CN114089637B - 多模态鲁棒自抗扰运动控制方法及*** - Google Patents

多模态鲁棒自抗扰运动控制方法及*** Download PDF

Info

Publication number
CN114089637B
CN114089637B CN202210063377.6A CN202210063377A CN114089637B CN 114089637 B CN114089637 B CN 114089637B CN 202210063377 A CN202210063377 A CN 202210063377A CN 114089637 B CN114089637 B CN 114089637B
Authority
CN
China
Prior art keywords
controlled system
control
model
disturbance
ideal
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
Application number
CN202210063377.6A
Other languages
English (en)
Other versions
CN114089637A (zh
Inventor
王常虹
王冠
夏红伟
马广程
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.)
Harbin Institute of Technology
Original Assignee
Shenrui Technology Beijing Co ltd
Harbin Institute of Technology
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 Shenrui Technology Beijing Co ltd, Harbin Institute of Technology filed Critical Shenrui Technology Beijing Co ltd
Priority to CN202210063377.6A priority Critical patent/CN114089637B/zh
Publication of CN114089637A publication Critical patent/CN114089637A/zh
Application granted granted Critical
Publication of CN114089637B publication Critical patent/CN114089637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Feedback Control In General (AREA)

Abstract

本发明涉及多模态鲁棒自抗扰运动控制方法及***。所述方法包括依次执行的如下步骤：根据被控***信息，判断被控***当前所处的控制模态；其中，所述被控***信息包括被控***的状态信息；根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。本发明的控制方法及***能够实现所述控制方法能够实现对理想控制指令的修正得到实际控制指令，抑制不同模态控制规律转换时被***的瞬态响应，实现多模态***的控制，提高了控制精度以及被控***的稳定性，使得多模态被控***具有较强的鲁棒性。

