CN110703603A - 一种无人机多层递归收敛神经网络控制器的控制方法 - Google Patents
一种无人机多层递归收敛神经网络控制器的控制方法 Download PDFInfo
- Publication number
- CN110703603A CN110703603A CN201911030211.9A CN201911030211A CN110703603A CN 110703603 A CN110703603 A CN 110703603A CN 201911030211 A CN201911030211 A CN 201911030211A CN 110703603 A CN110703603 A CN 110703603A
- Authority
- CN
- China
- Prior art keywords
- controller
- unmanned aerial
- aerial vehicle
- follows
- control
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机多层递归收敛神经网络控制器的控制方法,该方法包括下述步骤:构建融合电机滞后效应的无人机模型;基于无人机模型,采用递归收敛神经动力学的方法设计无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器;将控制目标和无人机传感器采集到的无人机状态信息输入到各个无人机的控制器,各个无人机的控制器输出控制分量;控制器的输出控制分量经过转换后,传输至无人机电机调速器,无人机电机调速器控制无人机飞行。本发明基于递归收敛神经动力学方法,可快速、准确、实时地逼近问题正确解,得到的控制器可以很好地控制无人机跟踪时变轨迹。
Description
技术领域
本发明涉及无人机控制器技术领域,特别涉及一种无人机多层递归收敛神经网络控制器的控制方法。
背景技术
无人机(UAV)是当今搜索救援、监视、测绘和三维建模等领域的重要工具,其中四旋翼无人机具有垂直起降、悬停和高灵活性等优点,在实践中发挥着越来越重要的作用。
四旋翼无人机最常用的控制器是基于偏差的比例积分微分(PID)控制器,具有很强的实用性,由于积分项的作用,PID控制器的稳态误差在跟踪静态目标时可以收敛到零。但积分项要花很长时间才能起作用,这导致PID控制器不适合跟踪动态目标。此外,一些基于PID的控制器,如模糊逻辑PID控制器、容错PID控制器、智能PID控制器等,由于仍然依赖积分项来消除稳态误差,因而在跟踪时变目标时有延迟。
近年来,无人机控制器设计的另一个潜在分支是神经动力学方法的应用,传统的神经动力学控制器的设计方法有零化动力学方法和梯度动力学方法(简称ZD-GD方法),但这些在旋翼无人机上的应用存在着缺陷,即没有考虑电机的滞后效应,而只是直接将力矩作为控制变量,无法很好地控制无人机跟踪时变轨迹。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种无人机多层递归收敛神经网络控制器的控制方法,本发明基于递归收敛神经动力学方法,可快速、准确、实时地逼近问题正确解,得到的控制器可以很好地控制无人机跟踪时变轨迹。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种无人机多层递归收敛神经网络控制器的控制方法,包括下述步骤:
构建无人机模型,所述无人机模型融合电机滞后效应;
基于无人机模型,采用递归收敛神经动力学的方法设计无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器;
将控制目标参数和无人机传感器采集到的无人机状态信息输入到各个无人机的控制器,所述各个无人机的控制器输出控制分量;
所述控制器的输出控制分量经过转换后,传输至无人机电机调速器,所述无人机电机调速器控制无人机飞行。
作为优选的技术方案,所述构建无人机模型的具体步骤为:
设定状态变量为:
xθ1=θ,xθ3=ΔΩθ,
xψ1=ψ,xψ2=ψ,xψ3=ΔΩψ,
xz1=z,xz3=ΔΩz,
xx1=x,
其中,ψ表示偏航角,θ表示横滚角、θ表示俯仰角;
构建高度状态方程为:
其中,az1=8CθCφCLΩ0/m,az2=4CθCφCL/m,az3=CD/m,az4=-1/T,az5=k/T,Sθ、Cθ、Sφ、Cφ、Sψ和Cψ分别表示sin(θ)、cos(θ)、sin(φ)、cos(φ)、sin(ψ)和cos(ψ),CL表示螺旋桨的升力系数,CD表示无人机的阻力系数,m表示无人机整体重量,k表示电机的增益,T表示电机的时间常数,Δuz表示Z轴方向的控制分量;
构建偏航角状态方程为:
