CN113253617A - 用于四旋翼无人机的在线自适应控制方法 - Google Patents

用于四旋翼无人机的在线自适应控制方法 Download PDF

Info

Publication number
CN113253617A
CN113253617A CN202110748953.6A CN202110748953A CN113253617A CN 113253617 A CN113253617 A CN 113253617A CN 202110748953 A CN202110748953 A CN 202110748953A CN 113253617 A CN113253617 A CN 113253617A
Authority
CN
China
Prior art keywords
model
subsystem
quad
fuzzy
attitude
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.)
Pending
Application number
CN202110748953.6A
Other languages
English (en)
Inventor
陆新江
徐博文
李增辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110748953.6A priority Critical patent/CN113253617A/zh
Publication of CN113253617A publication Critical patent/CN113253617A/zh
Pending legal-status Critical Current

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)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种用于四旋翼无人机的在线自适应控制方法，包括：基于四旋翼无人机的机理模型，分析模型的非线性耦合特性，引入中间变量对模型在位置和姿态两个环路上的耦合问题进行处理，得到外环位置子***和内环姿态子***；对所述外环位置子***，根据一阶跟踪误差，设计基于滑模控制算法的鲁棒控制器，该控制器引入指数逼近律作为鲁棒项，实现外环控制***对外部扰动的抑制；对所述内环姿态子***，为解决机理模型中不确定部分导致的建模偏差，设计模糊补偿策略，并建立基于模糊补偿的自适应模糊滑模控制器，用于模型参数的实时辨识和在线调整；根据所述外环位置子***和所述内环姿态子***分析证明四旋翼无人机的模型的稳定性。