Description

多模态鲁棒自抗扰运动控制方法及***
技术领域
本发明涉及运动控制技术领域，尤其涉及一种多模态鲁棒自抗扰运动控制方法及***。
背景技术
运动控制技术在当今工业中应用广泛，如电机运动控制、数控机床、机器人控制等。运动控制是指对位置/位移、速度、加速度等运动量进行控制。采用电动机作为运动执行器，相比其它类型的运动执行器，具有结构简单、响应快、精度和效率高等优点，有利于实现高速或低速、高精度等高性能运动控制，在现代工业、民用、医疗、交通和军事等领域具有广泛的应用前景。
由于运动控制***存在摩擦力、***参数变化、负载扰动力等因素影响，尤其是***非线性因素(如信号测量噪声)和不确定干扰，很大程度上影响***的运动精度。因此对运动控制器的性能提出了很高的要求。
目前，有越来越多的先进控制算法被运用到运动控制研究中，常见的有迭代学习控制算法、自适应鲁棒控制算法、神经网络控制算法和自抗扰控制算法等，其中自抗扰控制被公认为较为有效的技术。
现有技术中中国发明专利“一种基于可调阶次滤波器的分数阶自抗扰运动控制方法”(公告号CN108459507B，2021年05月25日)提出了一种具有参数调节灵活、易于工程实现的运动控制方法，并有效改善了运动控制***对测量噪声和干扰的抑制能力，但其针对的模型相对简单，且未考虑多模态特性。
现有技术中中国发明专利“一种用于飞行器多模态控制***的设计方法”(公告号CN104573182B，2017年12月08日)提出了一种用于飞行器多模态控制***的设计方法，能够对***进行功能、物理、软件体系结构进行定义和分析，但对于具体的控制器设计并未详细给出。
论文“Adaptive tracking control for a class of uncertain switchednonlinear systems”(Zhao X,Zheng X,Niu B,et al.Adaptive tracking control for aclass of uncertain switched nonlinear systems[J].Automatica,2015,2:185-191.)针对一类具有未知函数的切换非线性***控制问题，采用自适应反步技术构造状态反馈控制器，并利用李雅普诺夫函数证明了其稳定性。所设计的状态反馈控制器可以确保所有信号有界，并且跟踪误差收敛到原点的一个小邻域，但其控制器设计未对***扰动进行处理，并且在模态切换时，被控对象的瞬态响应可能产生突变，消耗较多能源，同时可能损害***执行机构。
然而，相关技术中的自抗扰运动控制方法未考虑较为复杂且具有实际工程意义的***多模态特性，难以抑制执行机构的瞬态响应突变，即存在模态切换时控制指令的突变而导致的闭环***稳定性降低，***的控制精度降低的问题。
发明内容
有鉴于此，本发明提供一种多模态鲁棒自抗扰运动控制方法，实现多模态***的控制，提高了控制精度以及被控***的稳定性，使得多模态被控***具有较强的鲁棒性。
本发明首先提供了一种多模态鲁棒自抗扰运动控制方法，所述方法包括依次执行的如下步骤：根据被控***信息，判断被控***当前所处的控制模态；其中，所述被控***信息包括被控***的状态信息；根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。
在一种可能的实施方式中，所述方法还包括：根据所述被控***的控制目标，建立多模态的被控***模型；根据所述被控***模型和所述被控***的控制目标，确定被控***的控制模态。
在一种可能的实施方式中，所述方法还包括：建立控制器模型和扰动观测器模型；其中，所述控制模态对应不同的控制模型和扰动观测器模型；其中，所述扰动观测器模型，用于估计所述被控***的扰动参数；所述控制器模型，用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。
在一种可能的实施方式中，所述根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令，包括：根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令。
在一种可能的实施方式中，根据所述被控***的控制目标，建立多模态的被控***模型，包括：建立如下所述被控***模型：
Figure GDA0003542053880000031
其中，i＝1,2,...,n，n表示所述被控***模型包括n个动态方程；k＝1,2,...,m，m表示所述被控***模型包括m个不同的模态；
Figure GDA0003542053880000037
表示状态信息xi的一阶导数；
Figure GDA0003542053880000032
表示被控***的状态信息构成的状态信息向量；
Figure GDA0003542053880000033
Figure GDA0003542053880000034
表示根据所述状态信息向量，利用径向基函数神经网络算法RBFNN得到的***状态向量
Figure GDA0003542053880000035
的连续函数；di表示状态信息xi对应的扰动参数；u表示第k个模态下的控制输入，所述控制方法的实际指令；x1和y表示所述被控***的状态输出。
在一种可能的实施方式中，所述建立控制器模型和扰动观测器模型，包括：针对所述被控***模型，设计第k个模态对应的鲁棒自抗扰运动控制器；对于i＝1时，建立如下扰动观测器模型：
Figure GDA0003542053880000036
建立如下控制器模型：
Figure GDA0003542053880000041
其中，α1表示被控***模型中第一个动态方程对应的控制指令，yr为参考信号，表示被控***的控制目标，跟踪误差表示为e1＝x1-yr，
Figure GDA0003542053880000042
是扰动观测器针对状态信息x1估计的扰动参数，
Figure GDA0003542053880000043
是观测误差，假设
Figure GDA0003542053880000044
Figure GDA0003542053880000045
是观测误差上界的估计值，
Figure GDA0003542053880000046
是
Figure GDA0003542053880000047
的一阶导数，tanh(·)是双曲正切函数；参数k1＞0，k′1＞0，λ1＞0，τ1＞0，l1＞0均为扰动观测器模型设计过程中可调节的参数，p1为扰动观测器模型设计过程中的中间量，没有实际物理意义。
在一种可能的实施方式中，所述建立控制器模型和扰动观测器模型，包括：对于1＜i≤n-1时，建立如下扰动观测器模型：
Figure GDA0003542053880000048
建立如下控制器模型：
Figure GDA0003542053880000049
其中，αi表示被控***模型中第i个动态方程对应的控制指令，跟踪误差表示为ei＝xi-αi-1，
Figure GDA00035420538800000410
是扰动观测器针对状态信息xi估计的扰动参数，
Figure GDA00035420538800000411
是观测误差，假设
Figure GDA00035420538800000412
Figure GDA00035420538800000413
是观测误差上界的估计值，
Figure GDA00035420538800000414
是
Figure GDA00035420538800000415
的一阶导数，tanh(·)是双曲正切函数；li＞0，ki＞0，k′i＞0，λi＞0，τi＞0均为扰动观测器及控制器模型设计过程中可调节的参数，pi为扰动观测器模型设计过程中的中间量，没有实际物理意义。
在一种可能的实施方式中，所述建立控制器模型和扰动观测器模型，包括：对于i＝n时，建立如下扰动观测器模型：
Figure GDA0003542053880000051
建立如下控制器模型：
Figure GDA0003542053880000052
其中，αn表示被控***模型中第n个动态方程对应的理想控制指令，跟踪误差表示为en＝xn-αn，
Figure GDA0003542053880000053
是扰动观测器针对状态信息xn估计的扰动参数，
Figure GDA0003542053880000054
是观测误差，假设
Figure GDA0003542053880000055