其中,aψ1=(JX-JY)/JZ,aψ2=8CIΩ0/JZ,aψ3=-1/T,aψ4=k/T,JX、JY和JZ表示无人机分别绕ox,oy和oz轴旋转的惯量,CI表示螺旋桨的反力矩惯量系数,Ω0表示无人机悬停时电机的转速,Δuψ表示偏航角的控制分量;
构建俯仰角的状态方程为:
其中,aθ1=(JZ-JX)/JY,aθ2=4JP/JY,aθ3=4CLΩ0l/JY,aθ4=-1/T,aθ5=k/T,JP是螺旋桨的转动惯量,l表示无人机机臂的长度,Δuθ表示俯仰角的控制分量;
构建横滚角的状态方程为:
其中,aφ1=(JY-JZ)/JX,aφ2=-4JP/JX,aφ3=4CLΩ0l/JX,aφ4=-1/T,aφ5=k/T,Δuφ表示横滚角的控制分量;
构建X方向状态方程为:
其中ax1=g,ax2=CD/m,ux=(CψSθCφ+SψSφ)/CθCφ;
构建Y方向状态方程为:
其中ay1=g,ay2=CD/m,uy=(SψSθCφ-CψSφ)/CθCφ。
作为优选的技术方案,所述采用递归收敛神经动力学的方法设计无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器,具体步骤为:
m表示无人机整体重量,T表示电机的时间常数,CD表示无人机的阻力系数,CL表示升力系数,Cθ、Cφ和Cψ分别代表cos(θ)、cos(φ)和cos(ψ),Ω0表示无人机悬停时单个螺旋桨的转速;
JX,JY和JZ表示阻碍无人机分别绕ox,oy和oz轴旋转的固有惯性力矩,CI表示由空气密度和螺旋桨数量决定的反扭矩系数常数;
所述俯仰角方向的控制器和横滚角方向的控制器的输入值由X控制器和Y控制器的输出转化得到,具体转化过程表示为:
xθ1T=arctan(uxcos(xψ1)+uysin(xψ1))
xφ1T=arctan(uxsin(xψ1)-uycos(xψ1))cos(xθ1T)
作为优选的技术方案,设计高度方向的控制器的具体步骤为:
定义第一误差函数为:ez1=xz1-xz1T,其中,xz1表示实际高度值,xz1T表示目标高度值,采用神经动态方法构建收敛的第一微分神经动力学方程为:
作为优选的技术方案,所述各个无人机的控制器输出控制分量,具体步骤为:
获取无人机传感器采集到的无人机状态信息,将控制目标参数输入到高度控制器和偏航角控制器,得到无人机高度控制分量和偏航角控制分量;
将所述无人机状态信息、控制目标参数、无人机高度和偏航角控制分量输入到X控制器和Y控制器中,得到X、Y控制分量;
采用反解法计算出满足X、Y控制分量的横滚角和俯仰角,用作横滚角控制器和俯仰角控制器的控制目标;
横滚角控制器和俯仰角控制器计算输出横滚角控制分量和俯仰角控制分量;
将所述高度控制分量、偏航角控制分量、横滚角控制分量和俯仰角控制分量传输至无人机电机调速器,控制无人机飞行。
作为优选的技术方案,所述控制器的输出控制分量经过转换后,传输至无人机电机调速器,所述转换的具体过程为:
其中Um1(s)~Um4(s)分别为四个电机的控制量。
作为优选的技术方案,还包括状态反馈步骤,具体步骤为:
无人机设置姿态及位置传感器进行无人机状态采集,并将采集的状态变量发送至无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器;
无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器根据接收到的状态变量作为输入变量,并更新当前状态。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明基于递归收敛神经动力学方法,可快速、准确、实时地逼近问题正确解,得到的控制器可以很好地控制无人机跟踪时变轨迹。
(2)本发明的控制器在设计过程中使用了考虑螺旋桨的惯性,更加符合实际的模型,得到的控制信号更加精确。
(3)本发明的控制器由于考虑了无人机电机模型,可以直接得到电机层面的控制信号,达到了控制信号可以通过矩阵运算可以直接作为电机的输入信号的技术效果。
附图说明
图1为本实施例无人机机体坐标系图;
图2为本实施例无人机多层递归收敛神经网络控制器结构示意框图;
图3为本实施例无人机跟踪结果的三维图;
图4为本实施例无人机跟踪结果的上视图;
图5为本实施例无人机跟踪结果的侧视图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例
本实施例提供一种无人机多层递归收敛神经网络控制器控制方法,无人机选用四旋翼无人机,控制方法具体包括如下步骤:
S1:建立无人机模型,并将电机的滞后效应融合在无人机模型中;
S2:基于步骤S1中的无人机模型,采用递归收敛神经动力学的方法设计高度Z控制器、偏航角ψ控制器、横滚角φ控制器、俯仰角θ控制器、X控制器、Y控制器;