Description

用于四旋翼无人机的在线自适应控制方法
技术领域
本发明涉及四旋翼无人机控制领域，特别涉及一种用于四旋翼无人机的在线自适应控制方法。
背景技术
近年来，四旋翼无人机在军事、农业、搜救、消防、环保和个人娱乐等领域得到了广泛的应用。无人机的普及得益于其安全性和机动性。与直升机和固定翼无人机相比，四旋翼具有垂直起降能力强、机动性强、机械结构简单、成本低等显著优点。此外，其尺寸和规格的灵活设计性能允许四旋翼快速适应给定行业的要求。尽管有这些优点，但在实际飞行环境中，四旋翼的理想轨迹跟踪性能总是受到不确定的内外非线性因素的影响。由于四旋翼***是一个典型的动态非线性***，具有强耦合和欠驱动的特点，并且由于机体振动和空气阻力的影响，模型存在不确定性，因此很难获得精确的***模型。
发明内容
本发明提供了一种用于四旋翼无人机的在线自适应控制方法，其目的是为了解决四旋翼无人机无法实现控制参数与机体状态的实时调节的问题。
为了达到上述目的，本发明的实施例提供了一种用于四旋翼无人机的在线自适应控制方法，包括：
基于四旋翼无人机的机理模型，分析模型的非线性耦合特性，引入中间变量对模型在位置和姿态两个环路上的耦合问题进行处理，得到外环位置子***和内环姿态子***；
对所述外环位置子***，根据一阶跟踪误差，设计基于滑模控制算法的鲁棒控制器，该控制器引入指数逼近律作为鲁棒项，实现外环控制***对外部扰动的抑制；
对所述内环姿态子***，设计针对模型不确定性的模糊补偿策略，并建立基于模糊补偿的自适应模糊滑模控制器，用于模型参数的实时辨识和在线调整；
根据所述外环位置子***和所述内环姿态子***分析证明四旋翼无人机的模型的稳定性。
其中，所述步骤1具体包括：
根据牛顿力学和牛顿-拉格朗日方程，四旋翼相对于惯性坐标系的动力学方程一般可表示为：
Figure 820385DEST_PATH_IMAGE001
（1）
通过引入两个虚拟变量𝑈𝑥和𝑈𝑦，对外环位置子***解耦；
Figure 677483DEST_PATH_IMAGE002
（2）
其中，
Figure 371769DEST_PATH_IMAGE003
施加了内外部扰动下的外环子***模型为：
Figure 711746DEST_PATH_IMAGE004
（3）
其中，
Figure 757062DEST_PATH_IMAGE005
表示***在x，y和z三个方向上的内部不确定性，
Figure 152272DEST_PATH_IMAGE006
代表实际环境中的阵风、突变因素导致的外部扰动；
对内环姿态子***解耦；
根据式（1）中的模型表达式，内环姿态子***的方程可表示为
Figure 701065DEST_PATH_IMAGE007
（4）
其中，
Figure 789106DEST_PATH_IMAGE008
。
其中，所述步骤2具体包括：
通过引入三个虚拟变量Ux、Uy和Uz，平移运动方程可以简化为：
Figure 56140DEST_PATH_IMAGE009
（5）
定义两个状态变量x1，x2，等式（5）可以重写为以下状态空间形式：
Figure 989460DEST_PATH_IMAGE010
（6）
其中，𝑈𝑥 = 𝑈1(𝑐𝑜𝑠𝜙𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜓 + 𝑠𝑖𝑛𝜙𝑠𝑖𝑛𝜓) ，𝑥1 , 𝑥2分别表示x方向上的速度和加速度，用于描述***在x方向上的运动状态𝑥方向；
定义一个虚拟变量𝛽，并引入一阶跟踪误差，
Figure 596022DEST_PATH_IMAGE011
（7）
定义两个误差变量𝑒1𝑥, 𝑒2𝑥，并设置
Figure 854965DEST_PATH_IMAGE012
（8）
引入滑模面
Figure 343715DEST_PATH_IMAGE013
，根据方程（8）得：
Figure 346307DEST_PATH_IMAGE014
（9）
利用指数逼近律来提高位置控制***的鲁棒性：
Figure 869692DEST_PATH_IMAGE015
（10）
最终得到控制量如下：
Figure 33957DEST_PATH_IMAGE016
定义李雅普诺夫函数
Figure 462533DEST_PATH_IMAGE017
，求导得：
Figure 3236DEST_PATH_IMAGE018
（11）
当满足
Figure 381128DEST_PATH_IMAGE019
使，滑动面s→0，位置控制子***是渐近稳定的；
进一步可计算y和z方向上的控制量：
Figure 981873DEST_PATH_IMAGE020
（12）。
其中，所述步骤3包括：
使用模糊补偿模型解决机理模型中不确定部分导致的建模偏差，建立基于模糊补偿的自适应模糊滑模控制器，用于模型参数的实时辨识和在线调整，所述自适应模糊滑模控制器采用改进的超扭曲算法，抑制控制***在滑模面上的抖振，通过将模糊模型和鲁棒滑模控制器集成到一个统一的框架中，实现对闭环控制***参数的实时辨识。
本发明的上述方案有如下的有益效果：
本发明的用于四旋翼无人机的在线自适应控制方法依赖于实际的机理模型，兼顾了模型内部不确定性和外部扰动，具有很好的鲁棒性。针对***的非线性耦合特性，将***解耦为内外环子***，充分考虑了各子***的特点和扰动特征，以独立地设计控制器，有效保证了控制过程的稳定性。在内环控制器的设计中，根据反馈补偿控制的思想，将模糊建模方法用于模型内部不确定性的自适应补偿，以有效还原真实***动态；在此基础上建立的自适应模糊滑模控制器，采用了改进的超扭曲算法，不仅能有效抑制控制***在滑模面上的抖振，也提高了整个闭环控制***的鲁棒性。
附图说明
图1为本发明的用于四旋翼无人机的在线自适应控制方法的流程示意图；
图2为本发明的用于四旋翼无人机的在线自适应控制方法的总体架构图；
图3为本发明的外环位置子***的鲁棒滑模控制方法的架构图；
图4为本发明的基于模糊补偿的内环姿态子***自适应滑模控制方法的架构图；
图5为本发明的所设计的在线模糊逼近模型结构图；
图6为本发明的自适应鲁棒滑模控制器的控制思路示意图；
图7为本发明的横滚角姿态跟踪结果与误差示意图；
图8为本发明的俯仰角姿态跟踪结果与误差示意图；
图9为本发明的航向角姿态跟踪结果与误差示意图；
图10为本发明的仿真中引入的高斯白噪声示意图；
图11为本发明的随机噪声下的轨迹跟踪结果示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1和图2所示，本发明的实施例提供了一种用于四旋翼无人机的在线自适应控制方法，包括：对于外环位置子***的模型特征，开发了基于滑模控制算法的鲁棒控制器；通过在该控制器中引入一阶跟踪误差的积分，并采用指数逼近律作为鲁棒项，实现外环控制***对外部扰动的抑制，有效提高了***的鲁棒跟踪性能。其次，对于内环姿态子***，为解决机理模型中不确定部分导致的建模偏差，设计了针对模型不确定性的模糊补偿策略，并建立基于模糊补偿的自适应模糊滑模控制器，用于模型参数的实时辨识和在线调整，该内环控制器采用改进的超扭曲算法，有效抑制了控制***在滑模面上的抖振。将这些子控制***集成到一个统一的闭环***中，并对整个***的一致稳定性进行了理论分析和严格证明，与几种常用方法相比，其优越的控制性能得以体现。
在对位置子***进行控制时，将姿态子***控制切换引起的抖振视为外部干扰，引入一阶跟踪误差的积分，以提高对外部干扰的鲁棒性。在进行姿态控制时，将位置子***控制切换引起的抖振视为外部干扰，引入模糊和超扭曲算法，保证***对干扰的鲁棒性。这样，控制切换引起的抖动被抑制。
1）四旋翼无人机模型的构建
根据牛顿力学和牛顿-拉格朗日方程，四旋翼相对于惯性坐标系的动力学方程一般可表示为：
Figure 74244DEST_PATH_IMAGE001
（1）
在实际飞行中，四旋翼的升力主要由螺旋桨的旋转产生。首先根据飞机的重力，通过反算得到每个螺旋桨的转速，使飞机通过四个螺旋桨来抵消自身重力，从而获得基本升力。然后，在基本推力的基础上，控制器主要进行增量式和减量式调节，即根据目标点与当前位置的偏差来调节四台电机的转速。如式（1）所示，旋转信息，，分别与U2、U3、U4有关；类似地，位置加速度ẍ, ÿ, z̈ 与U1，m，，，有关。实际问题可能导致模型和控制的困难：（1）实际飞行环境中阵风的不同形式，即突变、高频、旋风等，影响控制器的鲁棒性；（2）由空气阻力等外部因素引起的机体振动，可能导致模型的不确定性。一个有效的方法是对位置和姿态参数进行解耦，开发基于内外环子***的自适应控制算法。当跟踪目标轨迹时，外回路位置控制器将根据输入的目标轨迹和实际位置信息调用相应的算法来控制四旋翼的角度。将输出的规则速度偏差传递给内环姿态控制器。然后内环根据这个偏差来调整飞机的姿态，将推力信息传递给最终的执行单元。
A.外环位置子***解耦
通过引入两个虚拟变量𝑈𝑥以及𝑈𝑦，提出了一种解耦方法解决内外环控制***之间的耦合关系：
Figure 418638DEST_PATH_IMAGE002
（2）
其中，
Figure 916615DEST_PATH_IMAGE003
施加了内外部扰动下的外环子***模型为：
Figure 422683DEST_PATH_IMAGE004
（3）
其中，
Figure 638900DEST_PATH_IMAGE005
表示***在x，y和z三个方向上的内部不确定性，
Figure 521406DEST_PATH_IMAGE006
代表实际环境中的阵风、突变等因素导致的外部扰动。
B.内环姿态子***解耦
根据式（1）中的模型表达式，内环姿态子***的方程可表示为
Figure 811573DEST_PATH_IMAGE007
（4）
其中，
Figure 488542DEST_PATH_IMAGE008
。
2）外环位置控制器的构建
如（3）所述，通过引入三个虚拟变量Ux、Uy和Uz，平移运动方程可以简化为：
Figure 926476DEST_PATH_IMAGE009
（5）
虽然模型的不确定性和干扰在实际飞行中是不可预测的，不能作为先验知识来获取，但这些因素的影响却可以通过引入控制项减轻。这里构造一个鲁棒滑模控制器来实现三维精确稳定的运动，如图3所示。
以x方向为例来说明控制器的设计过程。该控制器通过设计虚拟变量来保证***渐近有界，使控制输出不仅能抑制干扰，而且能实现对参考信号的渐近跟踪。定义两个状态变量x1，x2，等式（5）可以重写为以下状态空间形式：
Figure 612673DEST_PATH_IMAGE010
（6）
其中，𝑈𝑥 = 𝑈1(𝑐𝑜𝑠𝜙𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜓 + 𝑠𝑖𝑛𝜙𝑠𝑖𝑛𝜓) ; 𝑥1 , 𝑥2分别表示x方向上的速度和加速度，用于描述***在x方向上的运动状态𝑥方向。受backstepping算法的启发，这里定义一个虚拟变量𝛽，并引入一阶跟踪误差，以保证跟踪的鲁棒性。
Figure 819663DEST_PATH_IMAGE011
（7）
定义两个误差变量𝑒1𝑥,𝑒2𝑥，并设置
Figure 120063DEST_PATH_IMAGE012
（8）
引入滑模面
Figure 45294DEST_PATH_IMAGE013
，根据方程（8）得：
Figure 269602DEST_PATH_IMAGE014
（9）
利用指数逼近律来提高位置控制***的鲁棒性：
Figure 596678DEST_PATH_IMAGE015
（10）
最终得到控制量如下：
Figure 881029DEST_PATH_IMAGE016
；
定义李雅普诺夫函数
Figure 965659DEST_PATH_IMAGE017
，求导得：
Figure 993658DEST_PATH_IMAGE018
（11）
当满足
Figure 175241DEST_PATH_IMAGE019
使，滑动面s→0，位置控制子***是渐近稳定的。
进一步可计算y和z方向上的控制量：
Figure 630493DEST_PATH_IMAGE020
（12）
3）内环姿态控制器的构建
针对姿态子控制***，提出了一种在线自适应模糊滑模控制器。如图4所示，此方法分别使用模糊模型和SMC来克服不确定性和外部干扰。此外，为了缓解传统滑模控制中存在的抖振问题，我们引入了一种改进的STA，通过引入积分项和指数项，将抖振切换函数应用于滑模变量的高阶导数。在此基础上，设计了一种在线自适应策略，将模糊模型和鲁棒滑模控制器集成到一个统一的框架中，实现了控制***参数的实时辨识。
A. 模糊逼近***
由于很难得到精确的f（t, q, q）方程，根据普遍逼近定理，必然存在一个模糊*** f̂(t, q ,q̇) 高度逼近于f（t, q, q̇)。因此，可构造二维模糊控制器逼近f（t, q, q̇）。为了保证近似精度，这里定义为近似误差ε。
由式（4）可知，姿态控制***中有三个角度变量，在设计模糊***时应综合考虑。这里，我们使用俯仰角ϕ 举个例子。详细的模糊***如图5所示。
假设A1和A2分别表示φ1和φ2的模糊结果集，建立模糊规则如下：
Figure DEST_PATH_IMAGE021
在模糊***中，采用单值模糊器计算规则结果，函数值
Figure 218731DEST_PATH_IMAGE022
对应于隶属函数的最大值。此外，借助于乘积推理机，推理结论可以表述为
Figure DEST_PATH_IMAGE023
。因此，基于中心平均解模糊器获得***输出为：
Figure 784842DEST_PATH_IMAGE024
（13）
定义参数𝜔𝜙，并引入一个新的权重𝜁(𝜙),然后模糊输出可进一步转化为：
Figure DEST_PATH_IMAGE025
（14）
然后，第l1l2(l1 = 1,2, ⋯ , 𝑚; l2 =1,2, ⋯ , 𝑛)成员的权重𝜁(𝜙)可表示为：
Figure 820931DEST_PATH_IMAGE026
（15）
假设
Figure DEST_PATH_IMAGE027
，可得：
Figure 384768DEST_PATH_IMAGE028
（16）
其中,ε表示逼近误差。
定义
Figure 506307DEST_PATH_IMAGE029
有：
Figure 876109DEST_PATH_IMAGE030
（17）
对于
Figure 32284DEST_PATH_IMAGE031
有：
Figure 829338DEST_PATH_IMAGE032
（18）
动态姿态方程可以改写为
Figure 625125DEST_PATH_IMAGE033
（19）
B. 基于模糊补偿的自适应滑膜控制器
利用前一种模糊逼近***，可以补偿***的模型不确定性。为了获得满意的跟踪精度和抗外界干扰的鲁棒性能，进一步提出了一种自适应鲁棒控制器。在该控制器中，引入了一种改进的STA作为鲁棒项，以缓解传统滑模控制器存在的抖振问题。鲁棒逼近律随实时反馈状态和模糊逼近项的变化而变化。鲁棒滑模算法的结构如图6。
引入滑模面
Figure 533038DEST_PATH_IMAGE034
且有
Figure 543719DEST_PATH_IMAGE035
。因此，sq可进一步表示为：
Figure 511675DEST_PATH_IMAGE036
（20）
众所周知，当滑动模态函数sq→0，高度误差e及其导数指数收敛到零。由此可得
Figure 545491DEST_PATH_IMAGE037
（21）
这里提出一个改进的STA算法作为SMC的鲁棒项，它继承了传统线性和非线性STA在干扰抑制方面的特性，以克服二阶滑模的抖振，提高***对外部干扰的鲁棒性：
Figure 257095DEST_PATH_IMAGE038
（22）
最终得到控制量如下：
Figure 387862DEST_PATH_IMAGE039
（23）
定义李雅普诺夫函数
Figure 526719DEST_PATH_IMAGE040
，求导得：
Figure 844568DEST_PATH_IMAGE041
（24）
显然，
Figure 45349DEST_PATH_IMAGE043
的第一部分满足
Figure 30622DEST_PATH_IMAGE044
；此外，当满足
Figure 340381DEST_PATH_IMAGE045
成立。因此，这里只需计算𝑠𝑞收敛到0的边界条件即可。最终推导得到的边界条件如下：
Figure 145526DEST_PATH_IMAGE046
（25）
最后，将这些子控制***集成到一个统一的闭环***中，即可实现四旋翼无人机在内部参数不确定和外部扰动下的精确稳定控制。
本发明的用于四旋翼无人机的在线自适应控制方法依赖于实际的机理模型，兼顾了模型内部不确定性和外部扰动，具有很好的鲁棒性。针对***的非线性耦合特性，将***解耦为内外环子***，充分考虑了各子***的特点和扰动特征，以独立地设计控制器，有效保证了控制过程的稳定性。在内环控制器的设计中，根据反馈补偿控制的思想，将模糊建模方法用于模型内部不确定性的自适应补偿，以有效还原真实***动态；在此基础上建立的自适应模糊滑模控制器，采用了改进的超扭曲算法，不仅能有效抑制控制***在滑模面上的抖振，也提高了整个闭环控制***的鲁棒性。
基于三种常用的控制算法开展本发明的仿真和对比实验。这样做是为了详细展示其具体实施过程，并验证所提出方法的有效性。仿真中使用的四旋翼飞机的参数如表1所示。
表1 四旋翼相关
Figure 136616DEST_PATH_IMAGE048
1.姿态跟踪仿真
为了说明所提出的模糊自适应滑模控制器的鲁棒性和收敛性能，我们以姿态子***为例，对其姿态跟踪效果和输入稳定性进行了对比仿真。
（1）串级PID控制器（PID）
（2）改进的滑模控制器（M-SOSM）
（3）模糊滑模控制器
（4）模糊自适应滑模控制器（AdapFuzzy M-SOSM）
在这三种控制器中，串级PID控制器包含了角速度和角速度的双闭环PID控制策略。采用改进的超扭曲算法（STA）对M-SOSM控制器和模糊M-SOSM控制器的滑模控制进行了优化，该算法与模糊自适应M-SOSM控制器的鲁棒项相同。这也是为了证明抗干扰鲁棒性和在线逼近性能。姿态子***的模型不确定性选择为：
Figure 976396DEST_PATH_IMAGE049
（26）
如式 (27）所示，多频函数u（t）和正弦信号τ(t）分别作为变频参考信号和高频动态外部干扰。
Figure 457055DEST_PATH_IMAGE050
（27）
对比仿真中使用的参数如表2所示：
表2 姿态仿真过程中使用的控制参数
Figure 15076DEST_PATH_IMAGE052
模糊隶属函数说明如下：
Figure 793545DEST_PATH_IMAGE053
（28）
在选择隶属权值Wq时，发现在跟踪过程稳定之前，跟踪效果随初始值的增大而减小。但对跟踪收敛时间没有影响。这意味着在选择Wq的初始值时，应尽量选择较小的初始值。这里，当隶属权值取值为
Figure 753411DEST_PATH_IMAGE054
时，三个姿态角的跟踪效果和跟踪误差如图7-图9所示。从图中可以看出，采用改进的超扭曲算法可以有效地缓解高频干扰。此外，与M-SOSM和模糊M-SOSM相比，该控制器的跟踪误差减小很快，在0.5s内收敛到零。这意味着自适应律和模糊***的引入大大提高了跟踪精度。通过与PID串级控制器和二阶滑模控制器的比较，说明了所设计的自适应控制策略只需在时间上（近0.6s）进行极小的调整，就可以达到令人满意的跟踪效果。另外，其他算法的跟踪误差分别在和[-0.7,0.4]、[-0.3,0.3]和[0,0.3]之间。对比仿真的均方根误差（RMSE）在表3中进行了定量总结。给出了这些结果，并与串级PID、M-SOSM和模糊M-SOSM进行了比较，所设计的控制器在姿态跟踪稳定性方面具有更快的收敛速度和稳定性。
表3 跟踪性能的定量比较
Figure 404972DEST_PATH_IMAGE056
2.轨迹跟踪仿真
通过轨迹跟踪仿真，验证了该控制策略的有效性和移动性。使用的物体轨迹是一个圆柱形螺旋，如式（29）所示，
Figure 184709DEST_PATH_IMAGE057
（29）
仿真时间为20s，将四旋翼的初始位置坐标和姿态设定为[x，y，z]=[0 0 0]；此外，[ϕ,θ,ψ]=[0 0 0]表示模型的不确定性。假设模型不确定部分如下：
Figure 579918DEST_PATH_IMAGE058
（30）
在模拟中提出了两种形式的阵风：高频随机扰动（高频正弦信号）和多频随机扰动（方波信号）。跟踪模拟中使用的干扰包括以下两部分：
Figure DEST_PATH_IMAGE059
（31）
相关研究表明，参数cx不影响控制***的稳定性，但与收敛时间有直接关系。如果参数cx过大，收敛速度过快会产生强烈的抖振；如果参数a太小，则收敛时间较长。因此，在这个模拟中，我们使用了经验值cx=5。高度和姿态控制器的模糊基向量为w=[0.1*one（75,1）]和w=[zeros（25,1）]。此外，由于测量噪声和导航误差等实际因素会在一定程度上影响控制性能，因此在随机噪声环境下进行了附加跟踪仿真，验证了所提出的控制策略的有效性。在该仿真中，对仿真时间、初始位置坐标、目标轨迹、模型不确定性、外部干扰等相关参数进行了分析，结果如图10-11所示。图10的随机噪声反映了在实际环境中模拟测量噪声和导航误差。参考一些文献对测量误差的处理，当忽略测量技术、人和仪器等因素时，测量误差的值和符号以不可预测的方式随机变化，服从正态分布。因此，在仿真中，我们选择高斯白噪声作为测量噪声，它服从0均值和0.05方差的正态分布。随机数发生器产生的噪声，采样周期为0.001s。图11展示了轨迹跟踪的结果。结果表明，尽管存在高斯随机噪声，控制***仍具有稳定的跟踪性能，并能快速收敛跟踪圆柱螺旋轨迹。根据跟踪误差，四旋翼无人机对随机噪声和外部干扰的位置响应呈波动趋势，振幅非常小（有界于±0.1m），证明了所提出控制器对随机噪声的抑制效果。表4显示了x、y、z方向的置信指标，随机噪声为0.95置信度。
表4 随机测量噪声下的置信水平 (95%)
Figure 331973DEST_PATH_IMAGE061
综上，针对四旋翼无人机在时变模型不确定性和外界干扰下的精确轨迹跟踪问题，在对四旋翼无人机运动学和动力学机理进行建模的基础上，对四旋翼无人机的内外环模型进行解耦，有效解决四旋翼无人机位置参数与姿态参数之间的耦合问题。首先，对于外环位置子***的模型特征，开发了基于滑模控制算法的鲁棒控制器；通过在该控制器中引入一阶跟踪误差的积分，有效提高了***对外界干扰的鲁棒跟踪性能。其次，对于内环姿态子***，将模糊算法与滑模控制相结合，设计了基于改进STA算法的自适应模糊滑模控制器，在保证***对外界干扰鲁棒性的同时，有效实现了参数的实时辨识和调整。最后，将这些子控制***集成到一个统一的闭环***中。在对位置子***进行控制时，将姿态子***控制切换引起的抖振视为外部干扰，引入一阶跟踪误差的积分，以提高对外部干扰的鲁棒性。在进行姿态控制时，将位置子***控制切换引起的抖振视为外部干扰，引入模糊和超扭曲算法，保证***对干扰的鲁棒性，以有效抑制控制切换引起的抖振。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种用于四旋翼无人机的在线自适应控制方法，其特征在于，包括：
基于四旋翼无人机的机理模型，分析模型的非线性耦合特性，引入中间变量对模型在位置和姿态两个环路上的耦合问题进行处理，得到外环位置子***和内环姿态子***；
对所述外环位置子***，根据一阶跟踪误差，设计基于滑模控制算法的鲁棒控制器，该控制器引入指数逼近律作为鲁棒项，实现外环控制***对外部扰动的抑制；
对所述内环姿态子***，设计针对模型不确定性的模糊补偿策略，并建立基于模糊补偿的自适应模糊滑模控制器，用于模型参数的实时辨识和在线调整；
根据所述外环位置子***和所述内环姿态子***分析证明四旋翼无人机的模型的稳定性。
2.根据权利要求1所述的用于四旋翼无人机的在线自适应控制方法，其特征在于，所述步骤1具体包括：
根据牛顿力学和牛顿-拉格朗日方程，四旋翼相对于惯性坐标系的动力学方程一般可表示为：
Figure 706312DEST_PATH_IMAGE001
（1）
通过引入两个虚拟变量𝑈𝑥和𝑈𝑦，对外环位置子***解耦；
Figure 930620DEST_PATH_IMAGE002
（2）
其中，
Figure 992117DEST_PATH_IMAGE003
施加了内外部扰动下的外环子***模型为：
Figure 276468DEST_PATH_IMAGE004
（3）
其中，
Figure 688995DEST_PATH_IMAGE005
表示***在x，y和z三个方向上的内部不确定性，
Figure 716994DEST_PATH_IMAGE006
代表实际环境中的阵风、突变因素导致的外部扰动；
对内环姿态子***解耦；
根据式（1）中的模型表达式，内环姿态子***的方程可表示为
Figure 960893DEST_PATH_IMAGE007
（4）
其中，
Figure 150566DEST_PATH_IMAGE008
。
3.根据权利要求1所述的用于四旋翼无人机的在线自适应控制方法，其特征在于，所述步骤2具体包括：
通过引入三个虚拟变量Ux、Uy和Uz，平移运动方程可以简化为：
Figure 50389DEST_PATH_IMAGE009
（5）
定义两个状态变量x1，x2，等式（5）可以重写为以下状态空间形式：
Figure 616499DEST_PATH_IMAGE010
（6）
其中，𝑈𝑥 = 𝑈1(𝑐𝑜𝑠𝜙𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜓 + 𝑠𝑖𝑛𝜙𝑠𝑖𝑛𝜓) ，𝑥1 , 𝑥2分别表示x方向上的速度和加速度，用于描述***在x方向上的运动状态𝑥方向；
定义一个虚拟变量𝛽，并引入一阶跟踪误差，
Figure 918168DEST_PATH_IMAGE011
（7）
定义两个误差变量𝑒1𝑥, 𝑒2𝑥，并设置
Figure 341059DEST_PATH_IMAGE012
（8）
引入滑模面
Figure 728178DEST_PATH_IMAGE013
，根据方程（8）得：
Figure 97979DEST_PATH_IMAGE014
（9）
利用指数逼近律来提高位置控制***的鲁棒性：
Figure 988575DEST_PATH_IMAGE015
（10）
最终得到控制量如下：
Figure 785630DEST_PATH_IMAGE016
定义李雅普诺夫函数
Figure 394466DEST_PATH_IMAGE017
，求导得：
Figure 567958DEST_PATH_IMAGE018
（11）
当满足
Figure 640956DEST_PATH_IMAGE019
使，滑动面s→0，位置控制子***是渐近稳定的；
进一步可计算y和z方向上的控制量：
Figure 608912DEST_PATH_IMAGE020
（12）。
4.根据权利要求1所述的用于四旋翼无人机的在线自适应控制方法，其特征在于，所述步骤3包括：
使用模糊补偿模型解决机理模型中不确定部分导致的建模偏差，建立基于模糊补偿的自适应模糊滑模控制器，用于模型参数的实时辨识和在线调整，所述自适应模糊滑模控制器采用改进的超扭曲算法，抑制控制***在滑模面上的抖振，通过将模糊模型和鲁棒滑模控制器集成到一个统一的框架中，实现对闭环控制***参数的实时辨识。
CN202110748953.6A 2021-07-02 2021-07-02 用于四旋翼无人机的在线自适应控制方法 Pending CN113253617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110748953.6A CN113253617A (zh) 2021-07-02 2021-07-02 用于四旋翼无人机的在线自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110748953.6A CN113253617A (zh) 2021-07-02 2021-07-02 用于四旋翼无人机的在线自适应控制方法

Publications (1)

Publication Number Publication Date
CN113253617A true CN113253617A (zh) 2021-08-13

Family

ID=77190428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110748953.6A Pending CN113253617A (zh) 2021-07-02 2021-07-02 用于四旋翼无人机的在线自适应控制方法

Country Status (1)

Country Link
CN (1) CN113253617A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721465A (zh) * 2021-08-30 2021-11-30 东南大学 “即插即用”的无人机自适应飞控***及方法
CN114296471A (zh) * 2021-11-17 2022-04-08 湖北航天飞行器研究所 一种基于全捷联下视相机的无人机精准着陆控制方法
CN117908384A (zh) * 2024-03-19 2024-04-19 南京航空航天大学 一种基于自适应滑模的变体飞行器串级控制方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BOWEN XU 等: "An Online Adaptive Control Strategy for Trajectory Tracking of Quadrotors Based on Fuzzy Approximation and Robust Sliding Mode Algorithm", 《IEEE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721465A (zh) * 2021-08-30 2021-11-30 东南大学 “即插即用”的无人机自适应飞控***及方法
CN113721465B (zh) * 2021-08-30 2023-10-31 东南大学 “即插即用”的无人机自适应飞控***及方法
CN114296471A (zh) * 2021-11-17 2022-04-08 湖北航天飞行器研究所 一种基于全捷联下视相机的无人机精准着陆控制方法
CN114296471B (zh) * 2021-11-17 2024-05-24 湖北航天飞行器研究所 一种基于全捷联下视相机的无人机精准着陆控制方法
CN117908384A (zh) * 2024-03-19 2024-04-19 南京航空航天大学 一种基于自适应滑模的变体飞行器串级控制方法及***

Similar Documents

Publication Publication Date Title
CN107688295B (zh) 一种基于快速终端滑模的四旋翼飞行器有限时间自适应控制方法
Islam et al. Robust control of four-rotor unmanned aerial vehicle with disturbance uncertainty
He et al. A Simple Attitude Control of Quadrotor Helicopter Based on Ziegler‐Nichols Rules for Tuning PD Parameters
Colorado et al. Mini-quadrotor attitude control based on Hybrid Backstepping & Frenet-Serret theory
Modirrousta et al. A novel nonlinear hybrid controller design for an uncertain quadrotor with disturbances
CN113253617A (zh) 用于四旋翼无人机的在线自适应控制方法
Mohammadi et al. Adaptive nonlinear stabilization control for a quadrotor UAV: Theory, simulation and experimentation
Gong et al. Adaptive backstepping sliding mode trajectory tracking control for a quad-rotor
CN107357166B (zh) 小型无人直升机的无模型自适应鲁棒控制方法
Yu et al. Attitude tracking control of a quadrotor UAV in the exponential coordinates
CN111766889B (zh) 基于输出反馈的四旋翼自适应动态面滑模控制器
Karagiannis et al. Non-linear and adaptive flight control of autonomous aircraft using invariant manifolds
Rahmat et al. Adaptive feedback linearization controller for stabilization of quadrotor UAV
Yacef et al. Adaptive fuzzy backstepping control for trajectory tracking of unmanned aerial quadrotor
CN110333733A (zh) 一种四旋翼飞行器的串级变论域模糊pid姿态控制***及方法
CN114489094A (zh) 一种基于加速度反馈增强的旋翼无人机抗风扰控制方法
Xu et al. An online adaptive control strategy for trajectory tracking of quadrotors based on fuzzy approximation and robust sliding mode algorithm
Sartori et al. Design and development of a backstepping controller autopilot for fixed-wing UAVs
CN110275542B (zh) 一种基于自适应有限时间控制的四旋翼飞行器控制方法
Aruneshwaran et al. Neural adaptive flight controller for ducted-fan UAV performing nonlinear maneuver
Araar et al. Quadrotor control for trajectory tracking in presence of wind disturbances
Kumar et al. Different control scheme for the quadcopter: a Brief tour
Ma et al. Finite-time trajectory tracking control of quadrotor UAV via adaptive RBF neural network with lumped uncertainties
CN112034872B (zh) 一种四旋翼无人机积分补偿确定性策略梯度控制方法
Liu et al. Robust attitude control for tail‐sitter unmanned aerial vehicles in flight mode transitions

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813