zu＝u-αn为切换误差，表示理想控制指令与实际控制指令之间的差值，u为实际控制指令，
Figure GDA0003542053880000056
是θn的估计值，参数kn＞0，k′n＞0，λn＞0，τn＞0均为扰动观测器及控制器模型设计过程中可调节的参数，pn为扰动观测器模型设计过程中的中间量，没有实际物理意义。
在一种可能的实施方式中，所述根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令，包括：当所述切换误差的绝对值在小于等于第一阈值时，将所述理想控制指令αn作为实际控制指令；当所述切换误差的绝对值在大于第一阈值时，对所述理想控制指令αn进行修正，得到实际控制指令。
在一种可能的实施方式中，所述当所述切换误差的绝对值在小于等于第一阈值时，将所述理想控制指令αn作为实际控制指令，当所述切换误差的绝对值在大于第一阈值时，对所述理想控制指令αn进行修正，得到实际控制指令，包括：
Figure GDA0003542053880000057
其中，0＜ω＜1，0＜β＜1，c和β为可调节的正参数。
本发明还提供了一种多模态鲁棒自抗扰运动控制***，所述***用于执行所述控制方法，所述***包括：控制模态判断模块，用于根据被控***信息，判断被控***当前所处的控制模态；其中，所述被控***信息包括被控***的状态信息；理想控制指令确定模块，用于根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；指令修正模块，用于根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。
在一种可能的实施方式中，所述多模态鲁棒自抗扰运动控制***，还包括：被控***模型建立模块，用于根据所述被控***的控制目标，建立多模态的被控***模型；根据所述被控***模型和所述被控***的控制目标，确定被控***的控制模态。
在一种可能的实施方式中，所述多模态鲁棒自抗扰运动控制***，还包括：控制器模型和扰动观测器模型建立模块，用于建立控制器模型和扰动观测器模型；其中，所述控制模态对应不同的控制模型和扰动观测器模型；其中，所述扰动观测器模型，用于估计所述被控***的扰动参数；所述控制器模型，用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。
在一种可能的实施方式中，所述指令修正模块，还用于根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令。
本发明的多模态鲁棒自抗扰运动控制方法，可以根据被控***信息，判断被控***当前所处的控制模态，根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。所述控制方法能够实现对理想控制指令的修正得到实际控制指令，抑制不同模态控制规律转换时被控***的瞬态响应，实现多模态***的控制，提高了控制精度以及被控***的稳定性，使得多模态被控***具有较强的鲁棒性。
根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将变得清楚。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出本发明一实施例的一种多模态鲁棒自抗扰运动控制方法的示意图。
图2示出本发明一实施例的一种多模态鲁棒自抗扰运动控制方法的流程图。
图3示出本发明另一实施例的一种多模态鲁棒自抗扰运动控制方法的流程图。
图4示出本发明一实施例的鲁棒自抗扰控制器控制被控***的示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
图1示出本发明一实施例的一种多模态鲁棒自抗扰运动控制方法的示意图。
如图1所示，被控对象的执行机构可以向被控对象反馈执行机构的运动状态，传感器可以获取被控对象的状态信息。鲁棒自抗扰控制器，可以根据控制的目标和相关控制理论，构造标称控制器，利用非线性扰动观测器估计***的未知扰动，并对标称控制器进行补偿得可以实现自抗扰的鲁棒自抗扰控制器。所述多模态鲁棒自抗扰运动控制方法中可以包括多模态切换机制，该机制可以实现根据传感器获取的被控对象的状态信息，判断出被控对象当前所处的模态。所述多模态鲁棒自抗扰运动控制方法中也可以多模态条件下的事件触发机制，该机制可以实现根据传感器获取的被控对象的状态信息确定当前状态对应的理想控制指令，鲁棒自抗扰控制器可以根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令，将其通过控制网络传递给执行机构，进而实现对被控对象的运动控制，保证了执行机构在一定的阈值内不发生突变，即抑制不同控制模态转换时被控***的瞬态响应。图2示出本发明一实施例的一种多模态鲁棒自抗扰运动控制方法的流程图。
所述方法包括依次执行的如下步骤：
步骤S1：根据被控***信息，判断被控***当前所处的控制模态；其中，所述被控***信息包括被控***的状态信息；
步骤S2：根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；
步骤S3：根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。
通过判断被控***当前所处的控制模态，根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。所述控制方法能够实现对理想控制指令的修正得到实际控制指令，抑制不同模态控制规律转换时被***的瞬态响应，实现多模态***的控制，提高了控制精度以及被控***的稳定性，使得多模态被控***具有较强的鲁棒性。
在另一种可能的实施方式中，如图3所示，在步骤S1之前，还可以包括步骤S0。
步骤S0包括：根据所述被控***的控制目标，建立多模态的被控***模型；根据所述被控***模型和所述被控***的控制目标，确定被控***的控制模态；
建立控制器模型和扰动观测器模型；其中，所述控制模态对应不同的控制模型和扰动观测器模型；其中，所述扰动观测器模型，用于估计所述被控***的扰动参数；所述控制器模型，用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。
在一种可能的实施方式中，根据所述被控***的控制目标，建立多模态的被控***模型，包括：建立如下所述被控***模型：
Figure GDA0003542053880000091
其中，i＝1,2,...,n，n表示所述被控***模型包括n个动态方程；k＝1,2,...,m，m表示所述被控***模型包括m个不同的模态；
Figure GDA0003542053880000096
表示状态信息xi的一阶导数；
Figure GDA0003542053880000092
表示被控***的状态信息构成的状态信息向量；
Figure GDA0003542053880000093
Figure GDA0003542053880000094
表示根据所述状态信息向量，利用径向基函数神经网络算法RBFNN得到的***状态向量
Figure GDA0003542053880000095
的连续函数；di表示状态信息xi对应的扰动参数；u表示第k个模态下的控制输入，所述控制方法的实际指令；x1和y表示所述被控***的状态输出。
在一种可能的实施方式中，例如所述被控***可以是无人机***，机器人***，机械臂***等存在运动控制的***。例如针对无人机被控***，可以根据无人机***的垂直上升，水平匀速飞行，水平加速飞行，水平减速飞行，垂直下降等控制目标，确定无人机***的多个控制模态：垂直上升模态，水平匀速飞行模态，水平加速飞行模态，水平减速飞行模态，垂直下降模态。可以根据无人机的所述多个控制目标建立无人机的多模态的被控***模型。
在一种可能的实施方式中，所述被控***是无人机***时，通过实际的飞行实验，获取足够多的飞行状态信息
Figure GDA0003542053880000101
得到被控***的状态信息构成的状态信息向量，以及获取足够多的飞机控制输入数据(或称控制指令)u。例如，无人机***的飞行状态信息包括速度，加速度，角速度等。根据所述状态信息向量，利用径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)算法，得到的被控***状态向量的拟合函数
Figure GDA0003542053880000102
和
Figure GDA0003542053880000103
表达式，建立不同模态下的拟合函数数据库，根据所述函数构建被控***模型。在一种可能的实施方式中，将被控***状态向量的函数
Figure GDA0003542053880000104
和
Figure GDA0003542053880000105
存入数据库中，为后续控制器模型设计做准备。
通过实验获取大量的被控***的运动控制数据，得到被控***的状态信息构成的状态信息向量以及控制输入数据。根据所述状态信息向量，利用径向基函数神经网络RBFNN算法，得到的被控***状态向量的函数，从而建立多模态包括***模型。这样，通过建立多模态被控***解决了相关技术中设计的被控***模型相对简单，未考虑较为复杂且具有实际工程意义的***多模态特性，当模态切换时，被控***的稳定性不好，控制精度不高的技术问题。
多模态控制***模型建立过程中使用的RBFNN算法是本领域中常用的具有较好的逼近性能的算法，广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。本发明对根据状态信息向量，利用径向基函数神经网络得到被控***状态向量的函数
Figure GDA0003542053880000106
和
Figure GDA0003542053880000107
的具体实现方式不做限定。
在一种可能的实施方式中，所述建立控制器模型和扰动观测器模型，包括：
针对所述被控***模型，设计第k个模态对应的鲁棒自抗扰运动控制器；
对于i＝1时，建立如下扰动观测器模型：
Figure GDA0003542053880000108
建立如下控制器模型：
Figure GDA0003542053880000111
其中，α1表示被控***模型中第一个动态方程对应的控制指令，yr为参考信号，表示被控***的控制目标，跟踪误差表示为e1＝x1-yr，
Figure GDA0003542053880000112
是扰动观测器针对状态信息x1估计的扰动参数，
Figure GDA0003542053880000113
是观测误差，假设
Figure GDA0003542053880000114
Figure GDA0003542053880000115
是观测误差上界的估计值，
Figure GDA0003542053880000116
是
Figure GDA0003542053880000117
的一阶导数，tanh(·)是双曲正切函数；参数k1＞0，k′1＞0，λ1＞0，τ1＞0，l1＞0均为扰动观测器及控制器模型设计过程中可调节的参数，p1为扰动观测器模型设计过程中的中间量，没有实际物理意义。
其中，上述扰动观测器模型和控制器模型中的被控***状态向量的函数
Figure GDA0003542053880000118
和
Figure GDA0003542053880000119
可以从前述拟合函数数据库中直接获取，本发明对此不进行特殊限定。
在一种可能的实施方式中，所述建立控制器模型和扰动观测器模型，包括：对于1＜i≤n-1时，建立如下扰动观测器模型：
Figure GDA00035420538800001110
建立如下控制器模型：
Figure GDA00035420538800001111
其中，αi表示被控***模型中第i个动态方程对应的控制指令，跟踪误差表示为ei＝xi-αi-1，
Figure GDA00035420538800001112
是扰动观测器针对状态信息xi估计的扰动参数，
Figure GDA00035420538800001113
是观测误差，假设
Figure GDA00035420538800001114
Figure GDA00035420538800001115
是观测误差上界的估计值，
Figure GDA00035420538800001116
是
Figure GDA00035420538800001117
的一阶导数，tanh(·)是双曲正切函数；li＞0，ki＞0，k′i＞0，λi＞0，τi＞0均为扰动观测器及控制器模型设计过程中可调节的参数，pi为扰动观测器模型设计过程中的中间量，没有实际物理意义。
在一种可能的实施方式中，所述建立控制器模型和扰动观测器模型，包括：对于i＝n时，建立如下扰动观测器模型：
Figure GDA0003542053880000121
建立如下控制器模型：
Figure GDA0003542053880000122
其中，αn表示被控***模型中第n个动态方程对应的理想控制指令，跟踪误差表示为en＝xn-αn，
Figure GDA0003542053880000123
是扰动观测器针对状态信息xn估计的扰动参数，
Figure GDA0003542053880000124
是观测误差，假设
Figure GDA0003542053880000125
zu＝u-αn为切换误差，表示理想控制指令与实际控制指令之间的差值，u为实际控制指令，
Figure GDA0003542053880000126
是θn的估计值，参数kn＞0，k′n＞0，λn＞0，τn＞0均为扰动观测器及控制器模型设计过程中可调节的参数，pn为扰动观测器模型设计过程中的中间量，没有实际物理意义。
这样，针对已经建立的多模态被控***，设计出控制器模型和扰动观测器模型，解决了相关技术中仅对控制器的软件***结构的定义，但对于具体的控制器设计并未详细给出的技术问题。
在一种可能的实施方式中，根据被控***模型中建立的不同模态下***状态向量
Figure GDA0003542053880000127
的拟合函数
Figure GDA0003542053880000128
和
Figure GDA0003542053880000129
数据库。设计多模态切换机制，当***状态信息改变时，步骤S1中根据被控***信息，判断被控***当前所处的控制模态，即启动当前所处对应模态的控制器，然后所述控制器来确定与所述被控***当前所处的控制模态对应的理想控制指令。
这样，不同的控制模态对应于不同的控制器，提高了控制器输出的控制指令的准确性，进而提高了控制精度。而且，控制器的设计中考虑了模态切换时，被控***的瞬态响应可能产生突变的扰动，对***扰动进行观测估计，解决了由于存在扰动而导致的***消耗较多能源，同时可能损害***执行机构的技术问题。
在一种可能的实施方式中，所述根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令，可以包括：根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令。
在一种可能的实施方式中，所述根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令，可以包括：当所述切换误差的绝对值在小于等于第一阈值时，将所述理想控制指令αn作为实际控制指令；当所述切换误差的绝对值在大于第一阈值时，对所述理想控制指令αn进行修正，得到实际控制指令。
在一种可能的实施方式中，所述当所述切换误差的绝对值在小于等于第一阈值时，将所述理想控制指令αn作为实际控制指令，当所述切换误差的绝对值在大于第一阈值时，对所述理想控制指令αn进行修正，得到实际控制指令，包括：
Figure GDA0003542053880000131
其中，0＜ω＜1，0＜β＜1，c和β为可调节的正参数。
这样，当所述切换误差的绝对值在小于等于第一阈值时，将所述理想控制指令αn作为实际控制指令；当所述切换误差的绝对值在大于第一阈值时，对所述理想控制指令αn进行修正，得到实际控制指令。抑制不同控制模态转换时被控***的瞬态响应。当被控***发生模态切换时，对控制器即将输入到包括***的理想控制指令进行修正处理，具体而言是针对给定的第一阈值条件设置事件触发机制，保证执行器在一定阈值内不会发生突变。
在一种可能的实施方式中，设置第一阈值为|zu|≤β|u|+c，其中，u为前一控制模态对应的控制指令，c和β为在实验中可调节的适应对应的控制***的正参数。本发明不对c和β进行特殊限定。(1-ω)u+ωαn中的u为前一控制模态对应的控制指令，该式表示对前一控制模态对应的实际控制指令和当前控制模态对应的理想控制指令进行加权后得到当前控制模态对应的实际控制指令，该实际控制指令即是修正后的控制指令。
在一种可能的实施方式中，控制器中设置有事件触发机制，当控制器中的事件触发机制监测到当前控制模态对应的理想控制指令和控制模态切换之前的实际的控制指令相差过大时，开启指令修正机制，即对所述理想控制指令进行修正，得到实际输入到被控***的实际控制指令，保证执行器在一定阈值内不会发生突变，即抑制不同控制模态转换时被控***的瞬态响应。
图4示出本发明一实施例的鲁棒自抗扰控制器控制被控***的示意图。在一种可能的实施方式中，根据无人机***的控制目标，建立多模态的被控***模型。例如，无人机***包括垂直地面上升，水平匀速飞行，水平加速飞行，水平减速飞行，垂直地面下降等控制目标，根据所述多个控制目标建立无人机***的多模态控制模型。根据所述无人机***模型和所述无人机***的控制目标，确定被控***的多个控制模态，例如无人机***的水平匀速控制模态，加速上升控制模态，减速下降控制模态等控制模态。
如图4所示，被控***中包括传感器和执行机构，所述传感器用于感测被控***的状态信息。举例来说，当被控***为无人机***时，传感器可以感测无人机***的高度，速度，加速度，角速度等信息；所述执行机构可以是电动机，用于驱动无人机的运动。所述无人机***包括鲁棒自抗扰控制器和被控***。图4中的鲁棒自抗扰控制器可以获取被控***中传感器感测到的被控***的状态信息，根据该状态系信息判断被控***当前所处的控制模态，例如所述鲁棒自抗扰控制器判断出无人机***处于垂直于地面加速上升的控制模态，确定与所述被控***当前所处的加速上升控制模态对应的理想控制指令；根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。
在一种可能的实施方式中，图4中的鲁棒自抗扰控制器可以根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令。例如，当鲁棒自抗扰控制器中的事件触发机制检测到当前控制模态(加速上升控制模态)对应的理想控制指令和控制模态切换之前的控制模态(例如匀速水平飞行)对应的实际的控制指令相差过大时(即大于一定的阈值)，开启指令修正机制，即对所述理想控制指进型修正，得到实际输入到被控***的实际控制指令，保证了执行机构在一定的阈值内不发生突变，即抑制不同控制模态转换时被控***的瞬态响应。
本发明还提供了一种多模态鲁棒自抗扰运动控制***，所述***用于执行所述控制方法，所述***包括：控制模态判断模块，用于根据被控***信息，判断被控***当前所处的控制模态；其中，所述被控***信息包括被控***的状态信息；理想控制指令确定模块，用于根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；指令修正模块，用于根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。
在一种可能的实施方式中，所述多模态鲁棒自抗扰运动控制***，还包括：被控***模型建立模块，用于根据所述被控***的控制目标，建立多模态的被控***模型；根据所述被控***模型和所述被控***的控制目标，确定被控***的控制模态。
在一种可能的实施方式中，所述多模态鲁棒自抗扰运动控制***，还包括：控制器模型建立模块，用于建立控制器模型和扰动观测器模型；其中，所述控制模态对应不同的控制模型和扰动观测器模型；其中，所述扰动观测器模型，用于估计所述被控***的扰动参数；所述控制器模型，用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。在一种可能的实施方式中，所述指令修正模块，还用于根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令。
根据本发明的多模态鲁棒自抗扰运动控制方法，可以根据被控***信息，判断被控***当前所处的控制模态，根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令。所述控制方法能够实现多模态***的控制，抑制不同模态控制规律转换时被控***的瞬态响应，提高了控制精度以及被控***的稳定性，使得多模态被控***具有较强的鲁棒性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种多模态鲁棒自抗扰运动控制方法，其特征在于，所述方法包括依次执行的如下步骤：
根据被控***的控制目标，建立多模态的被控***模型；
根据所述被控***模型和所述被控***的控制目标，确定被控***当前所处的控制模态；
建立控制器模型和扰动观测器模型；其中，所述控制模态对应不同的控制模型和扰动观测器模型，所述扰动观测器模型用于估计所述被控***的扰动参数；
利用所述控制器模型，根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令；
根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令；
其中，所述根据被控***的控制目标，建立多模态的被控***模型，包括：
建立如下所述被控***模型：
Figure 910721DEST_PATH_IMAGE001
其中，
Figure 341702DEST_PATH_IMAGE002
表示所述被控***模型包括
Figure 314337DEST_PATH_IMAGE003
个动态方程；
Figure 881585DEST_PATH_IMAGE004
表示所述被控***模型包括
Figure 184038DEST_PATH_IMAGE005
个不同的模态；
Figure 102316DEST_PATH_IMAGE006
表示状态信息
Figure 878642DEST_PATH_IMAGE007
的一阶导数；
Figure 565975DEST_PATH_IMAGE008
表示被控***的状态信息构成的状态信息向量；
Figure 97451DEST_PATH_IMAGE009
表示根据所述状态信息向量，利用径向基函数神经网络算法RBFNN得到的***状态向量
Figure 362079DEST_PATH_IMAGE010
的连续函数；
Figure 801150DEST_PATH_IMAGE011
表示状态信息
Figure 218356DEST_PATH_IMAGE012
对应的扰动参数；
Figure 983050DEST_PATH_IMAGE013
表示第
Figure 734974DEST_PATH_IMAGE014
个模态下的控制输入，所述控制方法的实际指令；
Figure 180999DEST_PATH_IMAGE015
和
Figure 842925DEST_PATH_IMAGE016
表示所述被控***的状态输出；
其中，所述根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令，包括：
根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令。
2.根据权利要求1所述的多模态鲁棒自抗扰运动控制方法，其特征在于，所述建立控制器模型和扰动观测器模型，包括：
针对所述被控***模型，设计第
Figure 653886DEST_PATH_IMAGE017
个模态对应的鲁棒自抗扰运动控制器；
对于
Figure 502893DEST_PATH_IMAGE018
时，
建立如下扰动观测器模型：
Figure 752609DEST_PATH_IMAGE019
建立如下控制器模型：
Figure 737882DEST_PATH_IMAGE020
其中，
Figure 500171DEST_PATH_IMAGE021
表示被控***模型中第一个动态方程对应的控制指令，
Figure 305316DEST_PATH_IMAGE022
为参考信号，表示被控***的控制目标，跟踪误差表示为
Figure 358722DEST_PATH_IMAGE023
是扰动观测器针对状态信息
Figure 136186DEST_PATH_IMAGE024
估计的扰动参数，
Figure 616845DEST_PATH_IMAGE025
是观测误差，假设
Figure 99167DEST_PATH_IMAGE026
是观测误差上界的估计值，
Figure 690685DEST_PATH_IMAGE027
是的一阶导数，
Figure 650551DEST_PATH_IMAGE028
是双曲正切函数；参数
Figure 161167DEST_PATH_IMAGE029
Figure 472062DEST_PATH_IMAGE030
均为扰动观测器及控制器模型设计过程中可调节的参数，
Figure 601692DEST_PATH_IMAGE031
为扰动观测器模型设计过程中的中间量，没有实际物理意义。
3.根据权利要求2所述的多模态鲁棒自抗扰运动控制方法，其特征在于，所述建立控制器模型和扰动观测器模型，包括：
对于
Figure 822589DEST_PATH_IMAGE032
时，建立如下扰动观测器模型：
Figure 176210DEST_PATH_IMAGE033
建立如下控制器模型：
Figure 364615DEST_PATH_IMAGE034
其中，
Figure 94674DEST_PATH_IMAGE035
表示被控***模型中第
Figure 497973DEST_PATH_IMAGE036
个动态方程对应的控制指令，跟踪误差表示为
Figure 897862DEST_PATH_IMAGE037
，是扰动观测器针对状态信息
Figure 183349DEST_PATH_IMAGE038
估计的扰动参数，
Figure 107312DEST_PATH_IMAGE039
是观测误差，假设
Figure 161856DEST_PATH_IMAGE026
是观测误差上界的估计值，
Figure 732645DEST_PATH_IMAGE027
的一阶导数，
Figure 505429DEST_PATH_IMAGE040
是双曲正切函数
Figure 780553DEST_PATH_IMAGE041
均为扰动观测器及控制器模型设计过程中可调节的参数，
Figure 608045DEST_PATH_IMAGE042
为扰动观测器模型设计过程中的中间量，没有实际物理意义。
4.根据权利要求3所述的多模态鲁棒自抗扰运动控制方法，其特征在于，所述建立控制器模型和扰动观测器模型，包括：
对于
Figure 943211DEST_PATH_IMAGE043
时，建立如下扰动观测器模型：
Figure 813078DEST_PATH_IMAGE044
建立如下控制器模型：
Figure 688630DEST_PATH_IMAGE045
其中，
Figure 576821DEST_PATH_IMAGE046
表示被控***模型中第
Figure 879626DEST_PATH_IMAGE047
个动态方程对应的理想控制指令，跟踪误差表示为
Figure 236789DEST_PATH_IMAGE048
是扰动观测器针对状态信息
Figure 650453DEST_PATH_IMAGE049
估计的扰动参数，
Figure 658729DEST_PATH_IMAGE050
是观测误差，假设
Figure 132436DEST_PATH_IMAGE051
为切换误差，表示理想控制指令与实际控制指令之间的差值，
Figure 242474DEST_PATH_IMAGE052
为实际控制指令，
Figure 459829DEST_PATH_IMAGE053
的估计值，参数
Figure 322612DEST_PATH_IMAGE054
Figure 170482DEST_PATH_IMAGE055
均为扰动观测器及控制器模型设计过程中可调节的参数，
Figure 626871DEST_PATH_IMAGE056
为扰动观测器模型设计过程中的中间量，没有实际物理意义。
5.根据权利要求4所述的多模态鲁棒自抗扰运动控制方法，其特征在于，所述根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令，包括：
当所述切换误差的绝对值在小于等于第一阈值时，将所述理想控制指令作为实际控制指令；
当所述切换误差的绝对值在大于第一阈值时，对所述理想控制指令进行修正，得到实际控制指令。
6.根据权利要求5所述的多模态鲁棒自抗扰运动控制方法，其特征在于，所述当所述切换误差的绝对值在小于等于第一阈值时，将所述理想控制指令作为实际控制指令，当所述切换误差的绝对值在大于第一阈值时，对所述理想控制指令
Figure 257704DEST_PATH_IMAGE057
进行修正，得到实际控制指令，包括：
Figure DEST_PATH_IMAGE059A
其中，
Figure 305819DEST_PATH_IMAGE060
为可调节的正参数。
7.一种多模态鲁棒自抗扰运动控制***，其特征在于，所述***用于执行权利要求1-6中任一项所述的方法，所述***包括：控制模态判断模块，用于根据被控***信息，判断被控***当前所处的控制模态；其中，所述被控***信息包括被控***的状态信息；理想控制指令确定模块，用于根据所述被控***当前所处的控制模态，确定与所述被控***当前所处的控制模态对应的理想控制指令；指令修正模块，用于根据所述被控***信息和所述理想控制指令，确定所述被控***的实际控制指令；
所述多模态鲁棒自抗扰运动控制***，还包括：被控***模型建立模块，用于根据所述被控***的控制目标，建立多模态的被控***模型；根据所述被控***模型和所述被控***的控制目标，确定被控***的控制模态；其中，所述根据所述被控***的控制目标，建立多模态的被控***模型，包括：
建立如下所述被控***模型：
Figure 731115DEST_PATH_IMAGE001
其中，
Figure 940379DEST_PATH_IMAGE061
表示所述被控***模型包括
Figure 624171DEST_PATH_IMAGE003
个动态方程；
Figure 336912DEST_PATH_IMAGE062
表示所述被控***模型包括
Figure 526585DEST_PATH_IMAGE005
个不同的模态；
Figure 567353DEST_PATH_IMAGE006
表示状态信息
Figure 664622DEST_PATH_IMAGE007
的一阶导数；
Figure 622082DEST_PATH_IMAGE063
表示被控***的状态信息构成的状态信息向量；
Figure 779394DEST_PATH_IMAGE009
表示根据所述状态信息向量，利用径向基函数神经网络算法RBFNN得到的***状态向量
Figure 573038DEST_PATH_IMAGE010
的连续函数；
Figure 473998DEST_PATH_IMAGE011
表示状态信息
Figure 285965DEST_PATH_IMAGE012
对应的扰动参数；
Figure 614178DEST_PATH_IMAGE013
表示第
Figure 957435DEST_PATH_IMAGE014
个模态下的控制输入，所述控制方法的实际指令；
Figure 271873DEST_PATH_IMAGE015
和
Figure 79292DEST_PATH_IMAGE016
表示所述被控***的状态输出；
所述多模态鲁棒自抗扰运动控制***，还包括：控制器模型建立模块，用于建立控制器模型和扰动观测器模型；其中，所述控制模态对应不同的控制模型和扰动观测器模型；其中，所述扰动观测器模型，用于估计所述被控***的扰动参数；所述控制器模型，用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令；
所述指令修正模块，还用于根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正，得到修正后的实际控制指令。
CN202210063377.6A 2022-01-20 2022-01-20 多模态鲁棒自抗扰运动控制方法及*** Active CN114089637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210063377.6A CN114089637B (zh) 2022-01-20 2022-01-20 多模态鲁棒自抗扰运动控制方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210063377.6A CN114089637B (zh) 2022-01-20 2022-01-20 多模态鲁棒自抗扰运动控制方法及***

Publications (2)

Publication Number Publication Date
CN114089637A CN114089637A (zh) 2022-02-25
CN114089637B true CN114089637B (zh) 2022-04-12

Family

ID=80308891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210063377.6A Active CN114089637B (zh) 2022-01-20 2022-01-20 多模态鲁棒自抗扰运动控制方法及***

Country Status (1)

Country Link
CN (1) CN114089637B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114779628B (zh) * 2022-03-16 2024-05-24 哈尔滨工业大学 基于rbf和多模态切换机制的自抗扰运动控制方法
CN116025515B (zh) * 2023-01-10 2024-01-12 广东工业大学 一种基于解析惯性模型的全变流器型风机参数调试方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236434A (zh) * 2008-02-25 2008-08-06 北京航空航天大学 一种无人机多模态控制与切换方法
CN102073276A (zh) * 2011-02-21 2011-05-25 哈尔滨工业大学 采用rbf神经网络的挠性结构自适应变结构控制方法
US8041436B2 (en) * 2002-04-18 2011-10-18 Cleveland State University Scaling and parameterizing a controller
CN104573182A (zh) * 2014-12-09 2015-04-29 南京航空航天大学 一种用于飞行器多模态控制***的设计方法
CN105468007A (zh) * 2015-12-02 2016-04-06 哈尔滨工业大学 一种基于干扰观测器的挠性卫星轨迹线性化姿态控制方法
CN106873606A (zh) * 2015-12-14 2017-06-20 中国航空工业第六八研究所 一种基于非线性滞环的快速高度指令跟踪方法
CN106873611A (zh) * 2017-01-22 2017-06-20 北京航空航天大学 一种多通道线性自抗扰控制器的设计方法
CN107037729A (zh) * 2017-03-31 2017-08-11 江苏大学 一种基于rbf神经网络自抗扰控制器的设计方法
CN108390606A (zh) * 2018-03-28 2018-08-10 淮阴工学院 一种基于动态面的永磁同步电机自适应滑模控制方法
CN109508025A (zh) * 2018-11-23 2019-03-22 中国科学院数学与***科学研究院 一种弹性飞行器的自抗扰姿态控制方法
CN109634299A (zh) * 2018-11-12 2019-04-16 南京航空航天大学 基于多模态控制的飞翼无人机机动飞行控制方法
CN111103890A (zh) * 2019-12-17 2020-05-05 西北工业大学 一种高精度强鲁棒的进场着陆引导控制方法
US11215977B1 (en) * 2021-06-15 2022-01-04 King Abdulaziz University Method of linear active disturbance rejection control for fractional order systems

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041436B2 (en) * 2002-04-18 2011-10-18 Cleveland State University Scaling and parameterizing a controller
CN101236434A (zh) * 2008-02-25 2008-08-06 北京航空航天大学 一种无人机多模态控制与切换方法
CN102073276A (zh) * 2011-02-21 2011-05-25 哈尔滨工业大学 采用rbf神经网络的挠性结构自适应变结构控制方法
CN104573182A (zh) * 2014-12-09 2015-04-29 南京航空航天大学 一种用于飞行器多模态控制***的设计方法
CN105468007A (zh) * 2015-12-02 2016-04-06 哈尔滨工业大学 一种基于干扰观测器的挠性卫星轨迹线性化姿态控制方法
CN106873606A (zh) * 2015-12-14 2017-06-20 中国航空工业第六八研究所 一种基于非线性滞环的快速高度指令跟踪方法
CN106873611A (zh) * 2017-01-22 2017-06-20 北京航空航天大学 一种多通道线性自抗扰控制器的设计方法
CN107037729A (zh) * 2017-03-31 2017-08-11 江苏大学 一种基于rbf神经网络自抗扰控制器的设计方法
CN108390606A (zh) * 2018-03-28 2018-08-10 淮阴工学院 一种基于动态面的永磁同步电机自适应滑模控制方法
CN109634299A (zh) * 2018-11-12 2019-04-16 南京航空航天大学 基于多模态控制的飞翼无人机机动飞行控制方法
CN109508025A (zh) * 2018-11-23 2019-03-22 中国科学院数学与***科学研究院 一种弹性飞行器的自抗扰姿态控制方法
CN111103890A (zh) * 2019-12-17 2020-05-05 西北工业大学 一种高精度强鲁棒的进场着陆引导控制方法
US11215977B1 (en) * 2021-06-15 2022-01-04 King Abdulaziz University Method of linear active disturbance rejection control for fractional order systems

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Active Disturbance Rejection Control Based on Radial Basis Function Neural Network;Xiangdong Huang等;《2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;20181014;2397-2400 *
Robust ADRC for nonlinear time-varying system with uncertainties;Xiangyang Li等;《2017 6th Data Driven Control and Learning Systems (DDCLS)》;20170527;350-356 *
压电加筋壁板结构的多模态自抗扰振动控制;李生权等;《控制理论与应用》;20131215(第12期);84-90 *
基于多模态快速非奇异终端滑模的船舶航迹跟踪自抗扰控制;郭杰，等;《中国航海》;20200630;第43卷(第2期);7-13 *
基于柔性驱动关节的下肢外骨骼双模态切换控制;陈朝峰,等;《机器人》;20210930;第43卷(第5期);513-525 *
移动机器人自抗扰控制技术研究;朱家远;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200215(第02(2020)期);I140-515 *
考虑螺旋桨滑流影响的无人机自抗扰控制器设计;周旺仪;《第九届中国航空学会青年科技论坛论文集》;20201117;261-269 *
陈朝峰,等.基于柔性驱动关节的下肢外骨骼双模态切换控制.《机器人》.2021,第43卷(第5期), *

Also Published As

Publication number Publication date
CN114089637A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN114089637B (zh) 多模态鲁棒自抗扰运动控制方法及***
Yang et al. Adaptive NN backstepping control design for a 3-DOF helicopter: Theory and experiments
Sun et al. Fixed-time sliding mode disturbance observer-based nonsmooth backstepping control for hypersonic vehicles
Schoellig et al. Optimization-based iterative learning for precise quadrocopter trajectory tracking
CN107563044B (zh) 基于在线安全学习的四旋翼无人机路径跟踪控制方法
Wang et al. Quadrotor fault-tolerant incremental nonsingular terminal sliding mode control
CN111290421A (zh) 一种考虑输入饱和的高超声速飞行器姿态控制方法
Li et al. Adaptive fuzzy control of a quadrotor using disturbance observer
CN111258216B (zh) 一种适用于四旋翼飞行器的滑模重复控制器
CN108594837A (zh) 基于pd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法
CN108319140A (zh) 一种重定义输出式无模型自适应航向控制方法及***
CN111506099A (zh) 一种无人机高度智能控制***及方法
Zhang et al. Control surface faults neural adaptive compensation control for tailless flying wing aircraft with uncertainties
CN116991068A (zh) 基于分布式预设时间梯度下降法的电机控制方法及***
CN113283090B (zh) 基于蜂群算法的飞机舵机电动伺服***摩擦补偿方法
Nemati et al. Design and development of a novel controller for robust attitude stabilisation of an unmanned air vehicle for nuclear environments
Kourani et al. Leveraging PID gain selection towards adaptive backstepping control for a class of second-order systems
CN115248553A (zh) 欠驱动船舶的事件触发自适应pid航迹跟踪容错控制方法
CN116923730A (zh) 一种具有自调节预设性能约束的航天器姿态主动容错控制方法
CN116483124A (zh) 一种无线速度测量抗干扰的四旋翼无人机编队控制方法
CN115857329A (zh) 基于事件触发的绳系航天器复合体姿态稳定控制方法
CN114407007B (zh) 一种机械臂自适应非奇异终端滑模控制方法、装置及介质
Ma et al. Trajectory tracking control for autonomous underwater vehicle with disturbances and input saturation based on contraction theory
CN111061294B (zh) 非平稳高超声速飞行器轨迹优化自适应最优控制***
CN115169002A (zh) 直气复合飞行控制***时变参数辨识方法

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
TR01 Transfer of patent right

Effective date of registration: 20240221

Address after: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin

Patentee after: HARBIN INSTITUTE OF TECHNOLOGY

Country or region after: China

Address before: 100089 293, 3 / F, block D, building 24, yard 68, Beiqing Road, Haidian District, Beijing

Patentee before: SHENRUI TECHNOLOGY (BEIJING) CO.,LTD.

Country or region before: China

Patentee before: HARBIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right