S3:将控制目标和由无人机携带的传感器得到的实际***的状态信息输入控制器,由控制器计算出控制分量;
S4:由步骤S3中控制分量经过转换后传递给飞行器电机调速器控制无人飞行器运动。
具体地,步骤S1中无人机建模过程如下:
如图1所示,为准备建模,定义无人机变量和坐标,将x轴的正方向作为无人机的前向,将描述四旋翼无人机姿态的欧拉角定义为如下:
ψ表示偏航角(围绕oz旋转);
θ表示俯仰角(围绕oy旋转);
φ表示滚动角度(围绕ox旋转);
本实施例采用x、y和z来表示无人机的位置坐标,无人机的动力学方程可以描述如下:
其中,m表示无人机的总质量,缩写Sθ,Cθ,Sφ,Cφ,Sψ和Cψ分别代表sin(θ),cos(θ),sin(φ),cos(φ),sin(ψ)和cos(ψ),g是重力加速度,CL一个常量值称为升力系数,Ω表示电机角速度,CD表示阻力指数,ith表示第i个,组合表示第i个螺旋桨提供的升力,表示x方向的空气阻力,表示y方向的空气阻力,表示z方向的空气阻力;
转动动力学描述为:
其中,JX,JY和JZ为阻碍无人机分别绕ox,oy和oz轴旋转的固有惯性力矩,JP为螺旋桨的惯性力矩,Ωr=-Ω1+Ω2-Ω3+Ω4,CI是由空气密度和螺旋桨数量决定的反扭矩系数常数,此外, 和是力矩,分别记作U1,U2,U3和U4;
在本实施例中,无人机的第i个电机可以描述为一阶惯性模型,即
其中k为比例系数,T为积分时间常数,即电机的时间常数,Umi为控制器输出的控制变量;本实施例中的控制器输出需要经过公式(4)转换为各个电机的输入,这里将Umi统一为电机的输入电压;
每个电机的输入电压Umi由uz、uφ、uθ和uψ组成,分别代表电机总输入中高度、横摇角、俯仰角、偏航角控制的分量,电机输入与各个控制变量之间的具体关系如下:
其中,Um1、Um2、Um3、Um4分别为第1,2,3,4个电机的输入电压;
将公式(4)代入公式(3),可以得到转速输出矩阵为:
上式中的所有变量都在复数域中(为便于书写,s被省略),在公式(5)中,Ωz(s),Ωψ(s),Ωφ(s)和Ωθ(s)的定义分别是Ωz(s):=k/(1+Ts)uz(s),Ωψ(s):=k/(1+Ts)uψ(s),Ωφ(s):=k/(1+Ts)uφ(s)和Ωθ(s):=k/(1+Ts)uθ(s),分别表示转速的高、偏航角、横摇角和俯仰角分量,建模过程需要使用各自的增量形式,如下所示:
为了更好地表达随后的状态方程,定义状态变量如下:
xψ1=ψ,xψ2=ψ,xψ3=ΔΩψ,
如果无人机保持悬停,可以得到:
高度控制分量的变化,即Δuz,将导致转子速度的变化ΔΩz,然后无人机的动力学方程的公式(1)的第三个方程变为:
基于公式(7),高度模型为:
结合公式(6)的第一方程和高度模型(9),得到高度模型的状态方程为:
其中,az1=8CθCφCLΩ0/m,az2=4CθCφCL/m,az3=CD/m,az4=-1/T,az5=k/T,CD表示阻力指数;
偏航角控制部件的变化,即Δuψ,引起转子转速的变化ΔΩψ,这使得
将公式(6)和公式(11)的第二个方程代入公式(2)的第三个方程,可以得到偏航角模型的状态方程,即:
其中aψ1=(JX-JY)/JZ,aψ2=8CIΩ0/JZ,aψ3=-1/T,aψ4=k/T。
无人机在水平方向上的运动(即x和y)取决于姿态角的移动(即θ和φ),本实施例对俯仰角模型、侧倾角模型、x模型和y模型进行说明:
首先,提出了俯仰角模型和横滚角模型,根据公式(2),Ωr同时存在于俯仰角模型和横滚角模型中;
偏航角的转子速度分量的变化,即ΔΩψ,将带来Ωr的变化,Ωr可重写为
Ωr=-Ω1+Ω2-Ω3+Ω4=4ΔΩψ (13)
俯仰角控制分量的变化Δuθ会引起转子转速的变化ΔΩθ,
将公式(13)、公式(14)和公式(6)的第四方程代入公式(2)的第二个方程,得到俯仰角模型的状态方程:
其中,aθ1=(JZ-JX)/JY,aθ2=4JP/JY,aθ3=4CLΩ0l/JY,aθ4=-1/T,aθ5=k/T;
同样,可以得到横滚角模型的状态方程:
其中,aφ1=(JY-JZ)/JX,aφ2=-4JP/JX,aφ3=4CLΩ0l/JX,aφ4=-1/T,aφ5=k/T;
其次,建立水平方向的速度模型和位置模型,假设无人机水平移动时保持一定高度,则公式(1)的第三个方程可以转化为:
将公式(17)代入公式(1)的第一个方程,可以得到x模型的状态方程为:
其中,ax1=g,ax2=CD/m,ux=(CψSθCφ+SψSφ)/CθCφ;
将公式(17)代入公式(1)的第二个方程,可以得到y模型的状态方程:
其中,ay1=g,ay2=CD/m,uy=(SψSθCφ-CψSφ)/CθCφ;
步骤S2中使用递归收敛神经动力学方法设计高度Z,偏航角ψ,横滚角φ、俯仰角θ,X,Y控制器步骤如下:
控制器的设计过程分为两部分,第一部分设计了高度控制器和偏航角控制器;第二部分设计了水平方向的位置控制器(俯仰角控制器、横滚角控制器、X控制器和Y控制器);
首先,误差函数定义为ez1=xz1-xz1T,其中xz1是实际高度值,xz1T是目标高度值,为了确保xz1收敛到xz1T,使用以下神经动态设计公式,即:
为了简单起见,本实施例使用az来表示λ为一个常数,用于调节控制器的收敛速度,然后公式(21)可以简化为
一般来说,方程(22)在初始时间不能始终保持为真,并且方程(22)中没有控制变量Δuz来影响该方程,因此,再次应用神经动力学方法来保证方程(22)成立;
本实施例可以得到
与方程(22)类似,等式(25)在初始时间并不总是成立的。此外,控制变量不包含在等式(25)中,应再次使用神经动态方法;
可以得到
值得注意的是公式(27)包含的是的三阶导数,这意味着高度模型(10)的控制值可以影响公式(27),将公式(10)代入公式(27),本实施例可以得到:
czΔuz+dz=0 (28)
其中cz=az1az5+2az2az5xz3,
本实施例可以得到神经动力学方程
由于方程(30)包含迭代计算的控制变量Δuz,因此可以得到神经动态方程,完成了高度控制器的设计过程。方程(30)即为得到的高度控制器,高度控制器中的状态变量可由无人机自身携带的姿态及位置传感器得到,如图(4)所示,姿态及位置传感器不断更新状态变量,发送到各个控制器中,从而各个控制器获知当前状态变量。
偏航角控制器的设计过程与高度控制器类似,下面给出了偏航角控制器,省略了设计过程。
综上,高度控制器和偏航角控制器设计完成。
姿态控制器是位置控制器的设计基础,与高度控制器的设计过程类似,设计了横滚角和俯仰角控制器如下:
其中
cφ=aφ3aφ5
和
cθ=aθ3aθ5
无人机的运动方向分别取决于俯仰角和横滚角的变化。将神经动力学方法应用于(18)和(19),可以得到X控制器和Y控制器如下
其中
cx=ax1
和
然后ux和uy可以从(34)和(35)中得到并可用于跟踪时变轨迹。这里,ux和uy是无人机的中间变量,不能直接用来控制发动机,从(18)和(19),可知ux=(CψSθCφ+SψSφ)/CθCφ,uy=(SψSθCφ-CψSφ)/CθCφ,这意味着可以使用其它变量,例如,xθ1和xφ1,来满足ux和uy的值,为此,采用反解法
xθ1=arctan(uxcos(xψ1)+uysin(xψ1))
xφ1=arctan((uxsin(xψ1)-uycos(xψ1))cos(xθ1)). (36)
这样,将位置控制问题转化为姿态控制问题。只要姿态控制器,即俯仰角控制器和横滚角控制器,使(36)保持不变,并且ux和uy都能达到它们的值,无人机就可以移动到目标位置,所以为了满足位置控制器在x和y方向上的跟踪目标,姿态角的目标值可以设置为:
xθ1T=arctan(uxcos(xψ1)+uysin(xψ1))
xφ1T=arctan((uxsin(xψ1)-uycos(xψ1))cos(xθ1T)) (37)
其中xψ1是由偏航角控制器控制的状态值。在实际应用中,滚转角和俯仰角不会超过的范围-π/2~π/2,因为如果其中一个达到-π/2或π/2,螺旋桨将不会产生向上的力,无人机会因为重力的作用而坠落,因此,应该在-π/2和π/2和之间选择xθ1T和xφ1T。
步骤S3中使用递归收敛神经动力学方法得到的高度Z,偏航角ψ,横滚角φ、俯仰角θ,X,Y控制器控制分量的输出实现如下:
如图2所示,首先通过机载的传感器获取飞行器自身的飞行实时状态信息,并将控制目标输入高度Z和偏航角ψ控制器,得到Z、ψ控制分量;其次,将传感器信息,控制目标和高度及偏航角控制分量输入X、Y控制器,得到X、Y控制分量;之后,利用反解法解出满足X、Y控制分量的横滚角φ、俯仰角θ值,作为φ、θ控制器的控制目标;最后,由φ、θ控制器计算出φ、θ控制分量,将φ、θ控制分量和Z、ψ控制分量传递给飞行器电机调速器控制无人飞行器运动。
最后,四个控制变量,即Δuψ,Δuz,Δuθ和Δuφ,被用来向无刷电机产生控制信号。如果给定这些控制变量的初始值,则可以获得uψ,uz,uθ和uφ,并且计算规则如下:
如图3、图4、图5所示,无人机可以很好地跟踪三维的时变轨迹,当无人机到达目标轨迹后,跟踪轨迹与目标轨迹几乎完全重合,说明了跟踪的精确性。同时可以看到,跟踪轨迹不存在超调,跟踪的稳定性能较好,其中,图中的各个坐标数值的单位是:米(m),
在本实施例中,状态反馈具体为:无人机设置姿态及位置传感器进行无人机状态采集,并将采集的状态变量发送至无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器;
无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器根据接收到的状态变量作为输入变量,并更新当前状态。
本实施例基于递归收敛神经动力学方法,可快速、准确、实时地逼近问题正确解,得到的控制器可以很好地控制无人机跟踪时变轨迹。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种无人机多层递归收敛神经网络控制器的控制方法,其特征在于,包括下述步骤:
构建无人机模型,所述无人机模型融合电机滞后效应;
基于无人机模型,采用递归收敛神经动力学的方法设计无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器;
将控制目标参数和无人机传感器采集到的无人机状态信息输入到各个无人机的控制器,所述各个无人机的控制器输出控制分量;
所述控制器的输出控制分量经过转换后,传输至无人机电机调速器,所述无人机电机调速器控制无人机飞行。
2.根据权利要求1所述的无人机多层递归收敛神经网络控制器的控制方法,其特征在于,所述构建无人机模型的具体步骤为:
设定状态变量为:
xψ1=ψ,xψ2=ψ,xψ3=ΔΩψ,
其中,ψ表示偏航角,θ表示横滚角、θ表示俯仰角;
构建高度状态方程为:
其中,az1=8CθCφCLΩ0/m,az2=4CθCφCL/m,az3=CD/m,az4=-1/T,az5=k/T,Sθ、Cθ、Sφ、Cφ、Sψ和Cψ分别表示sin(θ)、cos(θ)、sin(φ)、cos(φ)、sin(ψ)和cos(ψ),CL表示螺旋桨的升力系数,CD表示无人机的阻力系数,m表示无人机整体重量,k表示电机的增益,T表示电机的时间常数,Δuz表示Z轴方向的控制分量;
构建偏航角状态方程为:
其中,aψ1=(JX-JY)/JZ,aψ2=8CIΩ0/JZ,aψ3=-1/T,aψ4=k/T,JX、JY和JZ表示无人机分别绕ox,oy和oz轴旋转的惯量,CI表示螺旋桨的反力矩惯量系数,Ω0表示无人机悬停时电机的转速,Δuψ表示偏航角的控制分量;
构建俯仰角的状态方程为:
其中,aθ1=(JZ-JX)/JY,aθ2=4JP/JY,aθ3=4CLΩ0l/JY,aθ4=-1/T,aθ5=k/T,JP是螺旋桨的转动惯量,l表示无人机机臂的长度,Δuθ表示俯仰角的控制分量;
构建横滚角的状态方程为:
其中,aφ1=(JY-JZ)/JX,aφ2=-4JP/JX,aφ3=4CLΩ0l/JX,aφ4=-1/T,aφ5=k/T,Δuφ表示横滚角的控制分量;
构建X方向状态方程为:
其中ax1=g,ax2=CD/m,ux=(CψSθCφ+SψSφ)/CθCφ;
构建Y方向状态方程为:
其中ay1=g,ay2=CD/m,uy=(SψSθCφ-CψSφ)/CθCφ。
3.根据权利要求1所述的无人机多层递归收敛神经网络控制器的控制方法,其特征在于,所述采用递归收敛神经动力学的方法设计无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器,具体步骤为:
其中,cz=az1az5+2az2az5xz3,az1=8CθCφCLΩ0/m,az2=4CθCφCL/m,az3=CD/m,az4=-1/T,az5=k/T,m表示无人机整体重量,T表示电机的时间常数,CD表示无人机的阻力系数,CL表示升力系数,Cθ、Cφ和Cψ分别代表cos(θ)、cos(φ)和cos(ψ),Ω0表示无人机悬停时单个螺旋桨的转速;
JX,JY和JZ表示阻碍无人机分别绕ox,oy和oz轴旋转的固有惯性力矩,CI表示由空气密度和螺旋桨数量决定的反扭矩系数常数;
其中,cθ=aθ3aθ5,aθ1=(JZ-JX)/JY,aθ2=4JP/JY,aθ3=4CLΩ0l/JY,aθ4=-1/T,aθ5=k/T,l表示无人机机臂的长度;
所述俯仰角方向的控制器和横滚角方向的控制器的输入值由X控制器和Y控制器的输出转化得到,具体转化过程表示为:
xθ1T=arctan(uxcos(xψ1)+uysin(xψ1))
xφ1T=arctan(uxsin(xψ1)-uycos(xψ1))cos(xθ1T)。
4.根据权利要求3所述的无人机多层递归收敛神经网络控制器的控制方法,其特征在于,
设计高度方向的控制器的具体步骤为:
定义第一误差函数为:ez1=xz1-xz1T,其中,xz1表示实际高度值,xz1T表示目标高度值,采用神经动态方法构建收敛的第一微分神经动力学方程为:
5.根据权利要求1所述的无人机多层递归收敛神经网络控制器的控制方法,其特征在于,所述各个无人机的控制器输出控制分量,具体步骤为:
获取无人机传感器采集到的无人机状态信息,将控制目标参数输入到高度控制器和偏航角控制器,得到无人机高度控制分量和偏航角控制分量;
将所述无人机状态信息、控制目标参数、无人机高度和偏航角控制分量输入到X控制器和Y控制器中,得到X、Y控制分量;
采用反解法计算出满足X、Y控制分量的横滚角和俯仰角,用作横滚角控制器和俯仰角控制器的控制目标;
横滚角控制器和俯仰角控制器计算输出横滚角控制分量和俯仰角控制分量;
将所述高度控制分量、偏航角控制分量、横滚角控制分量和俯仰角控制分量传输至无人机电机调速器,控制无人机飞行。
7.根据权利要求1所述的无人机多层递归收敛神经网络控制器的控制方法,其特征在于,还包括状态反馈步骤,具体步骤为:
无人机设置姿态及位置传感器进行无人机状态采集,并将采集的状态变量发送至无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器;
无人机的高度控制器、偏航角控制器、横滚角控制器、俯仰角控制器、X控制器和Y控制器根据接收到的状态变量作为输入变量,并更新当前状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030211.9A CN110703603B (zh) | 2019-10-28 | 2019-10-28 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030211.9A CN110703603B (zh) | 2019-10-28 | 2019-10-28 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703603A true CN110703603A (zh) | 2020-01-17 |
CN110703603B CN110703603B (zh) | 2020-11-24 |
Family
ID=69203697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911030211.9A Active CN110703603B (zh) | 2019-10-28 | 2019-10-28 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703603B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034869A (zh) * | 2020-08-17 | 2020-12-04 | 华南理工大学 | 一种无人机变参神经动力学控制器的设计方法及其应用 |
CN112233785A (zh) * | 2020-07-08 | 2021-01-15 | 华南理工大学 | 一种帕金森症的智能识别方法 |
CN113359440A (zh) * | 2021-05-24 | 2021-09-07 | 华南理工大学 | 基于多层积分神经动力学的多旋翼无人机控制器设计方法 |
CN117891177A (zh) * | 2024-03-15 | 2024-04-16 | 国网浙江省电力有限公司宁波供电公司 | 无人机控制器模型构建方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5857321A (en) * | 1996-06-11 | 1999-01-12 | General Electric Company | Controller with neural network for estimating gas turbine internal cycle parameters |
CN105446136A (zh) * | 2015-11-18 | 2016-03-30 | 长安大学 | 基于不完全递归支集动态神经网络的船舶航向智能控制器 |
CN106094855A (zh) * | 2016-07-27 | 2016-11-09 | 浙江工业大学 | 一种四旋翼无人机的终端协同控制方法 |
CN106155076A (zh) * | 2016-08-23 | 2016-11-23 | 华南理工大学 | 一种多旋翼无人飞行器的稳定飞行控制方法 |
CN106597847A (zh) * | 2016-11-09 | 2017-04-26 | 南京航空航天大学 | 一种基于递归神经网络的机动载荷控制器及其控制方法 |
CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
CN109403425A (zh) * | 2017-08-16 | 2019-03-01 | 台湾优化水务股份有限公司 | 供水管网的优化调度*** |
CN109426146A (zh) * | 2017-08-23 | 2019-03-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 高超声速飞行器的高阶非奇异Terminal滑模控制方法 |
-
2019
- 2019-10-28 CN CN201911030211.9A patent/CN110703603B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5857321A (en) * | 1996-06-11 | 1999-01-12 | General Electric Company | Controller with neural network for estimating gas turbine internal cycle parameters |
CN105446136A (zh) * | 2015-11-18 | 2016-03-30 | 长安大学 | 基于不完全递归支集动态神经网络的船舶航向智能控制器 |
CN106094855A (zh) * | 2016-07-27 | 2016-11-09 | 浙江工业大学 | 一种四旋翼无人机的终端协同控制方法 |
CN106155076A (zh) * | 2016-08-23 | 2016-11-23 | 华南理工大学 | 一种多旋翼无人飞行器的稳定飞行控制方法 |
CN106597847A (zh) * | 2016-11-09 | 2017-04-26 | 南京航空航天大学 | 一种基于递归神经网络的机动载荷控制器及其控制方法 |
CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
CN109403425A (zh) * | 2017-08-16 | 2019-03-01 | 台湾优化水务股份有限公司 | 供水管网的优化调度*** |
CN109426146A (zh) * | 2017-08-23 | 2019-03-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 高超声速飞行器的高阶非奇异Terminal滑模控制方法 |
Non-Patent Citations (3)
Title |
---|
LIN XIAO 等: "A new recurrent neural network with noise-tolerance and finite-time convergence for dynamic quadratic minimization", 《NEUROCOMPUTING》 * |
陈向坚 等: "基于自结构动态递归模糊神经网络的无人机姿态控制", 《计算机应用研究》 * |
陈贵平 等: "基于递归小波神经网络的UAV姿态变结构优化控制", 《沈阳工业大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233785A (zh) * | 2020-07-08 | 2021-01-15 | 华南理工大学 | 一种帕金森症的智能识别方法 |
CN112233785B (zh) * | 2020-07-08 | 2022-04-22 | 华南理工大学 | 一种帕金森症的智能识别方法 |
CN112034869A (zh) * | 2020-08-17 | 2020-12-04 | 华南理工大学 | 一种无人机变参神经动力学控制器的设计方法及其应用 |
CN112034869B (zh) * | 2020-08-17 | 2022-06-14 | 华南理工大学 | 一种无人机变参神经动力学控制器的设计方法及其应用 |
CN113359440A (zh) * | 2021-05-24 | 2021-09-07 | 华南理工大学 | 基于多层积分神经动力学的多旋翼无人机控制器设计方法 |
CN113359440B (zh) * | 2021-05-24 | 2023-06-20 | 华南理工大学 | 基于多层积分神经动力学的多旋翼无人机控制器设计方法 |
CN117891177A (zh) * | 2024-03-15 | 2024-04-16 | 国网浙江省电力有限公司宁波供电公司 | 无人机控制器模型构建方法、装置、设备及存储介质 |
CN117891177B (zh) * | 2024-03-15 | 2024-07-23 | 国网浙江省电力有限公司宁波供电公司 | 无人机控制器模型构建方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110703603B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703603B (zh) | 一种无人机多层递归收敛神经网络控制器的控制方法 | |
Bisheban et al. | Geometric adaptive control with neural networks for a quadrotor in wind fields | |
Madani et al. | Sliding mode observer and backstepping control for a quadrotor unmanned aerial vehicles | |
Lippiello et al. | Emergency landing for a quadrotor in case of a propeller failure: A backstepping approach | |
WO2019024303A1 (zh) | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 | |
Lin et al. | A decoupling control for quadrotor UAV using dynamic surface control and sliding mode disturbance observer | |
CN106155076B (zh) | 一种多旋翼无人飞行器的稳定飞行控制方法 | |
Omari et al. | Hardware and software architecture for nonlinear control of multirotor helicopters | |
CN108638068B (zh) | 一种携带冗余度机械臂的飞行机器人控制***设计方法 | |
Madruga et al. | Aerodynamic effects compensation on multi-rotor UAVs based on a neural network control allocation approach | |
CN111026160B (zh) | 一种四旋翼无人机轨迹跟踪控制方法 | |
CN111459188B (zh) | 一种基于四元数的多旋翼非线性飞行控制方法 | |
CN112558621A (zh) | 一种基于解耦控制的飞行机械臂*** | |
Dinh et al. | Adaptive tracking control of a quadrotor unmanned vehicle | |
CN110377044B (zh) | 一种无人直升机的有限时间高度和姿态跟踪控制方法 | |
Zhang et al. | Discrete-time adaptive neural tracking control and its experiments for quadrotor unmanned aerial vehicle systems | |
Lee et al. | Design, implementation, and flight tests of a feedback linearization controller for multirotor UAVs | |
CN115366109A (zh) | 一种旋翼飞行机械臂复合分层抗干扰方法 | |
Emran et al. | Adaptive neural network control of quadrotor system under the presence of actuator constraints | |
Pollini et al. | Simulation and robust backstepping control of a quadrotor aircraft | |
CN111857171B (zh) | 一种基于质量自适应多层神经网络的无人机控制方法 | |
Mokhtari et al. | Sliding mode control for a small coaxial rotorcraft UAV | |
Nguyen et al. | Aerodynamic characteristics of quadrotor helicopter | |
Emran et al. | Global tracking control of quadrotor based on adaptive dynamic surface control | |
Qi et al. | Trajectory tracking strategy of quadrotor with output delay |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |