CN113961010B - 四旋翼植保无人机跟踪控制方法 - Google Patents
四旋翼植保无人机跟踪控制方法 Download PDFInfo
- Publication number
- CN113961010B CN113961010B CN202110987581.2A CN202110987581A CN113961010B CN 113961010 B CN113961010 B CN 113961010B CN 202110987581 A CN202110987581 A CN 202110987581A CN 113961010 B CN113961010 B CN 113961010B
- Authority
- CN
- China
- Prior art keywords
- neural network
- unmanned aerial
- aerial vehicle
- plant protection
- protection unmanned
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 169
- 238000013461 design Methods 0.000 claims abstract description 128
- 230000003044 adaptive effect Effects 0.000 claims abstract description 90
- 238000013178 mathematical model Methods 0.000 claims abstract description 80
- 239000002131 composite material Substances 0.000 claims abstract description 31
- 238000013500 data storage Methods 0.000 claims abstract description 21
- 230000014509 gene expression Effects 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 29
- 230000003247 decreasing effect Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004804 winding Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000001258 synovial membrane Anatomy 0.000 description 2
- 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 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法,与现有技术相比解决了四旋翼植保无人机难以实现高精度跟踪控制的缺陷。本发明包括以下步骤:期望轨迹数据的设定和存储;实时轨迹数据的采集和存储;四旋翼植保无人机复合数学模型的建立;四旋翼植保无人机飞行误差数学模型的建立;饱和补偿***的设计和数据存储;自适应神经网络参数的设计和数据存储;基于抗饱和有限时间自适应神经网络容错跟踪控制器的设计和控制信号的存储;实时轨迹数据的更新;位置***和姿态***中参数数值的调整。本发明可以保证四旋翼植保无人机的轨迹跟踪误差在有限时间范围内收敛。
Description
技术领域
本发明涉及四旋翼植保无人机控制技术领域,具体来说是基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法。
背景技术
近年来,由于具有移动灵活、操作方便、结构简单、地形适应性强等优势,无人机已经广泛应用于现代农业领域。相较于传统的人工施肥,四旋翼植保无人机通过远程操控的方式避免了因人工操作不当而影响身体健康。同时,四旋翼植保无人机适合大面积的农作物喷药过程,提高了工作效率,降低了劳动强度,有利于实现病虫害的精确防控,促进农业经济的快速增长。
为了保证四旋翼植保无人机的高效精准作业,需要面临的主要困难之一是如何实现无人机的高精度轨迹跟踪。然而,设计一种高性能的轨迹跟踪控制器还存在着许多实际困难:首先,无人机平台具有欠驱动、强耦合和高非线性等特点,要求设计的控制器具有良好的解耦性和较强的鲁棒性;其次,由于无人机应用场景多为室外环境,极容易受到外界时变风扰的影响,要求设计的控制器具有较强的抗干扰性;另外,无人机在长时间的飞行,执行器容易出现故障和输入饱和的问题,要求设计的控制器具有良好的容错性能和抗饱和能力。然而,同时考虑上述问题会增加控制器的设计难度和复杂性。
目前,许多科研人员对四旋翼植保无人机的轨迹跟踪控制问题开展了大量的研究工作,主要包括线性控制方法和非线性控制方法。其中,最常见的线性控制方法有Proportional integral derivative(PID)、linear quadratic regulator(LQR)和H无穷控制,其基本思路是首先对无人机模型在平衡点处线性化,然后基于线性模型设计线性控制器。因此,线性控制方法对模型依赖程度低、设计简单以及实用性强。然而,当无人机在执行大操作飞行任务时,线性控制方法的控制参数容易突变,导致控制精度降低。
近年来,随着计算机技术和控制理论的发展,一些先进的非线性控制方法被提出来提高无人机的跟踪控制性能,主要包括反步法、滑膜控制、神经网络控制以及自适应控制等。反步法能很好地抑制非线性***中的扰动或不确定性,具有较强的鲁棒性。然而,在反推过程中需要对虚拟控制输入不断地微分,容易引起“指数***”的问题,增加计算负担。滑膜控制是一种具有强鲁棒性、响应速度快以及设计简单的非线性控制方法,然而实际输出信号容易出现抖动现象,降低了轨迹跟踪品质。
为了解决该问题,一些研究人员提出了利用有界层技术来代替控制器中的不连续项。然而,这些方法降低了***的跟踪控制精度。神经网络控制凭借其强大的在线逼近能力,特别适用于需要同时考虑多种不确定性因素或者复杂非线性***。其通常需结合自适应算法对神经网络权重进行在线调节,极大地增加了控制算法的在线计算时间和计算压力,这难以满足四旋翼植保无人机快速机动的飞行任务要求。除此之外,在实际应用中实现跟踪误差在有限时间范围内收敛是非常重要的,其收敛时间仅仅由控制参数决定而与跟踪初始状态无关,因此设计一种有限时间跟踪控制器就显得尤为关键。
发明内容
本发明的目的是为了解决现有技术中四旋翼植保无人机难以实现跟踪控制的缺陷,提供一种基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法,包括以下步骤:
期望轨迹数据的设定和存储:根据四旋翼植保无人机所执行的飞行任务要求,通过地面终端输入期望轨迹数据;通过机载网络模块接收地面终端所输入的期望轨迹数据,并保存到飞行数据存储器I中;
实时轨迹数据的采集和存储:通过四旋翼植保无人机所搭载的位置传感器、姿态传感器采集实时轨迹数据,并将所采集的实时轨迹数据保存在飞行数据存储器II中;
四旋翼植保无人机复合数学模型的建立:根据四旋翼植保无人机的固有机械特性以及在飞行时受到执行器故障、输入饱和以及时变风扰的干扰因素,建立四旋翼植保无人机的完整复合数学模型;
四旋翼植保无人机飞行误差数学模型的建立:基于四旋翼植保无人机复合数学模型,建立四旋翼植保无人机的飞行误差数学模型;
饱和补偿***的设计和数据存储:基于四旋翼植保无人机的飞行误差数学模型设计饱和补偿***,并将饱和补偿***信号数据更新并保存到飞行数据存储器III中;
自适应神经网络参数的设计和数据存储:基于四旋翼植保无人机的飞行误差数学模型设计自适应神经网络参数,并将自适应神经网络参数的数据更新并保存到飞行数据存储器IV中;
基于抗饱和有限时间自适应神经网络容错跟踪控制器的设计和控制信号的存储:基于四旋翼植保无人机的飞行误差数学模型和饱和补偿***,设计基于抗饱和有限时间自适应神经网络容错跟踪控制器,并将基于抗饱和有限时间自适应神经网络容错跟踪控制信号数据更新并保存到飞行数据存储器V中;
实时轨迹数据的更新:将基于抗饱和有限时间自适应神经网络容错跟踪控制信号输入到四旋翼植保无人机的完整复合数学模型中,输出实时轨迹数据并保存到飞行数据存储器II中;
位置***参数数值的调整:通过监测饱和补偿信号的数据变化、自适应神经网络参数的数据变化以及期望轨迹数据与实际轨迹数据的差值变化,对位置***中的设计参数、控制参数进行调整,实现四旋翼植保无人机的跟踪控制。
所述四旋翼植保无人机复合数学模型的建立包括以下步骤:
基于坐标系转换方法,建立四旋翼植保无人机的位置运动学数学模型和姿态运动学数学模型,具体表达式分别如下所示:
其中,P=[x,y,z]T和分别表示四旋翼植保无人机在地球坐标系中的欧几里得位置向量和欧拉角向量,其中x、y和z分别表示在xa轴、ya轴和za轴上的位置坐标,φ、θ和/>分别表示绕xa轴的横摇角度数、绕ya轴的俯仰角度数和绕za轴的偏航角度数,V=[u,v,w]T和Ω=[p,q,r]T分别表示四旋翼植保无人机在机体坐标系中的线速度向量和角速度向量,其中,u、v和w分别表示在xb轴、yb轴和zb轴上的线速度,p、q和r分别表示绕xb轴的横摇角速度、绕yb轴的俯仰角速度和绕zb轴的偏航角速度,/>和/>分别表示四旋翼植保无人机在地球坐标系中的线速度向量和角速度向量,其中/>和/>分别表示在xa轴、ya轴和za轴上的线速度,/>和/>分别表示绕xa轴的横摇角速度、绕ya轴的俯仰角速度和绕za轴的偏航角速度,Rt和Rs分别表示正交矩阵和欧拉矩阵,具体表达式分别如下所示:
利用欧拉拉格朗日建模方法,考虑四旋翼植保无人机的自身机械结构特点以及在飞行时所受到的外界时变风扰影响,建立四旋翼植保无人机的位置动力学数学模型和姿态动力学数学模型,具体表达式分别如下所示:
其中,Ir=diag(Ix,Iy,Iz)表示正定转动惯量矩阵,其中Ix、Iy和Iz分别表示绕x轴、y轴和z轴的转动惯量系数,m表示四旋翼植保无人机的自身质量,和分别表示四旋翼植保无人机在机体坐标系中的线加速度向量和角加速度向量,其中,/>和/>分别表示在xb轴、yb轴和zb轴上的线加速度,/>和/>分别表示绕xb轴的横摇角加速度、绕yb轴的俯仰角加速度和绕zb轴的偏航角加速度;
Fs=[0,0,uo,1]T和Ts=[uo,2,uo,3,uo,4]T分别表示升力和控制力矩,
其中,uo,i,(i=1,2,3,4)的具体计算表达式如下:
其中,wi,(i=1,2,3,4)表示第i个电机转子的转速,d表示电机与四旋翼植保无人机质心的距离,c1和c2分别表示螺旋桨推力系数和转矩系数,Fa和Ta分别表示在姿态动力***和位置动力***中的空气阻力,具体表达式分别如下:
其中,Kf=diag(Kf,1,Kf,2,Kf,3)和Kt=diag(Kt,1,Kt,2,Kt,3)分别表示姿态***的阻力系数矩阵和位置***的阻力系数矩阵;
Fg表示***重力,其具体表达式如下所示:
其中,E=[0,0,1]T,m表示四旋翼植保无人机的自身质量,g表示重力加速度,为正交矩阵Rt的逆矩阵,Tg表示陀螺力矩,其具体表达式如下所示:
其中,J表示每个转子的惯性系数,
符号(Ω)×表示Ω向量的斜对称矩阵,其满足如下形式:
基于四旋翼植保无人机的运动学数学模型、动力学数学模型、位置动力学数学模型和姿态动力学数学模型,建立不考虑执行器错误和输入饱和的非完整复合数学模型,具体表达式分别如下所示:
其中,表示四旋翼植保无人机的虚拟输入向量;
以及/>和/>
分别表示位置***和姿态***中的非线性,da=[dx,dy,dz]T和/>分别表示位置***和姿态***中的集总扰动;
考虑执行器错误的影响,具体的数学表达式如下所示:
uo,i=ρiui+ri,i=1,2,3,4,
其中,uo,i和ui分别表示实际的控制信号和期望的控制信号,ρi和ri分别表示有效系数和附加故障;
考虑执行器输入饱和的影响,具体的数学表达式如下所示:
sat(ui)=sign(ui)min{|ui|,umax,i},i=1,2,3,4,
其中,umax,i表示控制信号ui的上界值,符号函数sign(ui)定义为
基于非完整复合数学模型、执行器错误的数学表达式以及输入饱和的数学表达式,建立考虑执行器错误和输入饱和的完整复合数学模型和/>具体表达式如下所示:
其中,ρb=[ρ1,ρ2,ρ3]T,rb=[r1,r2,r3]T
和
所述四旋翼植保无人机飞行误差数学模型的建立包括以下步骤:
定义位置误差e1、姿态误差e2、线速度误差以及角速度误差/>具体的数学表达式分别如下所示:
e1=P-Pd,e2=Θ-Θd,
其中,Pd=[xd,yd,zd]T和分别表示在地球坐标系中的期望位置信号和期望姿态信号;
基于所定义的位置误差e1、姿态误差e2、线速度误差以及角速度误差/>设计位置***的滤波跟踪误差ξ1和姿态***的滤波跟踪误差ξ2,具体的数学表达式如下:
其中,γ1>0和γ2>0表示滤波系数,通过增大γ1和γ2能够提高跟踪误差的收敛速度;
基于位置的滤波跟踪误差ξ1、姿态的滤波跟踪误差ξ2以及完整复合数学模型和建立四旋翼植保无人机的飞行误差数学模型/>和/>具体的数学表达式如下:
其中,和/>分别表示在位置***和姿态***中的复杂非线性变量。
所述饱和补偿***的设计和数据存储包括以下步骤:
基于位置***的滤波跟踪误差ξ1和姿态***的滤波跟踪误差ξ2,建立饱和补偿***和/>其具体的数学表达式如下所示:
其中,ΔU2=Tt-sat(Tt),K1>0和K2>0表示输入补偿辅助***的控制参数,υ1和υ2分别表示位置***和姿态***中输入的补偿辅助变量,ρ1和ρ2表示正奇数,且满足条件ρ1<ρ2;
补偿辅助变量数据υ1和υ2更新并保存到飞行数据存储器III中。
所述自适应神经网络参数的设计和数据存储包括以下步骤:
根据s1和s2的定义,得如下不等式:
然后,基于径向基函数神经网络对非线性函数的强逼近能力,引入径向基函数神经网络,其具体的数学表达式如下所示:
h(Z)=W*TΞ(Z)+δ(Z),
其中,和W*TΞ(Z)分别表示径向基函数神经网络的输入和输出,n表示输入的数量,h(Z)表示非线性函数,δ(Z)表示逼近误差,W*表示最优权重向量,其根据如下公式计算:
其中,表示径向基函数神经网络的权重向量,表示高斯基函数,其具体的数学表达式如下:
其中,m=1,2,...,ksum,ksum表示隐藏层中总的神经元;和μ分别表示径向基函数神经网络的中心和半径;
利用径向基函数神经网络逼近非线性函数η1(Z1)和η2(Z2),其具体的数学表达式如下所示:
进一步得:
其中,和Ψi(Zi)=1+Ξi(Zi),(i=1,2)分别表示未知虚参数和已知的可计算正标量参数;
设计的自适应神经网络参数和/>如下所示:
其中,bi和ci,(i=1,2)均表示正的设计参数;表示βi的上界估计值;
将自适应神经网络参数数据和/>更新并保存到飞行数据存储器IV中。
所述基于抗饱和有限时间自适应神经网络容错跟踪控制器的设计和控制信号的存储包括以下步骤:
基于滤波跟踪误差ξ1和ξ2、饱和补偿***和/>自适应神经网络参数/>和/>以及完整复合数学模型/>和/>设计基于抗饱和有限时间自适应神经网络容错跟踪控制器,其具体的数学表达式如下所示:
其中,ki和ai,(i=1,2)表示正设计参数,
由于四旋翼植保无人机是具有四个输入(uo,1,uo,2,uo,3,uo,4)6个输出的欠驱动***,利用三个虚拟控制输入信号(q1,q2,q3)计算实际控制输入信号uo,1,即:
另外,期望俯仰角φd和期望偏航角θd的计算公式分别如下所示:
将基于抗饱和有限时间自适应神经网络容错跟踪控制信号数据和Tt更新并保存到飞行数据存储器V中。
所述实时轨迹数据的更新包括以下步骤:
将基于抗饱和有限时间自适应神经网络容错跟踪控制信号输入到四旋翼植保无人机的完整复合数学模型,输出实时轨迹数据的二阶导数,即:三个线加速度和三个角加速度/>并保存到飞行数据存储器II中;
对三个线加速度和三个角加速度/>进行二次积分,获得实时轨迹数据。
所述位置***和姿态***中参数数值的调整包括以下步骤:
将保存在飞行数据存储器I、II和III中的期望轨迹数据、实时轨迹数据和实时自适应神经网络参数,以及复杂非线性变量,输入到饱和补偿***和径向基函数神经网络中,输出新的饱和补偿信号和新的自适应神经网络参数;
将保存在飞行数据存储器I和II中的实时轨迹数据和期望轨迹数据、新的饱和补偿信号以及新的自适应神经网络参数,输入到基于抗饱和有限时间自适应神经网络容错跟踪控制器中,输出用于调整四旋翼植保无人机轨迹的控制信号;
将用于调整四旋翼植保无人机轨迹的控制信号,输入到四旋翼植保无人机的完整复合数学模型中,输出实时轨迹数据的二阶导数,即:三个线加速度和三个角加速度再对实时轨迹数据的二阶导数进行二次积分,得到新的实时轨迹数据,即:在xa轴、ya轴和za轴上的位置坐标x、y和z,以及绕xa轴的横摇角度数φ、绕ya轴的俯仰角度数θ和绕za轴的偏航角度数/>
将新的实时轨迹数据、新的饱和补偿信号数据、新的自适应神经网络参数数据以及用于调整四旋翼植保无人机轨迹的输入控制信号更新,并分别存储于飞行数据存储器II、III、IV和V中;
观测飞行数据库III中饱和补偿信号数据的变化:
位置***中设计参数k1和a1的变化调整:如果在位置***中的饱和补偿信号的绝对值在大于等于0.2的范围变化,则设计参数k1按0.5大小增加,并且设计参数a1的值按0.2大小增加,直至位置***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化;如果位置***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化,则设计参数k1按0.3大小增加,并且设计参数a1的值按0.1大小增加,直至位置***中的饱和补偿信号的绝对值在小于等于0.02范围内变化;如果位置***中的饱和补偿信号的绝对值在小于等于0.02范围内变化,则设计参数k1和a1的值均不变化,这满足四旋翼植保无人机在位置***中输入信号补偿的性能要求;
姿态***中设计参数k2和a2的变化调整:如果在姿态***中的饱和补偿信号的绝对值在大于等于0.2的范围变化,则设计参数k2按0.5大小增加,并且设计参数a2的值按0.2大小增加,直至姿态***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化;如果姿态***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化,则设计参数k2按0.3大小增加,并且设计参数a2的值按0.1大小增加,直至姿态***中的饱和补偿信号的绝对值在小于等于0.02范围内变化;如果姿态***中的饱和补偿信号的绝对值在小于等于0.02范围内变化,则设计参数k2和a2的值均不变化,这满足四旋翼植保无人机在姿态***中输入信号补偿的性能要求。
观测飞行数据库IV中自适应神经网络参数数据的变化:
位置***中设计参数b1和c1的变化调整:如果在位置***中的自适应神经网络参数值随时间递增变化,则设计参数b1的值按0.2大小递减,同时设计参数c1的值按0.25大小增加,直至位置***中的自适应神经网络参数值随时间单调递减;如果位置***中的自适应神经网络参数值需要大于25秒才能收敛至零,则设计参数b1的值按0.08大小递减,同时设计参数c1的值按0.12大小增加,直至位置***中的自适应神经网络参数值需要小于25秒收敛至零附近;如果位置***中的自适应神经网络参数值需要小于25秒收敛至零附近,则设计参数b1的值按0.04大小递减,同时设计参数c1的值按0.06大小增加,直至位置***中的自适应神经网络参数值需要10秒到25秒范围内才能收敛至零附近;如果位置***中的自适应神经网络参数值需要10秒到25秒范围内收敛至零附近,则设计参数b1的值不变化,同时设计参数c1的值按0.04大小增加,直至位置***中的自适应神经网络参数值在10秒内能收敛至零附近;如果位置***中的自适应神经网络参数值在10秒以内收敛至零,则设计参数b1和c1的值均不变化,这满足四旋翼植保无人机在位置***中自适应神经网络参数收敛的性能要求;
姿态***中设计参数b2和c2的变化调整:如果在姿态***中的自适应神经网络参数值随时间递增变化,则设计参数b2的值按0.2大小递减,同时设计参数c2的值按0.25大小增加,直至姿态***中的自适应神经网络参数值随时间单调递减;如果姿态***中的自适应神经网络参数值需要大于25秒才能收敛至零,则设计参数b2的值按0.08大小递减,同时设计参数c2的值按0.12大小增加,直至姿态***中的自适应神经网络参数值需要小于25秒收敛至零附近;如果姿态***中的自适应神经网络参数值需要小于25秒收敛至零附近,则设计参数b2的值按0.04大小递减,同时设计参数c2的值按0.06大小增加,直至姿态***中的自适应神经网络参数值需要10秒到25秒范围内才能收敛至零附近;如果姿态***中的自适应神经网络参数值需要10秒到25秒范围内收敛至零附近,则设计参数b2的值不变化,同时设计参数c2的值按0.04大小增加,直至姿态***中的自适应神经网络参数值在10秒范围内收敛至零;如果姿态***中的自适应神经网络参数值在10秒范围内收敛至零,则设计参数b2和c2的值均不变化,这满足四旋翼植保无人机在姿态***中自适应神经网络参数收敛的性能要求。
通过飞行数据库I和II中的期望轨迹数据与实际轨迹数据进行差值比较:
位置***中控制参数γ1的变化调整:如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和大于1.5,则控制参数γ1的值按0.18大小增加,直至差值的绝对值之和小于等于1.5;如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于1.5,则控制参数γ1的值按0.1大小增加,直至差值的绝对值之和小于等于0.1;如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于0.1,则控制参数γ1的值按0.06大小增加,直至差值的绝对值之和小于等于0.01;如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于0.01,控制参数γ1的值不改变,这满足四旋翼植保无人机在位置***中轨迹跟踪精度的性能要求;
如果三种期望姿态角度与相应的实时姿态角度数/>差值的绝对值之和大于1,则控制参数γ2的值按0.15大小增加,直至差值的绝对值之和小于等于1;如果三种期望姿态角度数/>与相应的实时姿态角度数/>差值的绝对值之和之和小于等于1,则控制参数γ2的值按0.08大小增加,直至差值的绝对值之和小于等于0.1;如果三种期望姿态角度数/>与相应的实时姿态角度数/>差值的绝对值之和小于等于0.1,则控制参数γ2的值按0.03大小增加,直至差值的绝对值之和在小于等于0.01;如果三种期望姿态角度数/>与相应的实时姿态角度数/>差值的绝对值之和小于等于0.01,则控制参数γ2的值不改变,这满足四旋翼植保无人机在姿态***中轨迹跟踪精度的性能要求。
有益效果
本发明的基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法,与现有技术相比可以保证四旋翼植保无人机的轨迹跟踪误差在有限时间范围内收敛;其次,该方法具有强鲁棒性、良好的抗饱和性以及执行器容错能力,可以在外界时变干扰、输入饱和以及执行器错误同时存在的情况下,实现四旋翼植保无人机的高性能轨迹跟踪控制;同时,该方法可以有效地减少自适应神经网络参数的在线计算数量,降低了在线计算负担。
本发明可以保证四旋翼植保无人机在受到外部扰动、输入饱和以及执行器错误的影响下,轨迹跟踪误差仍能在有限时间内收敛至有界范围,提高了飞行控制***的鲁棒性、抗饱和性和执行器容错能力,同时减少了控制器中自适应参数的数量,减轻了参数在线计算的负担。
附图说明
图1是本发明的方法顺序图;
图2是本发明中四旋翼植保无人机的模型示意图;
图3是本发明的实时三维轨迹跟踪响应曲线图;
图4是本发明的x轴方向的轨迹跟踪响应曲线图;
图5是本发明的y轴方向的轨迹跟踪响应曲线图;
图6是本发明的z轴方向的轨迹跟踪响应曲线图;
图7是本发明的横摇角轨迹跟踪响应曲线图;
图8是本发明的俯仰角轨迹跟踪响应曲线图;
图9是本发明的偏航角轨迹跟踪响应曲线图;
图10是本发明的实际控制输入响应曲线图;
图11是本发明的自适应神经网络参数响应曲线图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所涉及的四旋翼植保无人机模型示意图,其中,在无人机对称位置上装配了4个相同的电机(编号为电机1、电机2、电机3和电机4),通过调节四个电机的转速来控制无人机的位置和姿态运动。{Oa,xa,ya,za}是地球坐标系,{Ob,xb,yb,zb}是机体坐标系,d、m和g分别表示电机与无人机质心的距离、四旋翼植保无人机的自身质量和重力系数。
如图2所示,本发明所述的基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法,包括以下步骤:
第一步,期望轨迹数据的设定和存储:根据四旋翼植保无人机所执行的飞行任务要求,通过地面终端输入期望轨迹数据;通过机载网络模块接收地面终端所输入的期望轨迹数据,并保存到飞行数据存储器I中。其中,期望轨迹数据包括:期望姿态角度数(期望翻滚角度数、期望俯仰角度数和期望偏航角度数)和期望位置坐标(期望x轴位置坐标、期望y轴位置坐标和期望z轴位置坐标)。
第二步,实时轨迹数据的采集和存储:通过四旋翼植保无人机所搭载的位置传感器、姿态传感器采集实时轨迹数据,并将所采集的实时轨迹数据保存在飞行数据存储器II中。实时轨迹数据包括:实时姿态角度数(实时翻滚角度数、实时俯仰角度数和实时偏航角度数)和实时位置坐标(实时x轴位置坐标、实时y轴位置坐标和实时z轴位置坐标)。
第三步,四旋翼植保无人机复合数学模型的建立。根据四旋翼植保无人机的固有机械特性以及在飞行时受到执行器故障、输入饱和以及时变风扰的干扰因素,建立四旋翼植保无人机的完整复合数学模型。需要特别说明的是,本发明考虑了外部扰动、输入饱和以及执行器错误三种因素,并且考虑了姿态动力***和位置动力***之间的耦合,这不仅能更好地反映四旋翼植保无人机在实际情况下的飞行特性,也能更好地应对实际飞行过程中所遇到的紧急情况。然而,这些干扰因素大大增加了控制器的设计难度和复杂性。其具体步骤如下:
(1)基于坐标系转换方法,建立四旋翼植保无人机的位置运动学数学模型和姿态运动学数学模型,具体表达式分别如下所示:
/>
其中,P=[x,y,z]T和分别表示四旋翼植保无人机在地球坐标系中的欧几里得位置向量和欧拉角向量,其中x、y和z分别表示在xa轴、ya轴和za轴上的位置坐标,φ、θ和/>分别表示绕xa轴的横摇角度数、绕ya轴的俯仰角度数和绕za轴的偏航角度数,V=[u,v,w]T和Ω=[p,q,r]T分别表示四旋翼植保无人机在机体坐标系中的线速度向量和角速度向量,其中,u、v和w分别表示在xb轴、yb轴和zb轴上的线速度,p、q和r分别表示绕xb轴的横摇角速度、绕yb轴的俯仰角速度和绕zb轴的偏航角速度,/>和/>分别表示四旋翼植保无人机在地球坐标系中的线速度向量和角速度向量,其中/>和/>分别表示在xa轴、ya轴和za轴上的线速度,/>和/>分别表示绕xa轴的横摇角速度、绕ya轴的俯仰角速度和绕za轴的偏航角速度,Rt和Rs分别表示正交矩阵和欧拉矩阵,具体表达式分别如下所示:
(2)利用欧拉拉格朗日建模方法,考虑四旋翼植保无人机的自身机械结构特点以及在飞行时所受到的外界时变风扰影响,建立四旋翼植保无人机的位置动力学数学模型和姿态动力学数学模型,具体表达式分别如下所示:
其中,Ir=diag(Ix,Iy,Iz)表示正定转动惯量矩阵,其中Ix、Iy和Iz分别表示绕x轴、y轴和z轴的转动惯量系数,m表示四旋翼植保无人机的自身质量,和分别表示四旋翼植保无人机在机体坐标系中的线加速度向量和角加速度向量,其中,/>和/>分别表示在xb轴、yb轴和zb轴上的线加速度,/>和/>分别表示绕xb轴的横摇角加速度、绕yb轴的俯仰角加速度和绕zb轴的偏航角加速度;
Fs=[0,0,uo,1]T和Ts=[uo,2,uo,3,uo,4]T分别表示升力和控制力矩,
其中,uo,i,(i=1,2,3,4)的具体计算表达式如下:
其中,wi,(i=1,2,3,4)表示第i个电机转子的转速,d表示电机与四旋翼植保无人机质心的距离,c1和c2分别表示螺旋桨推力系数和转矩系数,Fa和Ta分别表示在姿态动力***和位置动力***中的空气阻力,具体表达式分别如下:
其中,Kf=diag(Kf,1,Kf,2,Kf,3)和Kt=diag(Kt,1,Kt,2,Kt,3)分别表示姿态***的阻力系数矩阵和位置***的阻力系数矩阵;
Fg表示***重力,其具体表达式如下所示:
其中,E=[0,0,1]T,m表示四旋翼植保无人机的自身质量,g表示重力加速度,为正交矩阵Rt的逆矩阵,Tg表示陀螺力矩,其具体表达式如下所示:
其中,J表示每个转子的惯性系数,
符号(Ω)×表示Ω向量的斜对称矩阵,其满足如下形式:
(3)基于四旋翼植保无人机的运动学数学模型、动力学数学模型、位置动力学数学模型和姿态动力学数学模型,建立不考虑执行器错误和输入饱和的非完整复合数学模型,具体表达式分别如下所示:
其中,表示四旋翼植保无人机的虚拟输入向量;
以及/>和/>分别表示位置***和姿态***中的非线性,/>da=[dx,dy,dz]T和分别表示位置***和姿态***中的集总扰动。
(4)考虑执行器错误的影响,具体的数学表达式如下所示:
uo,i=ρiui+ri,i=1,2,3,4,
其中,uo,i和ui分别表示实际的控制信号和期望的控制信号,ρi和ri分别表示有效系数和附加故障。
(5)考虑执行器输入饱和的影响,具体的数学表达式如下所示:
sat(ui)=sign(ui)min{|ui|,umax,i},i=1,2,3,4,
其中,umax,i表示控制信号ui的上界值,符号函数sign(ui)定义为
(6)基于非完整复合数学模型、执行器错误的数学表达式以及输入饱和的数学表达式,建立考虑执行器错误和输入饱和的完整复合数学模型和/>具体表达式如下所示:
其中,ρb=[ρ1,ρ2,ρ3]T,rb=[r1,r2,r3]T
和
第四步,四旋翼植保无人机飞行误差数学模型的建立:基于四旋翼植保无人机复合数学模型,建立四旋翼植保无人机的飞行误差数学模型。需要特别说明的是,本发明建立的四旋翼植保无人机的飞行误差模型是为了引进滤波系数γ1和γ2,以便能更直接地调节位置误差的收敛速度和姿态误差的收敛速度。
所述四旋翼植保无人机飞行误差数学模型的建立包括以下步骤:
(1)定义位置误差e1、姿态误差e2、线速度误差以及角速度误差/>具体的数学表达式分别如下所示:
e1=P-Pd,e2=Θ-Θd,
其中,Pd=[xd,yd,zd]T和分别表示在地球坐标系中的期望位置信号和期望姿态信号。
(2)基于所定义的位置误差e1、姿态误差e2、线速度误差以及角速度误差/>设计位置***的滤波跟踪误差ξ1和姿态***的滤波跟踪误差ξ2,具体的数学表达式如下:
其中,γ1>0和γ2>0表示滤波系数,通过增大γ1和γ2能够提高跟踪误差的收敛速度。
(3)基于位置的滤波跟踪误差ξ1、姿态的滤波跟踪误差ξ2以及完整复合数学模型和/>建立四旋翼植保无人机的飞行误差数学模型/>和/>具体的数学表达式如下:
其中,和/>分别表示在位置***和姿态***中的复杂非线性变量。
第五步,饱和补偿***的设计和数据存储:基于四旋翼植保无人机的飞行误差数学模型设计饱和补偿***,并将饱和补偿***信号数据更新并保存到飞行数据存储器III中。本发明所设计的饱和补偿***不需要假设期望控制输入的大小是有界的,同时也能保证饱和补偿***是有限时间收敛的。
饱和补偿***的设计和数据存储包括以下步骤:
(1)基于位置***的滤波跟踪误差ξ1和姿态***的滤波跟踪误差ξ2,建立饱和补偿***和/>其具体的数学表达式如下所示:
其中,ΔU2=Tt-sat(Tt),K1>0和K2>0表示输入补偿辅助***的控制参数,υ1和υ2分别表示位置***和姿态***中输入的补偿辅助变量,ρ1和ρ2表示正奇数,且满足条件ρ1<ρ2;
(2)将补偿辅助变量数据υ1和υ2更新并保存到飞行数据存储器III中。
第六步,自适应神经网络参数的设计和数据存储:基于四旋翼植保无人机的飞行误差数学模型设计自适应神经网络参数,并将自适应神经网络参数的数据更新并保存到飞行数据存储器IV中。本发明利用所设计的自适应算法在线更新两个集总参数,而不是更新两个矢量或者两个矩阵。因此,这极大地减少了控制器中自适应参数的数量,从而有效地降低了计算负担。除此以外,本发明的自适应算法是基于δ-改性技术所设计的,从而有效地避免了参数漂移的问题。自适应神经网络参数的设计和数据存储包括以下步骤:
(1)根据s1和s2的定义,得如下不等式:
然后,基于径向基函数神经网络对非线性函数的强逼近能力,引入径向基函数神经网络,其具体的数学表达式如下所示:
h(Z)=W*TΞ(Z)+δ(Z),
其中,和W*TΞ(Z)分别表示径向基函数神经网络的输入和输出,n表示输入的数量,h(Z)表示非线性函数,δ(Z)表示逼近误差,W*表示最优权重向量,其根据如下公式计算:
其中,表示径向基函数神经网络的权重向量,表示高斯基函数,其具体的数学表达式如下:
其中,m=1,2,...,ksum,ksum表示隐藏层中总的神经元;和μ分别表示径向基函数神经网络的中心和半径。
(2)利用径向基函数神经网络逼近非线性函数η1(Z1)和η2(Z2),其具体的数学表达式如下所示:
进一步得:
其中,和Ψi(Zi)=1+Ξi(Zi),(i=1,2)分别表示未知虚参数和已知的可计算正标量参数。
(3)设计的自适应神经网络参数和/>如下所示:
其中,bi和ci,(i=1,2)均表示正的设计参数;表示βi的上界估计值;
(4)将自适应神经网络参数数据和/>更新并保存到飞行数据存储器IV中。
第七步,基于抗饱和有限时间自适应神经网络容错跟踪控制器的设计和控制信号的存储:基于四旋翼植保无人机的飞行误差数学模型和饱和补偿***,设计基于抗饱和有限时间自适应神经网络容错跟踪控制器,并将基于抗饱和有限时间自适应神经网络容错跟踪控制信号数据更新并保存到飞行数据存储器V中。本发明所设计的基于抗饱和有限时间自适应神经网络容错跟踪控制器,可以同时处理外部扰动、执行器错误和输入饱和的问题,这些问题极大地增加了控制器的设计难度。除此以外,这极大地减少了控制器中自适应参数的数量,简化了设计结构,减轻了参数在线计算的负担。因此,所设计的控制器更经济可靠,同时能更好的应对实际飞行过程中所遇到的紧急情况,满足安全飞行要求。所述基于抗饱和有限时间自适应神经网络容错跟踪控制器的设计和控制信号的存储包括以下步骤:
(1)基于滤波跟踪误差ξ1和ξ2、饱和补偿***和/>自适应神经网络参数/>和/>以及完整复合数学模型/>和/>设计基于抗饱和有限时间自适应神经网络容错跟踪控制器,其具体的数学表达式如下所示:
其中,ki和ai,(i=1,2)表示正设计参数,
由于四旋翼植保无人机是具有四个输入(uo,1,uo,2,uo,3,uo,4)6个输出的欠驱动***,利用三个虚拟控制输入信号(q1,q2,q3)计算实际控制输入信号uo,1,即:
另外,期望俯仰角φd和期望偏航角θd的计算公式分别如下所示:
/>
(2)将基于抗饱和有限时间自适应神经网络容错跟踪控制信号数据和Tt更新并保存到飞行数据存储器V中。
第八步,实时轨迹数据的更新:将基于抗饱和有限时间自适应神经网络容错跟踪控制信号输入到四旋翼植保无人机的完整复合数学模型中,输出实时轨迹数据并保存到飞行数据存储器II中。
(1)将基于抗饱和有限时间自适应神经网络容错跟踪控制信号输入到四旋翼植保无人机的完整复合数学模型,输出实时轨迹数据的二阶导数,即:三个线加速度和三个角加速度/>并保存到飞行数据存储器II中。
(2)对三个线加速度和三个角加速度/>进行二次积分,获得实时轨迹数据。
第九步,位置***和姿态***中参数数值的调整:通过监测饱和补偿信号的数据变化、自适应神经网络参数的数据变化以及期望轨迹数据与实际轨迹数据的差值变化,对位置***中的设计参数、控制参数进行调整,以此实现四旋翼植保无人机的跟踪控制。
其具体步骤如下:
(1)将保存在飞行数据存储器I、II和III中的期望轨迹数据、实时轨迹数据和实时自适应神经网络参数,以及复杂非线性变量,输入到饱和补偿***和径向基函数神经网络中,输出新的饱和补偿信号和新的自适应神经网络参数。
(2)将保存在飞行数据存储器I和II中的实时轨迹数据和期望轨迹数据、新的饱和补偿信号以及新的自适应神经网络参数,输入到基于抗饱和有限时间自适应神经网络容错跟踪控制器中,输出用于调整四旋翼植保无人机轨迹的控制信号。
(3)将用于调整四旋翼植保无人机轨迹的控制信号,输入到四旋翼植保无人机的完整复合数学模型中,输出实时轨迹数据的二阶导数,即:三个线加速度和三个角加速度/>再对实时轨迹数据的二阶导数进行二次积分,得到新的实时轨迹数据,即:在xa轴、ya轴和za轴上的位置坐标x、y和z,以及绕xa轴的横摇角度数φ、绕ya轴的俯仰角度数θ和绕za轴的偏航角度数/>
(4)将新的实时轨迹数据、新的饱和补偿信号数据、新的自适应神经网络参数数据以及用于调整四旋翼植保无人机轨迹的输入控制信号更新,并分别存储于飞行数据存储器II、III、IV和V中。
(5)观测飞行数据库III中饱和补偿信号数据的变化:
A1)位置***中设计参数k1和a1的变化调整:如果在位置***中的饱和补偿信号的绝对值在大于等于0.2的范围变化,则设计参数k1按0.5大小增加,并且设计参数a1的值按0.2大小增加,直至位置***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化;如果位置***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化,则设计参数k1按0.3大小增加,并且设计参数a1的值按0.1大小增加,直至位置***中的饱和补偿信号的绝对值在小于等于0.02范围内变化;如果位置***中的饱和补偿信号的绝对值在小于等于0.02范围内变化,则设计参数k1和a1的值均不变化,这满足四旋翼植保无人机在位置***中输入信号补偿的性能要求;
A2)姿态***中设计参数k2和a2的变化调整:如果在姿态***中的饱和补偿信号的绝对值在大于等于0.2的范围变化,则设计参数k2按0.5大小增加,并且设计参数a2的值按0.2大小增加,直至姿态***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化;如果姿态***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化,则设计参数k2按0.3大小增加,并且设计参数a2的值按0.1大小增加,直至姿态***中的饱和补偿信号的绝对值在小于等于0.02范围内变化;如果姿态***中的饱和补偿信号的绝对值在小于等于0.02范围内变化,则设计参数k2和a2的值均不变化,这满足四旋翼植保无人机在姿态***中输入信号补偿的性能要求。
(6)观测飞行数据库IV中自适应神经网络参数数据的变化:
B1)位置***中设计参数b1和c1的变化调整:如果在位置***中的自适应神经网络参数值随时间递增变化,则设计参数b1的值按0.2大小递减,同时设计参数c1的值按0.25大小增加,直至位置***中的自适应神经网络参数值随时间单调递减;如果位置***中的自适应神经网络参数值需要大于25秒才能收敛至零,则设计参数b1的值按0.08大小递减,同时设计参数c1的值按0.12大小增加,直至位置***中的自适应神经网络参数值需要小于25秒收敛至零附近;如果位置***中的自适应神经网络参数值需要小于25秒收敛至零附近,则设计参数b1的值按0.04大小递减,同时设计参数c1的值按0.06大小增加,直至位置***中的自适应神经网络参数值需要10秒到25秒范围内才能收敛至零附近;如果位置***中的自适应神经网络参数值需要10秒到25秒范围内收敛至零附近,则设计参数b1的值不变化,同时设计参数c1的值按0.04大小增加,直至位置***中的自适应神经网络参数值在10秒内能收敛至零附近;如果位置***中的自适应神经网络参数值在10秒以内收敛至零,则设计参数b1和c1的值均不变化,这满足四旋翼植保无人机在位置***中自适应神经网络参数收敛的性能要求;
B2)姿态***中设计参数b2和c2的变化调整:如果在姿态***中的自适应神经网络参数值随时间递增变化,则设计参数b2的值按0.2大小递减,同时设计参数c2的值按0.25大小增加,直至姿态***中的自适应神经网络参数值随时间单调递减;如果姿态***中的自适应神经网络参数值需要大于25秒才能收敛至零,则设计参数b2的值按0.08大小递减,同时设计参数c2的值按0.12大小增加,直至姿态***中的自适应神经网络参数值需要小于25秒收敛至零附近;如果姿态***中的自适应神经网络参数值需要小于25秒收敛至零附近,则设计参数b2的值按0.04大小递减,同时设计参数c2的值按0.06大小增加,直至姿态***中的自适应神经网络参数值需要10秒到25秒范围内才能收敛至零附近;如果姿态***中的自适应神经网络参数值需要10秒到25秒范围内收敛至零附近,则设计参数b2的值不变化,同时设计参数c2的值按0.04大小增加,直至姿态***中的自适应神经网络参数值在10秒范围内收敛至零;如果姿态***中的自适应神经网络参数值在10秒范围内收敛至零,则设计参数b2和c2的值均不变化,这满足四旋翼植保无人机在姿态***中自适应神经网络参数收敛的性能要求。
(7)通过飞行数据库I和II中的期望轨迹数据与实际轨迹数据进行差值比较:
C1)位置***中控制参数γ1的变化调整:如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和大于1.5,则控制参数γ1的值按0.18大小增加,直至差值的绝对值之和小于等于1.5;如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于1.5,则控制参数γ1的值按0.1大小增加,直至差值的绝对值之和小于等于0.1;如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于0.1,则控制参数γ1的值按0.06大小增加,直至差值的绝对值之和小于等于0.01;如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于0.01,控制参数γ1的值不改变,这满足四旋翼植保无人机在位置***中轨迹跟踪精度的性能要求;
C2)姿态***中控制参数γ2的变化调整:如果三种期望姿态角度与相应的实时姿态角度数/>差值的绝对值之和大于1,则控制参数γ2的值按0.15大小增加,直至差值的绝对值之和小于等于1;如果三种期望姿态角度数/>与相应的实时姿态角度数/>差值的绝对值之和之和小于等于1,则控制参数γ2的值按0.08大小增加,直至差值的绝对值之和小于等于0.1;如果三种期望姿态角度数/>与相应的实时姿态角度数/>差值的绝对值之和小于等于0.1,则控制参数γ2的值按0.03大小增加,直至差值的绝对值之和在小于等于0.01;如果三种期望姿态角/>与相应的实时姿态角度数/>差值的绝对值之和小于等于0.01,则控制参数γ2的值不改变,这满足四旋翼植保无人机在姿态***中轨迹跟踪精度的性能要求。
为了证明四旋翼植保无人机的跟踪误差信号e1和e2在有限时间范围内收敛至有界区域,考虑如下复合李雅普诺夫函数V:
其中,和/>表示估计误差,/>和/>分别表示β1和β2的估计值。
将基于抗饱和有限时间自适应神经网络容错跟踪控制器、四旋翼植保无人机的飞行误差数学模型、饱和补偿***和自适应神经网络参数,代入到李雅普诺夫函数V的一阶导数中,可得:
其中,
以及
根据有限时间稳定性定理可知,只要满足 和K2>0,闭环***的跟踪信号ξ1,ξ2,/>υ1,υ2在有限时间T1收敛至原点附近的有界区域Ω1。
具体地,有限时间T1的计算公式为
,其中:0<ε1<1,T0表示初始时间。
具体地,有界区域Ω1的计算公式为
因此,基于所设计的位置滤波跟踪误差和姿态滤波跟踪误差,可得出位置跟踪误差和姿态跟踪误差将分别收敛至如下有界区域:
综上所述,本发明在四旋翼植保无人机在受外界时变风扰、输入饱和以及执行器错误的影响下,设计的基于抗饱和有限时间自适应神经网络容错跟踪控制器仍能够保证所有闭环***信号和跟踪误差在有限时间内收敛至有界区域,增强了***的鲁棒性、执行器抗饱和性能以及执行器容错能力,有助于保证四旋翼植保无人机的高性能安全自主飞行。同时,减少了自适应神经网络参数的在线计算数量,有效地降低了机载控制中心的计算负担。
为了验证本发明所提控制器的优越性,在具体地实施例中,基于MATLAB仿真平台上构建四旋翼植保无人机轨迹跟踪控制***。在本发明实施例中,四旋翼植保无人机的物理参数如下:m=2[kg],g=9.8[m/s2],d=0.2[m],Jr=0.002[kg·m2],Io,x=Io,y=1.2416[N·m·s2/rad],Io,z=2.4832[N·m·s2/rad],Kf,1=Kf,2=Kf,3=0.01[N·s/m]和Kt,1=Kt,2=Kt,3=0.001[N·m·s/rad]。
四旋翼植保无人机受到的时变扰动如下:
和四旋翼植保无人机受到的执行器故障如下:/> [r1,r2,r3,r4]T=[0.1,0.02,0.1sin(0.2t),0]T。四旋翼植保无人机受到的输入饱和限制如下:umax,1=35[N]和umax,2=umax,3=umax,4=40[N·m]。四旋翼植保无人机从初始轨迹
起飞跟踪期望轨迹
选取的控制参数如下:
γ1=10,γ2=6,k1=10,k2=2,a1=a2=1,b1=0.003,b2=0.002,c1=c2=0.6,β1(0)=β2(0)=0,σ=0,μ=5,ksum=200,ρ1=15,ρ2=17,K1=2.5和K2=3.5。
如图3-图10所示,从图3中可以看出四旋翼植保无人机的实际轨迹能很好地跟踪上期望轨迹。从图4、图5、图6可以看出四旋翼植保无人机在外部风扰、执行器错误和输入饱和的影响下,其在x,y,z轴上的实时轨迹信号能分别准确地跟踪上对应的期望位置信号。从图7、图8、图9可以看出四旋翼植保无人机在外部风扰、执行器错误和输入饱和的影响下,其实时翻滚角信号、实时俯仰角信号和实时偏航角信号能分别准确地跟踪上对应的期望姿态信号。从图10中可以看出四旋翼植保无人机的四个输出信号均满足输入饱和的约束条件,有效地解决了输入饱和的问题。从图11中可以看出两个自适应参数的值有界且最终收敛至0附近,避免了参数漂移的问题。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种四旋翼植保无人机跟踪控制方法,其特征在于,包括以下步骤:
11)期望轨迹数据的设定和存储:根据四旋翼植保无人机所执行的飞行任务要求,通过地面终端输入期望轨迹数据;通过机载网络模块接收地面终端所输入的期望轨迹数据,并保存到飞行数据存储器I中;
12)实时轨迹数据的采集和存储:通过四旋翼植保无人机所搭载的位置传感器、姿态传感器采集实时轨迹数据,并将所采集的实时轨迹数据保存在飞行数据存储器II中;
13)四旋翼植保无人机复合数学模型的建立:根据四旋翼植保无人机的固有机械特性以及在飞行时受到执行器故障、输入饱和以及时变风扰的干扰因素,建立四旋翼植保无人机的完整复合数学模型;
所述四旋翼植保无人机复合数学模型的建立包括以下步骤:
131)基于坐标系转换方法,建立四旋翼植保无人机的位置运动学数学模型和姿态运动学数学模型,具体表达式分别如下所示:
其中,P=[x,y,z]T和分别表示四旋翼植保无人机在地球坐标系中的欧几里得位置向量和欧拉角向量,其中x、y和z分别表示在xa轴、ya轴和za轴上的位置坐标,φ、θ和/>分别表示绕xa轴的横摇角度数、绕ya轴的俯仰角度数和绕za轴的偏航角度数,V=[u,v,w]T和Ω=[p,q,r]T分别表示四旋翼植保无人机在机体坐标系中的线速度向量和角速度向量,其中,u、v和w分别表示在xb轴、yb轴和zb轴上的线速度,p、q和r分别表示绕xb轴的横摇角速度、绕yb轴的俯仰角速度和绕zb轴的偏航角速度,/>和/>分别表示四旋翼植保无人机在地球坐标系中的线速度向量和角速度向量,其中/>和/>分别表示在xa轴、ya轴和za轴上的线速度,/>和/>分别表示绕xa轴的横摇角速度、绕ya轴的俯仰角速度和绕za轴的偏航角速度,Rt和Rs分别表示正交矩阵和欧拉矩阵,具体表达式分别如下所示:
132)利用欧拉拉格朗日建模方法,考虑四旋翼植保无人机的自身机械结构特点以及在飞行时所受到的外界时变风扰影响,建立四旋翼植保无人机的位置动力学数学模型和姿态动力学数学模型,具体表达式分别如下所示:
其中,Ir=diag(Ix,Iy,Iz)表示正定转动惯量矩阵,其中Ix、Iy和Iz分别表示绕x轴、y轴和z轴的转动惯量系数,m表示四旋翼植保无人机的自身质量,和/>分别表示四旋翼植保无人机在机体坐标系中的线加速度向量和角加速度向量,其中,/>和分别表示在xb轴、yb轴和zb轴上的线加速度,/>和/>分别表示绕xb轴的横摇角加速度、绕yb轴的俯仰角加速度和绕zb轴的偏航角加速度;
Fs=[0,0,uo,1]T和Ts=[uo,2,uo,3,uo,4]T分别表示升力和控制力矩,
其中,uo,i,(i=1,2,3,4)的具体计算表达式如下:
其中,wi,(i=1,2,3,4)表示第i个电机转子的转速,d表示电机与四旋翼植保无人机质心的距离,c1和c2分别表示螺旋桨推力系数和转矩系数,Fa和Ta分别表示在姿态动力***和位置动力***中的空气阻力,具体表达式分别如下:
其中,Kf=diag(Kf,1,Kf,2,Kf,3)和Kt=diag(Kt,1,Kt,2,Kt,3)分别表示姿态***的阻力系数矩阵和位置***的阻力系数矩阵;
Fg表示***重力,其具体表达式如下所示:
其中,E=[0,0,1]T,m表示四旋翼植保无人机的自身质量,g表示重力加速度,为正交矩阵Rt的逆矩阵,Tg表示陀螺力矩,其具体表达式如下所示:
其中,J表示每个转子的惯性系数,
符号(Ω)×表示Ω向量的斜对称矩阵,其满足如下形式:
133)基于四旋翼植保无人机的运动学数学模型、动力学数学模型、位置动力学数学模型和姿态动力学数学模型,建立不考虑执行器错误和输入饱和的非完整复合数学模型,具体表达式分别如下所示:
其中,表示四旋翼植保无人机的虚拟输入向量;
以及/>和分别表示位置***和姿态***中的非线性,/>da=[dx,dy,dz]T和分别表示位置***和姿态***中的集总扰动;
134)考虑执行器错误的影响,具体的数学表达式如下所示:
uo,i=ρiui+ri,i=1,2,3,4,
其中,uo,i和ui分别表示实际的控制信号和期望的控制信号,ρi和ri分别表示有效系数和附加故障;
135)考虑执行器输入饱和的影响,具体的数学表达式如下所示:
sat(ui)=sign(ui)min{|ui|,umax,i},i=1,2,3,4,
其中,umax,i表示控制信号ui的上界值,符号函数sign(ui)定义为
136)基于非完整复合数学模型、执行器错误的数学表达式以及输入饱和的数学表达式,建立考虑执行器错误和输入饱和的完整复合数学模型和/>具体表达式如下所示:
其中,ρb=[ρ1,ρ2,ρ3]T,rb=[r1,r2,r3]T
和
14)四旋翼植保无人机飞行误差数学模型的建立:基于四旋翼植保无人机复合数学模型,建立四旋翼植保无人机的飞行误差数学模型;
15)饱和补偿***的设计和数据存储:基于四旋翼植保无人机的飞行误差数学模型设计饱和补偿***,并将饱和补偿***信号数据更新并保存到飞行数据存储器III中;
16)自适应神经网络参数的设计和数据存储:基于四旋翼植保无人机的飞行误差数学模型设计自适应神经网络参数,并将自适应神经网络参数的数据更新并保存到飞行数据存储器IV中;
17)基于抗饱和有限时间自适应神经网络容错跟踪控制器的设计和控制信号的存储:基于四旋翼植保无人机的飞行误差数学模型和饱和补偿***,设计基于抗饱和有限时间自适应神经网络容错跟踪控制器,并将基于抗饱和有限时间自适应神经网络容错跟踪控制信号数据更新并保存到飞行数据存储器V中;
18)实时轨迹数据的更新:将基于抗饱和有限时间自适应神经网络容错跟踪控制信号输入到四旋翼植保无人机的完整复合数学模型中,输出实时轨迹数据并保存到飞行数据存储器II中;
19)位置***和姿态***中参数数值的调整:通过监测饱和补偿信号的数据变化、自适应神经网络参数的数据变化以及期望轨迹数据与实际轨迹数据的差值变化,对位置***中的设计参数、控制参数进行调整,实现四旋翼植保无人机的跟踪控制。
2.根据权利要求1所述的四旋翼植保无人机跟踪控制方法,其特征在于,所述四旋翼植保无人机飞行误差数学模型的建立包括以下步骤:
21)定义位置误差e1、姿态误差e2、线速度误差以及角速度误差/>具体的数学表达式分别如下所示:
e1=P-Pd,e2=Θ-Θd,
其中,Pd=[xd,yd,zd]T和分别表示在地球坐标系中的期望位置信号和期望姿态信号;
22)基于所定义的位置误差e1、姿态误差e2、线速度误差以及角速度误差/>设计位置***的滤波跟踪误差ξ1和姿态***的滤波跟踪误差ξ2,具体的数学表达式如下:
其中,γ1>0和γ2>0表示滤波系数,通过增大γ1和γ2能够提高跟踪误差的收敛速度;
23)基于位置的滤波跟踪误差ξ1、姿态的滤波跟踪误差ξ2以及完整复合数学模型和建立四旋翼植保无人机的飞行误差数学模型/>和/>具体的数学表达式如下:
其中,和/>分别表示在位置***和姿态***中的复杂非线性变量。
3.根据权利要求2所述的四旋翼植保无人机跟踪控制方法,其特征在于,所述饱和补偿***的设计和数据存储包括以下步骤:
31)基于位置***的滤波跟踪误差ξ1和姿态***的滤波跟踪误差ξ2,建立饱和补偿***和/>其具体的数学表达式如下所示:
其中,ΔU2=Tt-sat(Tt),K1>0和K2>0表示输入补偿辅助***的控制参数,υ1和υ2分别表示位置***和姿态***中输入的补偿辅助变量,ρ1和ρ2表示正奇数,且满足条件ρ1<ρ2;
32)将补偿辅助变量数据υ1和υ2更新并保存到飞行数据存储器III中。
4.根据权利要求3所述的四旋翼植保无人机跟踪控制方法,其特征在于,所述自适应神经网络参数的设计和数据存储包括以下步骤:
41)根据s1和s2的定义,得如下不等式:
然后,基于径向基函数神经网络对非线性函数的强逼近能力,引入径向基函数神经网络,其具体的数学表达式如下所示:
h(Z)=W*TΞ(Z)+δ(Z),
其中,和W*TΞ(Z)分别表示径向基函数神经网络的输入和输出,n表示输入的数量,h(Z)表示非线性函数,δ(Z)表示逼近误差,W*表示最优权重向量,其根据如下公式计算:
其中,表示径向基函数神经网络的权重向量,表示高斯基函数,其具体的数学表达式如下:
其中,m=1,2,...,ksum,ksum表示隐藏层中总的神经元;和μ分别表示径向基函数神经网络的中心和半径;
42)利用径向基函数神经网络逼近非线性函数η1(Z1)和η2(Z2),其具体的数学表达式如下所示:
η1(Z1)=W1 *TΞ1(Z1)+δ1,η2(Z2)=W2 *TΞ2(Z2)+δ2,
进一步得:
其中,和Ψi(Zi)=1+Ξi(Zi),(i=1,2)分别表示未知虚参数和已知的可计算正标量参数;
43)设计的自适应神经网络参数和/>如下所示:
其中,bi和ci,(i=1,2)均表示正的设计参数;表示βi的上界估计值;
44)将自适应神经网络参数数据和/>更新并保存到飞行数据存储器IV中。
5.根据权利要求4所述的四旋翼植保无人机跟踪控制方法,其特征在于,所述基于抗饱和有限时间自适应神经网络容错跟踪控制器的设计和控制信号的存储包括以下步骤:
51)基于滤波跟踪误差ξ1和ξ2、饱和补偿***和/>自适应神经网络参数/>和/>以及完整复合数学模型/>和/>设计基于抗饱和有限时间自适应神经网络容错跟踪控制器,其具体的数学表达式如下所示:
其中,ki和ai,(i=1,2)表示正设计参数,
由于四旋翼植保无人机是具有四个输入(uo,1,uo,2,uo,3,uo,4)6个输出的欠驱动***,利用三个虚拟控制输入信号(q1,q2,q3)计算实际控制输入信号uo,1,即:
另外,期望俯仰角φd和期望偏航角θd的计算公式分别如下所示:
52)将基于抗饱和有限时间自适应神经网络容错跟踪控制信号数据和Tt更新并保存到飞行数据存储器V中。
6.根据权利要求5所述的四旋翼植保无人机跟踪控制方法,其特征在于,所述实时轨迹数据的更新包括以下步骤:
61)将基于抗饱和有限时间自适应神经网络容错跟踪控制信号输入到四旋翼植保无人机的完整复合数学模型,输出实时轨迹数据的二阶导数,即:三个线加速度和三个角加速度/>并保存到飞行数据存储器II中;
62)对三个线加速度和三个角加速度/>进行二次积分,获得实时轨迹数据。
7.根据权利要求6所述的四旋翼植保无人机跟踪控制方法,其特征在于,所述位置***和姿态***中参数数值的调整包括以下步骤:
71)将保存在飞行数据存储器I、II和III中的期望轨迹数据、实时轨迹数据和实时自适应神经网络参数,以及复杂非线性变量,输入到饱和补偿***和径向基函数神经网络中,输出新的饱和补偿信号和新的自适应神经网络参数;
72)将保存在飞行数据存储器I和II中的实时轨迹数据和期望轨迹数据、新的饱和补偿信号以及新的自适应神经网络参数,输入到基于抗饱和有限时间自适应神经网络容错跟踪控制器中,输出用于调整四旋翼植保无人机轨迹的控制信号;
73)将用于调整四旋翼植保无人机轨迹的控制信号,输入到四旋翼植保无人机的完整复合数学模型中,输出实时轨迹数据的二阶导数,即:三个线加速度和三个角加速度再对实时轨迹数据的二阶导数进行二次积分,得到新的实时轨迹数据,即:在xa轴、ya轴和za轴上的位置坐标x、y和z,以及绕xa轴的横摇角度数φ、绕ya轴的俯仰角度数θ和绕za轴的偏航角度数/>
74)将新的实时轨迹数据、新的饱和补偿信号数据、新的自适应神经网络参数数据以及用于调整四旋翼植保无人机轨迹的输入控制信号更新,并分别存储于飞行数据存储器II、III、IV和V中;
75)观测飞行数据库III中饱和补偿信号数据的变化:
751)位置***中设计参数k1和a1的变化调整:
如果在位置***中的饱和补偿信号的绝对值在大于等于0.2的范围变化,则设计参数k1按0.5大小增加,并且设计参数a1的值按0.2大小增加,直至位置***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化;
如果位置***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化,则设计参数k1按0.3大小增加,并且设计参数a1的值按0.1大小增加,直至位置***中的饱和补偿信号的绝对值在小于等于0.02范围内变化;
如果位置***中的饱和补偿信号的绝对值在小于等于0.02范围内变化,则设计参数k1和a1的值均不变化,这满足四旋翼植保无人机在位置***中输入信号补偿的性能要求;
752)姿态***中设计参数k2和a2的变化调整:
如果在姿态***中的饱和补偿信号的绝对值在大于等于0.2的范围变化,则设计参数k2按0.5大小增加,并且设计参数a2的值按0.2大小增加,直至姿态***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化;
如果姿态***中的饱和补偿信号的绝对值在小于等于0.2的范围内变化,则设计参数k2按0.3大小增加,并且设计参数a2的值按0.1大小增加,直至姿态***中的饱和补偿信号的绝对值在小于等于0.02范围内变化;
如果姿态***中的饱和补偿信号的绝对值在小于等于0.02范围内变化,则设计参数k2和a2的值均不变化,这满足四旋翼植保无人机在姿态***中输入信号补偿的性能要求;
76)观测飞行数据库IV中自适应神经网络参数数据的变化:
761)位置***中设计参数b1和c1的变化调整:
如果在位置***中的自适应神经网络参数值随时间递增变化,则设计参数b1的值按0.2大小递减,同时设计参数c1的值按0.25大小增加,直至位置***中的自适应神经网络参数值随时间单调递减;
如果位置***中的自适应神经网络参数值需要大于25秒才能收敛至零,则设计参数b1的值按0.08大小递减,同时设计参数c1的值按0.12大小增加,直至位置***中的自适应神经网络参数值需要小于25秒收敛至零附近;
如果位置***中的自适应神经网络参数值需要小于25秒收敛至零附近,则设计参数b1的值按0.04大小递减,同时设计参数c1的值按0.06大小增加,直至位置***中的自适应神经网络参数值需要10秒到25秒范围内才能收敛至零附近,则设计参数b1的值不变化,同时设计参数c1的值按0.04大小增加,直至位置***中的自适应神经网络参数值在10秒内能收敛至零附近;
如果位置***中的自适应神经网络参数值在10秒以内就能收敛至零,则设计参数b1和c1的值均不变化,这满足四旋翼植保无人机在位置***中自适应神经网络参数收敛的性能要求;
762)姿态***中设计参数b2和c2的变化调整:
如果在姿态***中的自适应神经网络参数值随时间递增变化,则设计参数b2的值按0.2大小递减,同时设计参数c2的值按0.25大小增加,直至姿态***中的自适应神经网络参数值随时间单调递减;
如果姿态***中的自适应神经网络参数值需要大于25秒才能收敛至零,则设计参数b2的值按0.08大小递减,同时设计参数c2的值按0.12大小增加,直至姿态***中的自适应神经网络参数值需要小于25秒收敛至零附近;
如果姿态***中的自适应神经网络参数值需要小于25秒收敛至零附近,则设计参数b2的值按0.04大小递减,同时设计参数c2的值按0.06大小增加,直至姿态***中的自适应神经网络参数值需要10秒到25秒范围内收敛至零附近;
如果姿态***中的自适应神经网络参数值需要10秒到25秒范围内收敛至零附近,则设计参数b2的值不变化,同时设计参数c2的值按0.04大小增加,直至姿态***中的自适应神经网络参数值在10秒范围内收敛至零;
如果姿态***中的自适应神经网络参数值在10秒范围内收敛至零,则设计参数b2和c2的值均不变化,这满足四旋翼植保无人机在姿态***中自适应神经网络参数收敛的性能要求;
77)通过飞行数据库I和II中的期望轨迹数据与实际轨迹数据进行差值比较:
771)位置***中控制参数γ1的变化调整:
如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和大于1.5,则控制参数γ1的值按0.18大小增加,直至差值的绝对值之和小于等于1.5;
如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于1.5,则控制参数γ1的值按0.1大小增加,直至差值的绝对值之和小于等于0.1;
如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于0.1,则控制参数γ1的值按0.06大小增加,直至差值的绝对值之和小于等于0.01;
如果三种期望位置(xd,yd,zd)与相应的实时位置(x,y,z)差值的绝对值之和小于等于0.01,控制参数γ1的值不改变,这满足四旋翼植保无人机在位置***中轨迹跟踪精度的性能要求;
772)姿态***中控制参数γ2的变化调整:
如果三种期望姿态角度数与相应的实时姿态角度数/>差值的绝对值之和大于1,则控制参数γ2的值按0.15大小增加,直至差值的绝对值之和小于等于1;
如果三种期望姿态角度数与相应的实时姿态角度数/>差值的绝对值之和之和小于等于1,则控制参数γ2的值按0.08大小增加,直至差值的绝对值之和小于等于0.1;
如果三种期望姿态角度数与相应的实时姿态角度数/>差值的绝对值之和小于等于0.1,则控制参数γ2的值按0.03大小增加,直至差值的绝对值之和在小于等于0.01;
如果三种期望姿态角度数与相应的实时姿态角度数/>差值的绝对值之和小于等于0.01,则控制参数γ2的值不改变,这满足四旋翼植保无人机在姿态***中轨迹跟踪精度的性能要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987581.2A CN113961010B (zh) | 2021-08-26 | 2021-08-26 | 四旋翼植保无人机跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987581.2A CN113961010B (zh) | 2021-08-26 | 2021-08-26 | 四旋翼植保无人机跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113961010A CN113961010A (zh) | 2022-01-21 |
CN113961010B true CN113961010B (zh) | 2023-07-18 |
Family
ID=79460735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110987581.2A Active CN113961010B (zh) | 2021-08-26 | 2021-08-26 | 四旋翼植保无人机跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113961010B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117908362B (zh) * | 2024-03-15 | 2024-06-07 | 山东大学 | 柔性关节机器人的复合抗饱和控制方法及控制*** |
CN117908576B (zh) * | 2024-03-19 | 2024-05-28 | 南京信息工程大学 | 一种抗饱和的四旋翼无人机有限时间容错控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049640A (zh) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN105843240A (zh) * | 2016-04-08 | 2016-08-10 | 北京航空航天大学 | 一种考虑执行器故障的航天器姿态积分滑模容错控制方法 |
WO2016193713A1 (en) * | 2015-06-02 | 2016-12-08 | Marine Electrical Consulting Limited | Method and apparatus for adaptive motion compensation |
CN107943094A (zh) * | 2017-12-27 | 2018-04-20 | 上海应用技术大学 | 一种四旋翼飞行器的滑模控制方法及其控制器 |
CN108375907A (zh) * | 2018-03-28 | 2018-08-07 | 北京航空航天大学 | 基于神经网络的高超声速飞行器自适应补偿控制方法 |
CN108803317A (zh) * | 2018-05-08 | 2018-11-13 | 天津大学 | 自适应多变量四旋翼无人机有限时间容错控制方法 |
CN109188910A (zh) * | 2018-09-28 | 2019-01-11 | 浙江工业大学 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
GB201910669D0 (en) * | 2018-07-25 | 2019-09-11 | Univ Northwestern Polytechnical | Method for controlling relative attitude of spacecrafts having multi-source disturbances and actuator saturation |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN113220031A (zh) * | 2021-05-13 | 2021-08-06 | 中国科学院合肥物质科学研究院 | 基于抗饱和有限时间的旋翼式植保无人机姿态跟踪控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9978285B2 (en) * | 2015-06-10 | 2018-05-22 | Ecole Polytechnique Federale De Lausanne (Epfl) | Autonomous and non-autonomous dynamic model based navigation system for unmanned vehicles |
US11693373B2 (en) * | 2018-12-10 | 2023-07-04 | California Institute Of Technology | Systems and methods for robust learning-based control during forward and landing flight under uncertain conditions |
-
2021
- 2021-08-26 CN CN202110987581.2A patent/CN113961010B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN104049640A (zh) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
WO2016193713A1 (en) * | 2015-06-02 | 2016-12-08 | Marine Electrical Consulting Limited | Method and apparatus for adaptive motion compensation |
CN105843240A (zh) * | 2016-04-08 | 2016-08-10 | 北京航空航天大学 | 一种考虑执行器故障的航天器姿态积分滑模容错控制方法 |
CN107943094A (zh) * | 2017-12-27 | 2018-04-20 | 上海应用技术大学 | 一种四旋翼飞行器的滑模控制方法及其控制器 |
CN108375907A (zh) * | 2018-03-28 | 2018-08-07 | 北京航空航天大学 | 基于神经网络的高超声速飞行器自适应补偿控制方法 |
CN108803317A (zh) * | 2018-05-08 | 2018-11-13 | 天津大学 | 自适应多变量四旋翼无人机有限时间容错控制方法 |
GB201910669D0 (en) * | 2018-07-25 | 2019-09-11 | Univ Northwestern Polytechnical | Method for controlling relative attitude of spacecrafts having multi-source disturbances and actuator saturation |
CN109188910A (zh) * | 2018-09-28 | 2019-01-11 | 浙江工业大学 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN113220031A (zh) * | 2021-05-13 | 2021-08-06 | 中国科学院合肥物质科学研究院 | 基于抗饱和有限时间的旋翼式植保无人机姿态跟踪控制方法 |
Non-Patent Citations (2)
Title |
---|
一种改善无人机自动返航降落误差的方法;刘康等;现代电子技术;第41卷(第6期);第61-69页 * |
输入饱和与姿态受限的四旋翼无人机反步姿态控制;魏青铜等;控制理论与应用;第32卷(第10期);第1361-1369页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113961010A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111766899B (zh) | 一种基于干扰观测器的四旋翼无人机集群抗干扰编队控制方法 | |
Liu et al. | Anti-saturation adaptive finite-time neural network based fault-tolerant tracking control for a quadrotor UAV with external disturbances | |
CN109541941B (zh) | 一种针对垂直起降运载器主动段飞行的自适应增广抗扰容错方法 | |
CN109696830B (zh) | 小型无人直升机的强化学习自适应控制方法 | |
Doukhi et al. | Neural network-based robust adaptive certainty equivalent controller for quadrotor UAV with unknown disturbances | |
Wen et al. | Optimized backstepping tracking control using reinforcement learning for quadrotor unmanned aerial vehicle system | |
CN105912009B (zh) | 基于极点配置和模糊自抗扰控制技术的四旋翼飞行器控制方法 | |
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 | |
CN113961010B (zh) | 四旋翼植保无人机跟踪控制方法 | |
Xu et al. | Information fusion estimation-based path following control of quadrotor UAVs subjected to Gaussian random disturbance | |
CN112015192B (zh) | 一种自愈四旋翼无人机抗干扰控制方法与*** | |
Cai et al. | Quadrotor waypoint-tracking control under exogenous disturbances based on equivalent-input-disturbance approach | |
CN114138010B (zh) | 一种基于加权偏差的多智能体高阶滑模编队控制方法 | |
CN110673623A (zh) | 一种基于双环pd控制算法控制的四旋翼无人机着陆方法 | |
Yan et al. | Adaptive tracking flight control for unmanned autonomous helicopter with full state constraints and actuator faults | |
CN115556111A (zh) | 基于变惯性参数建模的飞行机械臂耦合扰动控制方法 | |
CN115202213A (zh) | 一种基于自抗扰控制的四旋翼飞行器控制方法 | |
CN113220031A (zh) | 基于抗饱和有限时间的旋翼式植保无人机姿态跟踪控制方法 | |
Zhang et al. | A novel finite-time-gain-adjustment controller design method for UAVs tracking time-varying targets | |
CN108459611B (zh) | 一种近空间飞行器的姿态跟踪控制方法 | |
Yang et al. | A decentralised control strategy for formation flight of unmanned aerial vehicles | |
CN117452975A (zh) | 一种四旋翼无人机集群的保性能协同编队控制设计方法 | |
Jiang et al. | A feedback linearization and saturated control structure for quadrotor UAV | |
CN116382332B (zh) | 一种基于ude的战斗机大机动鲁棒飞行控制方法 | |
CN109857146B (zh) | 一种基于前馈和权值分配的分层无人机跟踪控制方法 |
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 |