪控制方法 |
CN104880945B (zh) * | 2015-03-31 | 2018-05-29 | 成都市优艾维机器人科技有限公司 | 基于神经网络的旋翼无人机的自适应逆控制方法 |
CN105785762B (zh) * | 2016-03-17 | 2020-12-11 | 北京航空航天大学 | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 |
CN105843243B (zh) * | 2016-05-06 | 2019-02-22 | 深圳一电航空技术有限公司 | 多旋翼飞行器的控制方法、装置及多旋翼飞行器 |
CN106094518B (zh) * | 2016-06-22 | 2018-12-21 | 北京航空航天大学 | 一种基于非概率可靠性优化的结构振动极点配置控制方法 |
CN106682733B (zh) * | 2016-11-07 | 2018-10-19 | 上海资誉电子科技有限公司 | 无人机运动状态分析方法和装置 |
CN110832408B (zh) * | 2017-07-03 | 2022-03-25 | 深圳市大疆创新科技有限公司 | 通过飞行器的基于神经网络的图像目标跟踪 |
CN108032994A (zh) * | 2017-12-06 | 2018-05-15 | 余姚市荣事特电子有限公司 | 一种无人直升机 |
CN107985569A (zh) * | 2017-12-06 | 2018-05-04 | 余姚市荣事特电子有限公司 | 一种无人机 |
CN108563124B (zh) * | 2018-04-26 | 2021-01-05 | 宋永端 | 基于api可用户设置轨迹的旋翼无人机自适应控制方法 |
CN109375642B (zh) * | 2018-09-20 | 2021-06-22 | 太原理工大学 | 一种无人机节能控制方法 |
CN112445238B (zh) * | 2020-11-19 | 2021-09-10 | 西南大学 | 一种基于神经网络的无人机循迹*** |
CN113267998B (zh) * | 2021-03-19 | 2024-02-02 | 北京航空航天大学 | 一种用于原子陀螺温控***的高精度建模和控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07277286A (ja) * | 1994-04-11 | 1995-10-24 | Mitsubishi Heavy Ind Ltd | 航空機用学習型飛行制御装置 |
EP0901053A1 (en) * | 1997-09-04 | 1999-03-10 | Rijksuniversiteit te Groningen | Method for modelling and/or controlling a production process using a neural network and controller for a production process |
US6092919A (en) * | 1995-08-01 | 2000-07-25 | Guided Systems Technologies, Inc. | System and method for adaptive control of uncertain nonlinear processes |
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
CN102289714A (zh) * | 2011-06-02 | 2011-12-21 | 北京航空航天大学 | 一种基于行为模型的小型无人旋翼机自主起降控制方法 |
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
CN102411305A (zh) * | 2011-11-11 | 2012-04-11 | 南京航空航天大学 | 单旋翼直升机/涡轴发动机综合抗扰控制***设计方法 |
-
2013
- 2013-08-12 CN CN201310347956.4A patent/CN103412488B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07277286A (ja) * | 1994-04-11 | 1995-10-24 | Mitsubishi Heavy Ind Ltd | 航空機用学習型飛行制御装置 |
US6092919A (en) * | 1995-08-01 | 2000-07-25 | Guided Systems Technologies, Inc. | System and method for adaptive control of uncertain nonlinear processes |
EP0901053A1 (en) * | 1997-09-04 | 1999-03-10 | Rijksuniversiteit te Groningen | Method for modelling and/or controlling a production process using a neural network and controller for a production process |
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
CN102289714A (zh) * | 2011-06-02 | 2011-12-21 | 北京航空航天大学 | 一种基于行为模型的小型无人旋翼机自主起降控制方法 |
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
CN102411305A (zh) * | 2011-11-11 | 2012-04-11 | 南京航空航天大学 | 单旋翼直升机/涡轴发动机综合抗扰控制***设计方法 |
Non-Patent Citations (3)
Title |
---|
Neural networks as a tool for the assessment of human pilot behavkmr in wind shear;D. Martens 等;《Aerospace Science and Technology》;19991231;第39-48页 * |
The errors in simultaneous approximation by feed-forward neural networks;Tingfan Xie 等;《Neurocomputing》;20100131;第903-907页 * |
无人旋翼飞行器自适应飞行控制***设计与仿真;夏青元 等;《机器人》;20130131;第35卷(第1期);第98-106页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103412488A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103412488B (zh) | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 | |
Poksawat et al. | Gain scheduled attitude control of fixed-wing UAV with automatic controller tuning | |
CN109324636B (zh) | 基于二阶一致性和自抗扰的多四旋翼主从式协同编队控制方法 | |
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN105607473B (zh) | 小型无人直升机的姿态误差快速收敛自适应控制方法 | |
CN102289714B (zh) | 一种基于行为模型的小型无人旋翼机自主起降控制方法 | |
CN103838145B (zh) | 基于级联观测器的垂直起降飞机鲁棒容错控制***及方法 | |
Santoso et al. | Hybrid PD-fuzzy and PD controllers for trajectory tracking of a quadrotor unmanned aerial vehicle: Autopilot designs and real-time flight tests | |
Ambroziak et al. | Two stage switching control for autonomous formation flight of unmanned aerial vehicles | |
CN105785762A (zh) | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 | |
CN109828602A (zh) | 一种基于观测补偿技术的航迹回路非线性模型变换方法 | |
Gavrilovic et al. | Performance improvement of small unmanned aerial vehicles through gust energy harvesting | |
Bian et al. | Control parameter tuning for aircraft crosswind landing via multi-solution particle swarm optimization | |
CN102566446B (zh) | 基于线性模型组的无人直升机全包线数学模型构建方法 | |
CN112068594A (zh) | 一种基于jaya算法优化的小型无人直升机航向控制方法 | |
Song et al. | A singularity‐free online neural network‐based sliding mode control of the fixed‐wing unmanned aerial vehicle optimal perching maneuver | |
CN103809446B (zh) | 飞行器多回路模型簇颤振抑制复合频率鲁棒控制器设计方法 | |
Guerra-Langan et al. | Reinforcement learning to control lift coefficient using distributed sensors on a wind tunnel model | |
Zhu et al. | Landing control of fixed-wing uav based on adrc | |
CN103809448B (zh) | 飞行器多回路模型簇颤振抑制复合根轨迹补偿鲁棒控制器设计方法 | |
CN103777523B (zh) | 飞行器多回路模型簇复合pid鲁棒控制器设计方法 | |
CN103809433B (zh) | 飞行器多回路模型簇复合根轨迹多级pid鲁棒控制器设计方法 | |
Bhar et al. | Improved modular UAV autopilot simulator for Pinguin BE aircraft | |
Vijaya Kumar et al. | Neural network based feedback error controller for helicopter | |
Zhang et al. | Robust controller design for a morphing aircraft based on SRAD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |