WO2019024303A1 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- WO2019024303A1 WO2019024303A1 PCT/CN2017/109484 CN2017109484W WO2019024303A1 WO 2019024303 A1 WO2019024303 A1 WO 2019024303A1 CN 2017109484 W CN2017109484 W CN 2017109484W WO 2019024303 A1 WO2019024303 A1 WO 2019024303A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- finite
- aircraft
- time
- equation
- time variable
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000001537 neural effect Effects 0.000 claims description 42
- 238000006467 substitution reaction Methods 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000036962 time dependent Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U10/00—Type of UAV
- B64U10/10—Rotorcrafts
- B64U10/13—Flying platforms
- B64U10/16—Flying platforms with five or more distinct rotor axes, e.g. octocopters
-
- 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
- G05D1/0858—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft specially adapted for vertical take-off of 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
-
- 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
- G05D1/102—Simultaneous control of position or course in three dimensions specially adapted for aircraft specially adapted for vertical take-off of aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
- B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
Definitions
- the invention relates to the technical field of flight control of an unmanned aerial vehicle, and particularly relates to an azimuth and attitude stable flight control method for a multi-rotor unmanned aerial vehicle based on finite time neural dynamics.
- multi-rotor unmanned aerial vehicles have been widely used in military, agricultural, surveillance missions, detection and other fields because of its low cost, flexible flight and simple mechanical structure.
- an important starting point is the design of its azimuth stability and attitude angle stability controller.
- the stability of position and angle is of great significance.
- the unmanned aerial vehicle is usually manually controlled by the operator and continuously controls the adjustment position, height, pitch angle, roll angle and yaw angle. Wait for the status to reach the target position and posture or complete the target task.
- the controller of the drone must have the ability to follow the time-varying target, that is, the controller needs to have strong robustness, faster convergence speed and stability, so as to ensure that the aircraft can be effective. Complete the follow-up of the time-varying goal.
- the object of the present invention is to solve the above-mentioned drawbacks of the prior art and to provide a stable flight control method for a multi-rotor unmanned aerial vehicle.
- a stable flight control method for a multi-rotor unmanned aerial vehicle based on finite time neural dynamics comprising the following steps:
- step S1 the kinematics problem of the aircraft is analyzed and processed by the carried processor, and the aircraft dynamics model is specifically included:
- m is the total mass of the aircraft
- I is a 3 ⁇ 3 unit matrix
- J is the inertia matrix of the aircraft
- v and w are the velocity vectors and angular velocity vectors of the aircraft ground coordinate system
- F and G are the axial outputs of the aircraft motor respectively.
- the component vector of force and the axial component of gravity, and T is the rotational moment vector of the aircraft;
- the ground coordinate system X G and the aircraft body coordinate system X U are established.
- X U KX G , in the conversion relationship, K is between the ground coordinate system and the body coordinate system.
- Rotating transformation matrix can be expressed as
- C ⁇ represents cos ⁇ (t)
- S ⁇ represents sin ⁇ (t)
- ⁇ (t) is a pitch angle
- ⁇ (t) is a yaw angle
- ⁇ (t) is a roll angle
- x, y, and z are the position coordinates of the aircraft in the world coordinate system, respectively, J x , J y and J z are the moment of inertia of the aircraft in the x-axis, y-axis and z-axis directions, respectively, l is the arm length, g
- the combined control quantities u 1 to u 4 are composed of the output thrust of the aircraft motor and the combined torque
- u 1 (t) is the resultant force in the vertical direction of the aircraft
- u 2 (t) is the resultant force in the roll angle direction
- u 3 (t) is the combined force in the pitch angle direction
- u 4 (t) is the combined torque in the yaw angle direction.
- the finite time variable parameter convergence differential neural network solver for designing the multi-rotor aircraft dynamics model specifically includes:
- the finite-time variable parameter of the control quantity u 1 ⁇ u 4 converges the system parameter deviation function of the differential neural network
- a finite-time variable-parameter convergence differential neural network solver is designed based on the obtained system parameter deviation function of the finite-time variable-parameter convergence differential neural network with respect to the output control quantities u 1 ⁇ u 4 .
- the finite-time variable-parameter convergence differential neural dynamics design method is respectively composed of a z-axis height z(t), a roll angle ⁇ (t), a pitch angle ⁇ (t), and a yaw angle ⁇ (t)
- the steps of designing the system parameter deviation function of the finite-time variable parameter convergence differential neural network of the output control quantity u 1 ⁇ u 4 specifically include:
- the deviation function e z1 about the actual height value z(t) can be defined on the position layer .
- e z1 (t) z(t)-z T (t)
- the position layer z(t) can converge to the time-varying target value z T (t) with a super exponential in a finite time, but since equation (3) does not contain relevant information about the control quantities u 1 ⁇ u 4 , the pair cannot be realized.
- the control quantity is solved, so it is necessary to further design the speed layer.
- Acceleration layer Deviation function then define According to the finite-time variable parameter convergence differential neural network design method, the dynamic equation based on the deviation function can be designed.
- equation (5) can be rewritten as
- the aircraft reaches the target state, and according to the dynamic model equation, the deviation function can be converted into
- the aircraft reaches the target state, and according to the dynamic model equation, the deviation function can be converted into
- the aircraft reaches the target state, and according to the dynamic model equation, the deviation function can be converted into
- the step of designing the finite time variable parameter convergence differential neural network solver according to the determined system parameter deviation function of the finite time variable parameter convergence differential neural network with respect to the output control quantity u 1 ⁇ u 4 respectively include:
- Roll angle ⁇ (t) and speed Will converge to the target position ⁇ T (t) and the target speed in a super-exponential form for a limited time.
- Pitch angle ⁇ (t) and speed Will converge to the target position ⁇ T (t) and target speed in a super-exponential form for a limited time.
- the calculated control quantities u 1 to u 4 are distributed and output controlled according to the structure of the different rotorcraft and the number of motors.
- the invention is based on the variable parameter convergence differential neural dynamics method, and uses the ubiquitous hidden dynamic model to describe, and can fully utilize the derivative information of each time-varying parameter from the method and system level, and has certain predictive ability for solving the problem, which can be fast Accurate, real-time approach to the correct solution of the problem, can solve a variety of time-varying problems such as matrix, vector, algebra and optimization.
- Figure 2 is a side view showing the structure of the multi-rotor aircraft of the present invention.
- Figure 3 is a plan view showing the structure of the multi-rotor aircraft of the present invention.
- Figure 4 is a three-dimensional view of the structure of the multi-rotor aircraft of the present invention.
- Figure 5 is a coordinate diagram of a multi-rotor aircraft body
- a stable flight control method for a multi-rotor unmanned aerial vehicle based on finite-time neural dynamics includes the following steps:
- step S3 using the real-time operating data of the aircraft acquired in step S1 and the target attitude data, and solving the output control amount of the aircraft motor by using the finite-time variable-parameter convergence differential neural network solver designed in step S2;
- step S4 Pass the solution result of step S3 to the aircraft motor governor to control the multi-rotor unmanned aerial vehicle motion.
- the mechanism shown in Figures 2, 3 and 4 is a rotorcraft structure in a multi-rotor aircraft.
- the structure is a six-rotor aircraft mechanism model consisting of a multi-rotor aircraft propeller 1, a brushless motor 2, a rotor arm 3 and a fuselage 4.
- the combined output force of the six motors and the combined rotational torque constitute the control amounts u 1 to u 4 of the multi-rotor aircraft.
- the control design of the present invention is to solve the control amount of the multi-rotor aircraft through the designed finite-time variable-parameter convergence differential neural network, thereby controlling the flight of the aircraft and realizing the stable control of the aircraft.
- the direction of the rotating arrow in FIG. 3 and FIG. 4 indicates the direction of rotation of the motor, and the combination of the clockwise and counterclockwise directions of the illustrated rotating direction is to achieve mutual cancellation of the motor torque to achieve stable steering control.
- Figure 5 shows a schematic diagram of the body coordinate system in which the multi-rotor aircraft is located. According to the body coordinate system, the following definitions are made:
- the pitch angle ⁇ (t) is the angle between the x-axis of the body and the ground level of the earth, and the setting is positive downward;
- the roll angle ⁇ (t) is the angle between the z-axis of the body and the vertical plane of the earth passing the x-axis of the body, and the aircraft is positive when it is to the right;
- the yaw angle t(t) is the angle between the projection of the x-axis of the body on the horizontal plane and the x-axis in the geodetic coordinate system, and the nose is positive to the left.
- attitude variable of the present invention utilizes a four-element algorithm and a Kalman filter algorithm to obtain real-time attitude data ⁇ (t), ⁇ (t) of the aircraft using sensors such as a gyroscope and an accelerometer mounted on the multi-rotor aircraft. And ⁇ (t), using the height sensor and the position sensor to obtain the position data x(t), y(t) and z(t) of the aircraft in three-dimensional space.
- the above completes the relevant content of the flowchart sensor data acquisition 1.
- the dynamics analysis can be completed by the following aircraft dynamics modeling steps:
- m is the total mass of the aircraft
- I is a 3 ⁇ 3 unit matrix
- J is the inertia matrix of the aircraft
- v and w are the velocity vectors and angular velocity vectors of the aircraft ground coordinate system
- F and G are the axial outputs of the aircraft motor respectively.
- the component vector of force and the axial component of gravity, and T is the rotational moment vector of the aircraft;
- the ground coordinate system X G and the aircraft body coordinate system X U are established.
- X U KX G , in the conversion relationship, K is between the ground coordinate system and the body coordinate system.
- Rotating transformation matrix can be expressed as
- C ⁇ represents cos ⁇ (t)
- S ⁇ represents sin ⁇ (t)
- ⁇ (t) is a pitch angle
- ⁇ (t) is a yaw angle
- ⁇ (t) is a roll angle
- x, y, z are the position coordinates of the aircraft in the world coordinate system; J x , J y and J z are the moments of inertia of the aircraft in the x-axis, y-axis and z-axis directions respectively; l is the arm length; g is Gravity acceleration; the combined control quantity u 1 ⁇ u 4 is composed of the output thrust of the aircraft motor and the combined torque, u 1 (t) is the resultant force in the vertical direction of the aircraft, and u 2 (t) is the combined force in the roll angle direction, u 3 (t) is the combined force in the pitch angle direction, and u 4 (t) is the combined torque in the yaw angle direction.
- the finite-time variable parameter of the control quantity u 1 ⁇ u 4 converges the system parameter deviation function of the differential neural network
- a finite-time variable-parameter convergence differential neural network solver is designed based on the obtained system parameter deviation function of the finite-time variable-parameter convergence differential neural network with respect to the output control quantities u 1 ⁇ u 4 .
- step S3 the finite-time variable-parameter convergence differential neural dynamics design method is respectively adopted by the z-axis height z(t), the roll angle ⁇ (t), the pitch angle ⁇ (t), and the yaw angle ⁇ (t)
- the steps of designing the system parameter deviation function of the finite time variable parameter convergence differential neural network of the output control quantity u 1 ⁇ u 4 specifically include:
- the position layer z(t) can converge to the time-varying target value z T (t) with a super exponential in a finite time, but since equation (3) does not contain relevant information about the control quantities u 1 ⁇ u 4 , the pair cannot be realized.
- the control quantity is solved, so it is necessary to further design the speed layer.
- Acceleration layer Deviation function then define According to the finite-time variable parameter convergence differential neural network design method, the dynamic equation based on the deviation function can be designed.
- equation (5) can be rewritten as
- the aircraft reaches the target state, and according to the dynamic model equation, the deviation function can be converted into
- the aircraft reaches the target state, and according to the dynamic model equation, the deviation function can be converted into
- the aircraft reaches the target state, and according to the dynamic model equation, the deviation function can be converted into
- the step of designing the finite time variable parameter convergence differential neural network solver according to the determined system parameter deviation function of the finite time variable parameter convergence differential neural network with respect to the output control quantity u 1 ⁇ u 4 in step S4 respectively includes: :
- a finite-time variable-parameter convergence differential neural network design method can be used to design Formula (6) and its derivatives Substitution, the implicit dynamic equations of finite-time variable-parameter convergence differential neural networks can be obtained.
- the calculated control quantities u 1 (t) to u 4 (t) are assigned different output control according to the structure of the different rotorcraft and the number of motors.
- control quantity u 1 ⁇ u 4 obtained by the above neural network solving process, for each aircraft structure and the number of motors, the control of each motor is realized by the corresponding motor control quantity distribution, and the flow control motor control quantity distribution is completed. And motor control.
- the present invention can be completed in accordance with the above steps.
- the present invention first acquires its own real-time flight azimuth and attitude data through the sensors of the multi-rotor UAV, and analyzes the kinematics of the aircraft by the carried processor to establish an aircraft dynamics model. Then, according to the finite-time variable-parameter convergence differential neural dynamics design method, the finite-time variable-parameter convergence differential neural network solver of the multi-rotor aircraft dynamics model is designed. Then, the acquired real-time azimuth and attitude data of the aircraft are used to change the parameters through finite time.
- the convergence differential neural network solver solves the various output control quantities of the aircraft motor; finally, the solution result is transmitted to the various motor governors of the aircraft to control the unmanned aircraft motion.
- the invention is based on the finite-time variable parameter convergence differential neural dynamics method, and can quickly and accurately and accurately approximate the correct solution of the problem, and can well solve various time-varying problems such as matrix, vector, algebra and optimization.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- External Artificial Organs (AREA)
Abstract
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，实现过程如下：1)通过机载传感器获取飞行实时方位和姿态数据，并通过机载处理器对飞行器的运动学问题进行解析处理，建立飞行器动力学模型；2)根据有限时间变参收敛微分神经动力学设计方法,设计有限时间变参收敛微分神经网络求解器；3)利用获取的实时方位和姿态数据，通过有限时间变参收敛微分神经网络求解器求解飞行器各个电机输出控制量；4)将求解结果传递给飞行器各个电机调速器以控制无人飞行器运动。基于有限时间变参收敛微分神经动力学方法，可快速、准确、实时地逼近问题正确解，可以很好地解决矩阵、向量、代数以及优化等多种时变问题。
Description
本发明涉及无人飞行器的飞行控制技术领域，具体涉及一种基于有限时间神经动力学的多旋翼无人飞行器的方位和姿态稳定飞行控制方法。
近些年来，随着科技的日益发展，多旋翼无人飞行器因为它成本低，飞行灵活并且具有简单的机械结构等特点，已经广泛运用在军事、农业、监视任务、探测等诸多领域。在对多旋翼无人飞行器的研究领域中，一个重要的出发点就是其方位稳定以及姿态角稳定控制器的设计。在实际运用中，位置和角度的稳定意义重大，一般在远程操作的情况下，无人飞行器通常是由操作人员手动遥控，并不断控制调整位置，高度，俯仰角，横滚角和偏航角等状态，以达到目标位置和姿态或是完成目标任务。很明显，在这一过程之中，不但需要操作人员有着丰富的远程操作经验，更是要求无人机具有良好的方位和姿态角稳定性和抗干扰能力。这也是吸引越来越多的学者和研究人员深入学习无人机稳定控制器设计方法的初衷。虽然小型多旋翼无人飞行器控制较为简单方便，但其方位和角度稳定控制器的设计方法是复杂多样且迷人的。随着研究的深入，在实现了对无人机进行简单的方位及姿态控制之后，为了满足在一些复杂特殊任务的需求，让无人飞行器具有能够跟随时变目标值的能力是有意义也是有实际应用价值的。例如，当无人机应用在航拍领域中时，经常需要让飞行器在预定轨道以固定的飞行姿态进行拍摄，又或是在预定轨道对同一物体进行360°拍摄等。因此，无人机的控制器要具对时变目标的跟随能力，也就是说，控制器需要具备很强的鲁棒性，较快的收敛速度以及稳定性，这样才能以保证飞行器可以有效的完成对时变目标的跟随。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种多旋翼无人飞行器的稳定飞行控制方法。
本发明的目的可以通过采取如下技术方案达到：
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，所述的控制方法包括如下步骤：
S1、通过多旋翼无人机的传感器获取自身的飞行实时方位和姿态数据，并通过所搭载的处理器对飞行器的运动学问题进行相应的解析处理，建立飞行器动力学模型；
S2、根据有限时间变参收敛微分神经动力学设计方法,设计多旋翼飞行器动力学模型的有限时间变参收敛微分神经网络求解器；
S3、利用获取的飞行器实时方位和姿态数据，通过有限时间变参收敛微分神经网络求解器求解飞行器电机的各个输出控制量；
S4、将求解出的各个输出控制量传递给飞行器各个电机调速器以控制无人飞行器运动。
进一步地，所述的步骤S1中通过所搭载的处理器对飞行器的运动学问题进行相应的解析处理，建立飞行器动力学模型具体包括：
忽略飞行器所受空气阻力作用，针对飞行器***可以建立物理模型：
其中，m为飞行器的总质量，I为3×3单位矩阵，J为飞行器转动惯量矩阵，v和w为飞行器地面坐标系的速度矢量以及角速度矢量，F和G分别为飞行器电机输出合力轴向分力矢量和重力的轴向分力矢量，T为飞行器转动力矩矢量；
建立地面坐标系XG以及飞行器机体坐标系XU，其中地面坐标系和机体坐标系之间存在以下关系：XU＝KXG，转换关系中，K为地面坐标系以及机体坐标系之间的旋转变换矩阵，可以表示为
其中Cθ表示cosθ(t)，Sθ表示sinθ(t)，θ(t)为俯仰角，ψ(t)为偏航角，φ(t)为横滚角；
根据坐标变换理论，在飞行器的平动方向以及转动方向上，根据以上物理模型可以获得如下在飞行器机体坐标系上的动力学方程
其中，x,y,z分别为飞行器在世界坐标系中的位置坐标，Jx，Jy和Jz分别为飞行器在x轴、y轴和z轴方向的转动惯量，l为臂长，g为重力加速度，合成控制量u1～u4由飞行器电机的输出推力以及合成转矩构成，u1(t)为飞行器垂直上升方向上的合力，u2(t)为横滚角方向合力，u3(t)为俯仰角方向合力，u4(t)为偏航角方向合成转矩。
进一步地，所述的步骤S2中根据有限时间变参收敛微分神经动力学设计方法，设计多旋翼飞行器动力学模型的有限时间变参收敛微分神经网络求解器具体包括：
通过有限时间变参收敛微分神经动力学设计方法，分别由z轴高度z(t)、横滚角φ(t)、俯仰角θ(t)和偏航角ψ(t)出发，设计关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数；
分别根据所求出的关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数，设计有限时间变参收敛微分神经网络求解器。
进一步地，所述的通过有限时间变参收敛微分神经动力学设计方法，分别由z轴高度z(t)、横滚角φ(t)、俯仰角θ(t)和偏航角ψ(t)出发，设计关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数的步骤具体包括：
S201、针对z轴高度z(t)，根据z轴方向上的设定目标高度值以及实际高度值zT(t)，在位置层上可以定义关于实际高度值z(t)偏差函数ez1为：ez1(t)＝z(t)-zT(t)，为了使实际值z(t)能够收敛到时变目标值zT(t)，根据有限时间变参收敛微分神经动力学设计方法，设计基于偏差函数的神经动力学方程
其中γ(t)＝p+tp为时变参数，表示收敛率调节因子；
根据偏差函数ez1(t)＝z(t)-zT(t)，可以得到
将ez1(t)以及
代入
可得
位置层z(t)能够在有限时间内以超指数收敛到时变目标值zT(t)，但是由于等式(3)不包含关于控制量u1～u4的相关信息，无法实现对控制量的求解，故需要再进一步设计包含速度层
以及加速度层
的偏差函数，于是定义
根据有限时间变参收敛微分神经网络设计方法，可以设计基于偏差函数的动力学方程
根据
已知偏差函数ez2(t)的导数
为：
将以上关于ez2(t)以及
的方程代入等式
可以获得如下函数式：
当等式(4)成立时，速度层
将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
为获得神经网络的实际模型，结合动力学方程(2)，等式(5)能被改写为
Ez(t)＝az(t)u1(t)+bz(t),(6)
其中
S202、针对横滚角φ(t)，为了达到的目标角度φT(t)，首先定义误差函数eφ1＝φ(t)-φT(t)，可以得到
由于在角度层求解，根据有限时间变参微
分神经动力学设计方法可得
将误差函数
代入方程
可得
φ(t)将在有限时间内以超指数收敛到目标角度φT(t)；由于已知
需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eφ2(t)及
的方程代入等式
可以得如下函数式：
当等式(8)成立时，速度层
将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
也即获得了关于输出控制量u2(t)的偏差函数；
S203、针对俯仰角θ(t)，为了达到的目标角度θT(t)，首先定义误差函数eθ1＝θ(t)-θT(t)，可以得到
由于在角度层求解，根据有限时间变参微分神经动力学设计方法可得
将误差函数eθ1(t)和
代入方程
可得
θ(t)将在有限时间内以超指数收敛到目标角度θT(t)；由于已知
需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eθ2(t)及
的方程代入
可以获得如下函数式：
当等式(12)成立时，速度层
将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
S204、针对偏航角ψ(t)，为了达到的目标角度ψT(t)，首先定义误差函数eψ1＝ψ(t)-ψT(t)，可以得到
由于在角度层求解，根据有限时间变参微分神经动力学设计方法可得
将误差函数eψ1(t)和
代入方程
可得
ψ(t)将在有限时间内以超指数收敛到目标角度ψT(t)；由于已知
需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eψ2(t)及
的方程代入
可以获得如下函数式：
当等式(16)成立时，速度层
将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
进一步地，所述的分别根据所求出的关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数，设计有限时间变参收敛微分神经网络求解器的步骤具体包括：
S211、对于z轴高度z(t)，利用有限时间变参收敛微分神经网络设计方法，设计
将式(6)及导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
位置z(t)和速度
将在有限时间内以超指数的形式分别收敛到目标位置zT(t)和目标速度
S212、针对横滚角φ(t)，根据有限时间变参收敛微分神经动力学设计方法，设计
将等式(10)以及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
横滚角φ(t)和速度
将在有限时间内以超指数的形式分别收敛到目标位置φT(t)和目标速度
S213、针对俯仰角θ(t)，根据有限时间变参收敛微分神经动力学设计方法，设计
将等式(14)以及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
俯仰角θ(t)和速度
将在有限时间内以超指数的形式分别收敛到目标位置θT(t)和目标速度
S214、针对偏航角ψ(t)，根据有限时间变参收敛微分神经动力学设计方法，设计
将等式(18)以及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
俯仰角ψ(t)和速度
将在有限时间内以超指数的形式分别收敛到目标位置ψT(t)和目标速度
S215、求解合成控制量u1～u4即为对应飞行器飞行需求的控制量，根据等式(19)，(20)，(21)，(22)分别获得控制量u1～u4的神经网络方程，具体分别如下：
将求解出的控制量u1～u4根据不同旋翼飞行器的结构以及电机数目进行不同的输出控制分配。
本发明相对于现有技术具有如下的优点及效果：
本发明基于变参收敛微分神经动力学方法，采用普遍存在的隐动力学模型进行描述，可从方法和***层面上充分利用各时变参数的导数信息，对问题求解具有一定预测能力，可快速、准确、实时地逼近问题正确解，可以很好地解决矩阵、向量、代数以及优化等多种时变问题。
图1是本发明公开的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的流程图；
图2是本发明的多旋翼飞行器结构侧视图；
图3是本发明的多旋翼飞行器结构俯视图；
图4是本发明的多旋翼飞行器结构三维视图；
图5是多旋翼飞行器机体坐标系图；
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
实施例
图1为本发明的公开的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的流程图，通过图示步骤能够完成飞行器神经网络控制器的设计：
如图所示，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，包括如下步骤：
S1、通过多旋翼无人飞行器上机载的姿态传感器以及相应的高度与位置传感器获取飞行器自身的飞行实时运行数据，建立飞行器动力学模型，并通过多旋翼无人飞行器所搭载的处理器对飞行器的运动学问题进行相应的解析处理；
S2、根据有限时间变参收敛微分神经动力学设计方法，设计多旋翼飞行器动力学模型的有限时间变参收敛微分神经网络求解器；
S3、利用步骤S1中获取的飞行器实时运行数据与目标姿态数据，通过步骤S2所设计的有限时间变参收敛微分神经网络求解器求解飞行器电机的输出控制量；
S4、将步骤S3的求解结果传递给飞行器电机调速器控制多旋翼无人飞行器运动。
图2、图3以及图4所示的机构为多旋翼飞行器中的一种旋翼飞行器结构。该结构为六旋翼飞行器机构模型，该机构模型由多旋翼飞行器螺旋桨1、无刷电机2、旋翼臂3与机身4组成。其中，六个电机的输出合力以及合成旋转转矩构成多旋翼飞行器的控制量u1～u4。而本发明的控制设计在于通过所设计的有限时间变参收敛微分神经网络求解多旋翼飞行器的控制量，从而控制飞行器飞行，实现飞行器的稳定控制。其中，图3和图4中的旋转箭头方向指示电机的旋转方向，而图示旋转方向顺时针与逆时针组合目的为实现电机转矩的相互抵消，实现稳定的转向控制。
图5所示为多旋翼飞行器所在的机体坐标系示意图。根据机体坐标系做出如下定义：
(1)、按照顺时针方向定义六旋翼飞行器六个电机分别为①号到⑥号；
(2)、x轴沿①号旋翼臂方向，通过机体重心指向飞行器前进方向；
(3)、y轴沿②、③号旋翼臂的对称轴方向，通过机体重心指向飞行器右侧运动方向；
(4)、z轴垂直于六旋翼平面向上，通过机体重心指向飞行器爬升方向；
(5)、俯仰角θ(t)为机体x轴与大地水平面间所夹角度，设定向下为正；
(6)、横滚角φ(t)为机体z轴与过机体x轴的大地竖直平面之间的夹角，飞机向右时为正；
(7)、偏航角ψ(t)为机体x轴在大地水平面上的投影与大地坐标系中x轴之间所夹角度，机头向左为正。
根据流程图的相关步骤，针对本发明进行详细的算法解析。首先，通过上述飞行
器姿态变量的定义，本发明利用四元素算法以及卡尔曼滤波等算法，可以实现利用多旋翼飞行器上搭载的陀螺仪与加速度计等传感器获取飞行器的实时姿态数据θ(t)，φ(t)以及ψ(t)，利用高度传感器以及位置传感器获取飞行器在三维空间中的位置数据x(t)，y(t)与z(t)。以上完成流程图传感器数据获取1的相关内容。
基于前面的物理模型分析过程，根据不同旋翼飞行器模型，建立针对该飞行器的物理模型等式以及动力学方程，可以通过如下飞行器动力学建模步骤完成动力学分析：
忽略飞行器所受空气阻力作用，针对飞行器***可以建立物理模型：
其中，m为飞行器的总质量，I为3×3单位矩阵，J为飞行器转动惯量矩阵，v和w为飞行器地面坐标系的速度矢量以及角速度矢量，F和G分别为飞行器电机输出合力轴向分力矢量和重力的轴向分力矢量，T为飞行器转动力矩矢量；
建立地面坐标系XG以及飞行器机体坐标系XU，其中地面坐标系和机体坐标系之间存在以下关系：XU＝KXG，转换关系中，K为地面坐标系以及机体坐标系之间的旋转变换矩阵，可以表示为
其中为了书写方便Cθ表示cosθ(t)，Sθ表示sinθ(t)，θ(t)为俯仰角，ψ(t)为偏航角，φ(t)为横滚角；
根据坐标变换理论，在飞行器的平动方向以及转动方向上，根据以上物理模型可以获得如下在飞行器机体坐标系上的动力学方程
其中x,y,z分别为飞行器在世界坐标系中的位置坐标；Jx，Jy和Jz分别为飞行器在x轴、y轴和z轴方向的转动惯量；l为臂长；g为重力加速度；合成控制量u1～u4由飞行器电机的输出推力以及合成转矩构成，u1(t)为飞行器垂直上升方向上的合力，u2(t)为横滚角方向合力，u3(t)为俯仰角方向合力，u4(t)为偏航角方向合成转矩。
其中，步骤S2中根据有限时间变参收敛微分神经动力学设计方法，设计多旋翼飞行器动力学模型的有限时间变参收敛微分神经网络求解器具体包括：
通过有限时间变参收敛微分神经动力学设计方法，分别由z轴高度z(t)、横滚角φ(t)、俯仰角θ(t)和偏航角ψ(t)出发，设计关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数；
分别根据所求出的关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数，设计有限时间变参收敛微分神经网络求解器。
其中，步骤S3中通过有限时间变参收敛微分神经动力学设计方法，分别由z轴高度z(t)、横滚角φ(t)、俯仰角θ(t)和偏航角ψ(t)出发，设计关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数的步骤具体包括：
针对z轴高度z(t)，根据z轴方向上的设定目标高度值以及实际高度值zT(t)，在位置层上可以定义关于实际高度值z(t)偏差函数ez1为：ez1(t)＝z(t)-zT(t)，为了使实际值z(t)能够收敛到时变目标值zT(t)，根据有限时间变参收敛微分神经动力学设计方法，可以设计基于偏差函数的神经动力学方程
其中γ(t)＝p+tp为时变参数，表示收敛率调节因子；
根据偏差函数ez1(t)＝z(t)-zT(t)，可以得到
将ez1(t)＝z(t)-zT(t)以及
代入
可得
也即
位置层z(t)能够在有限时间内以超指数收敛到时变目标值zT(t)，但是由于等式(3)不包含关于控制量u1～u4的相关信息，无法实现对控制量的求解，故需要再进一步设计包含速度层
以及加速度层
的偏差函数，于是定义
根据有限时间变参收敛微分神经网络设计方法，可以设计基于偏差函数的动力学方程
根据
已知偏差函数ez2(t)的导数
为：
将以上关于ez2(t)以及
的方程代入等式
可以获得如下函数式：
当等式(4)成立时，速度层
将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
为获得神经网络的实际模型，结合动力学方程(2)，等式(5)能被改写为
Ez(t)＝az(t)u1(t)+bz(t),(6)其中
针对横滚角φ(t)，为了达到的目标角度φT(t)，首先定义误差函数eφ1＝φ(t)-φT(t)，可以得到
由于在角度层求解，根据有限时间变参微分神经动力学设计方法可得
将误差函数eφ1(t)和
代入方程
可得
φ(t)将在有限时间内以超指数收敛到目标角度φT(t)；由于已知
需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eφ2(t)以及
的方程代入
可以获得如下函数式：
当等式(8)成立时，速度层
将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
针对俯仰角θ(t)，为了达到的目标角度θT(t)，首先定义误差函数eθ1＝θ(t)-θT(t)，可以得到
由于在角度层求解，根据有限时间变参微分神经动力学设计方法可得
将误差函数eθ1(t)和
代入方程
可得
θ(t)将在有限时间内以超指数收敛到目标角度θT(t)；由于已知
需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eθ2(t)及
的方程代入
可以得如下函数式：
当等式(12)成立，
将在有限时间内以超指数收敛到
据此，考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
针对偏航角ψ(t)，为了达到的目标角度ψT(t)，首先定义误差函数eψ1＝ψ(t)-ψT(t)，可以得到
由于在角度层求解，根据有限时间变参微分神经动力学设计方法可得
将误差函数eψ1(t)和
代入方程
可得
ψ(t)将在有限时间内以超指数收敛到目标角度ψT(t)；由于已知
需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eψ2(t)及
的方程代入
可以获得如下函数式：
当等式(16)成立时，速度层
将在有限时间内以超指数收敛到
据此，可以
考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
其中，步骤S4中分别根据所求出的关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数，设计有限时间变参收敛微分神经网络求解器的步骤具体包括：
对于z轴高度z(t)，利用有限时间变参收敛微分神经网络设计方法，可以设计
将式(6)及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
位置z(t)和
将在有限时间内以超指数的形式分别收敛到目标zT(t)和
针对横滚角φ(t)，根据有限时间变参收敛微分神经动力学设计方法，可以设计
将等式(10)以及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
横滚角φ(t)和
将在有限时间内以超指数的形式分别收敛到目标φT(t)和
针对俯仰角θ(t)，根据有限时间变参收敛微分神经动力学设计方法，可以设计
将等式(14)以及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
俯仰角θ(t)和
将在有限时间内以超指数的形式分别收敛到目标θT(t)和
针对偏航角ψ(t)，根据有限时间变参收敛微分神经动力学设计方法，可以设计
将等式(18)以及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
俯仰角ψ(t)和
将在有限时间内以超指数的形式分别收敛到目标ψT(t)和
求解合成控制量u1～u4即为对应飞行器飞行需求的控制量，根据等式(19)，(20)，(21)，(22)可以分别获得控制量u1～u4的神经网络方程，具体分别如下：
将求解出的控制量u1(t)～u4(t)根据不同旋翼飞行器的结构以及电机数目进行不同的输出控制分配。
根据上述神经网络求解过程所求出的控制量u1～u4，针对不同飞行器的结构以及电机数目，通过相应的电机控制量分配实现每个电机的控制，综上完成流程图电机控制量分配以及电机控制。根据上述步骤可以完成本发明。
综上所述，本发明首先通过多旋翼无人机的传感器获取自身的飞行实时方位和姿态数据，并通过所搭载的处理器对飞行器的运动学问题进行相应的解析处理，建立飞行器动力学模型；然后根据有限时间变参收敛微分神经动力学设计方法,设计多旋翼飞行器动力学模型的有限时间变参收敛微分神经网络求解器；接着利用获取的飞行器实时方位和姿态数据，通过有限时间变参收敛微分神经网络求解器求解飞行器电机的各个输出控制量；最后将求解结果传递给飞行器各个电机调速器以控制无人飞行器运动。本发明基于有限时间变参收敛微分神经动力学方法，可快速、准确、实时地逼近问题正确解，可以很好地解决矩阵、向量、代数以及优化等多种时变问题。
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 (5)
- 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，其特征在于，所述的控制方法包括如下步骤：S1、通过多旋翼无人机的传感器获取自身的飞行实时方位和姿态数据，并通过所搭载的处理器对飞行器的运动学问题进行相应的解析处理，建立飞行器动力学模型；S2、根据有限时间变参收敛微分神经动力学设计方法,设计多旋翼飞行器动力学模型的有限时间变参收敛微分神经网络求解器；S3、利用获取的飞行器实时方位和姿态数据，通过有限时间变参收敛微分神经网络求解器求解飞行器电机的各个输出控制量；S4、将求解出的各个输出控制量传递给飞行器各个电机调速器以控制无人飞行器运动。
- 根据权利要求1所述的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，其特征在于，所述的步骤S1中通过所搭载的处理器对飞行器的运动学问题进行相应的解析处理，建立飞行器动力学模型具体包括：忽略飞行器所受空气阻力作用，针对飞行器***可以建立物理模型：
其中，m为飞行器的总质量，I为3×3单位矩阵，J为飞行器转动惯量矩阵，v和w为飞行器地面坐标系的速度矢量以及角速度矢量，F和G分别为飞行器电机输出合力轴向分力矢量和重力的轴向分力矢量，T为飞行器转动力矩矢量；建立地面坐标系XG以及飞行器机体坐标系XU，其中地面坐标系和机体坐标系之间存在以下关系：XU＝KXG，转换关系中，K为地面坐标系以及机体坐标系之间的旋转变换矩阵，可以表示为
其中Cθ表示cosθ(t)，Sθ表示sinθ(t)，θ(t)为俯仰角，ψ(t)为偏航角，φ(t)为横滚角；根据坐标变换理论，在飞行器的平动方向以及转动方向上，根据以上物理模型可以获得如下在飞行器机体坐标系上的动力学方程
其中，x,y,z分别为飞行器在世界坐标系中的位置坐标，Jx，Jy和Jz分别为飞行器在x轴、y轴和z轴方向的转动惯量，l为臂长，g为重力加速度，合成控制量u1～u4由飞行器电机的输出推力以及合成转矩构成，u1(t)为飞行器垂直上升方向上的合力，u2(t)为横滚角方向合力，u3(t)为俯仰角方向合力，u4(t)为偏航角方向合成转矩。 - 根据权利要求2所述的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，其特征在于，所述的步骤S2中根据有限时间变参收敛微分神经动力学设计方法，设计多旋翼飞行器动力学模型的有限时间变参收敛微分神经网络求解器具体包括：通过有限时间变参收敛微分神经动力学设计方法，分别由z轴高度z(t)、横滚角φ(t)、俯仰角θ(t)和偏航角ψ(t)出发，设计关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数；分别根据所求出的关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数，设计有限时间变参收敛微分神经网络求解器。
- 根据权利要求3所述的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，其特征在于，所述的通过有限时间变参收敛微分神经动力学设计方法，分别由z轴高度z(t)、横滚角φ(t)、俯仰角θ(t)和偏航角ψ(t)出发，设计关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数的步骤具体包括：S201、针对z轴高度z(t)，根据z轴方向上的设定目标高度值以及实际高度值zT(t)，在位置层上可以定义关于实际高度值z(t)偏差函数ez1为：ez1(t)＝z(t)-zT(t)，为了使实际值z(t)能够收敛到时变目标值zT(t)，根据有限时间变参收敛微分神经动力学设计方 法，设计基于偏差函数的神经动力学方程其中γ(t)＝p+tp为时变参数，表示收敛率调节因子；
根据偏差函数ez1(t)＝z(t)-zT(t)，可以得到将ez1(t)＝z(t)-zT(t)以及
代入
可得
位置层z(t)能够在有限时间内以超指数收敛到时变目标值zT(t)，但是由于等式(3)不包含关于控制量u1～u4的相关信息，无法实现对控制量的求解，故需要再进一步设计包含速度层以及加速度层
的偏差函数，于是定义
根据有限时间变参收敛微分神经网络设计方法，可以设计基于偏差函数的动力学方程
根据已知偏差函数ez2(t)的导数
为：
将以上关于ez2(t)以及
的方程代入等式
可以获得如下函数式：
当等式(4)成立时，速度层将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
为获得神经网络的实际模型，结合动力学方程(2)，等式(5)能被改写为Ez(t)＝az(t)u1(t)+bz(t), (6)其中
也即获得了关于输出控制量u1(t)的偏差函数；
S202、针对横滚角φ(t)，为了达到的目标角度φT(t)，首先定义误差函数eφ1＝φ(t)-φT(t)，可以得到由于在角度层求解，根据有限时间变参微分神经动力学设计方法可得
将误差函数eφ1(t)和代入方程
可得
φ(t)将在有限时间内以超指数收敛到目标角度φT(t)；由于已知需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eφ2(t)及的方程代入
可以获得如下函数式：
当等式(8)成立时，速度层将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
也即获得了关于输出控制量u2(t)的偏差函数；S203、针对俯仰角θ(t)，为了达到的目标角度θT(t)，首先定义误差函数eθ1＝θ(t)-θT(t)，可以得到由于在角度层求解，根据有限时间变参微 分神经动力学设计方法可得
将误差函数eθ1(t)和代入方程
可得
θ(t)将在有限时间内以超指数收敛到目标角度θT(t)；由于已知需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eθ2(t)及的方程代入等式
可以得如下函数式：
当等式(12)成立时，速度层将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
，也即获得了关于输出控制量u3(t)的偏差函数；S204、针对偏航角ψ(t)，为了达到的目标角度ψT(t)，首先定义误差函数eψ1＝ψ(t)-ψT(t)，可以得到由于在角度层求解，根据有限时间变参微分神经动力学设计方法可得
将误差函数eψ1(t)和代入方程
可得
ψ(t)将在有限时间内以超指数收敛到目标角度ψT(t)；由于已知需要求解出含有
的方程；为了得到含有
的方程，利用同样方法设误差函数
且
将以上eψ2(t)及的方程代入
可以得如下函数式：
当等式(16)成立时，速度层将在有限时间内以超指数收敛到
据此，可以考虑偏差函数
飞行器达到目标状态，根据所述的动力学模型方程，偏差函数可以转化为
其中
- 根据权利要求4所述的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，其特征在于，所述的分别根据所求出的关于输出控制量u1～u4的有限时间变参收敛微分神经网络的***参数偏差函数，设计有限时间变参收敛微分神经网络求解器的步骤具体包括：S211、对于z轴高度z(t)，利用有限时间变参收敛微分神经网络设计方法，设计将式(6)及导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
位置z(t)和速度将在有限时间内以超指数的形式分别收敛到目标位置zT(t)和目标速度
S212、针对横滚角φ(t)，根据有限时间变参收敛微分神经动力学设计方法，设计将等式(10)及其导数
代入，可到有限时间变参收敛微分神经网络的隐式动力学方程
横滚角φ(t)和速度将在有限时间内以超指数的形式分别收敛到目标位置φT(t)和目标速度
S213、针对俯仰角θ(t)，根据有限时间变参收敛微分神经动力学设计方法，设计将等式(14)以及其导数
可得到有限时间变参收敛微分神经网络的隐式动力学方程
俯仰角θ(t)和速度将在有限时间内以超指数的形式分别收敛到目标位置θT(t)和目标速度
S214、针对偏航角ψ(t)，根据有限时间变参收敛微分神经动力学设计方法，设计将等式(18)以及其导数
代入，可得到有限时间变参收敛微分神经网络的隐式动力学方程
俯仰角ψ(t)和速度将在有限时间内以超指数的形式分别收敛到目标位置ψT(t)和目标速度
S215、求解合成控制量u1～u4即为对应飞行器飞行需求的控制量，根据等式(19)， (20)，(21)，(22)分别获得控制量u1～u4的神经网络方程，具体分别如下：
将求解出的控制量u1～u4根据不同旋翼飞行器的结构以及电机数目进行不同的输出控制分配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/636,011 US11378983B2 (en) | 2017-08-02 | 2017-11-06 | Stable flight control method for multi-rotor unmanned aerial vehicle based on finite-time neurodynamics |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710650246.7 | 2017-08-02 | ||
| CN201710650246.7A CN107368091B (zh) | 2017-08-02 | 2017-08-02 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2019024303A1 true WO2019024303A1 (zh) | 2019-02-07 |
Family
ID=60309522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2017/109484 WO2019024303A1 (zh) | 2017-08-02 | 2017-11-06 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11378983B2 (zh) |
| CN (1) | CN107368091B (zh) |
| WO (1) | WO2019024303A1 (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885074A (zh) * | 2019-02-28 | 2019-06-14 | 天津大学 | 四旋翼无人机有限时间收敛姿态控制方法 |
| CN110254741A (zh) * | 2019-05-17 | 2019-09-20 | 李泽波 | 一种飞行控制***的设计方法 |
| CN110275542A (zh) * | 2019-06-14 | 2019-09-24 | 合肥工业大学 | 一种基于自适应有限时间控制的四旋翼飞行器控制方法 |
| CN110456805A (zh) * | 2019-06-24 | 2019-11-15 | 深圳慈航无人智能***技术有限公司 | 一种无人机智能循迹飞行***及方法 |
| CN111168680A (zh) * | 2020-01-09 | 2020-05-19 | 中山大学 | 一种基于神经动力学方法的软体机器人控制方法 |
| CN111399527A (zh) * | 2020-03-27 | 2020-07-10 | 浙江华奕航空科技有限公司 | 一种基于扩展观测器的无人直升机姿态鲁棒控制方法 |
| CN112527008A (zh) * | 2020-12-21 | 2021-03-19 | 福州大学 | 基于低复杂度规定性能的作业型飞行机器人控制方法 |
| CN113885358A (zh) * | 2021-10-27 | 2022-01-04 | 中国民航管理干部学院 | 一种混合构型固定翼无人机机动仿真控制律设计方法 |
| CN114114904A (zh) * | 2021-10-22 | 2022-03-01 | 杭州电子科技大学 | 一种有限时间和固定时间分布式事件触发一致性方法 |
| CN114489100A (zh) * | 2022-01-18 | 2022-05-13 | 中国地质大学（北京） | 基于姿态同步的超视距无人机遥控*** |
| CN114781132A (zh) * | 2022-03-31 | 2022-07-22 | 西北核技术研究所 | 一种D-dot传感器的制作方法 |
| CN114935277A (zh) * | 2022-03-05 | 2022-08-23 | 南京理工大学 | 一种滑翔增程制导炮弹理想弹道的在线规划方法 |
| CN117163281A (zh) * | 2023-08-30 | 2023-12-05 | 南京航空航天大学 | 滑翔飞行器执行器故障情况下的容错控制方法 |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108828957B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
| CN108663940B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
| CN109062234B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 一种非最小相位飞行器复合学习滑模控制方法 |
| CN109062049B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的严格反馈***神经网络控制方法 |
| CN108762098B (zh) * | 2018-08-20 | 2019-11-01 | 西北工业大学 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
| CN108897227B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 非线性严格反馈***全局有限时间神经网络控制方法 |
| CN110456642A (zh) * | 2019-07-24 | 2019-11-15 | 西北工业大学 | 基于奇异摄动分析的弹性飞行器鲁棒有限时间控制方法 |
| CN110703603B (zh) * | 2019-10-28 | 2020-11-24 | 华南理工大学 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
| CN110879602B (zh) * | 2019-12-06 | 2023-04-28 | 安阳全丰航空植保科技股份有限公司 | 基于深度学习的无人机控制律参数调节方法及*** |
| CN111506959A (zh) * | 2020-03-06 | 2020-08-07 | 青岛山景虚拟现实研究院 | 一种用于飞行模拟训练通用型飞控***及方法 |
| CN111831001A (zh) * | 2020-06-28 | 2020-10-27 | 拓攻（南京）机器人有限公司 | 一种多旋翼无人机电机倾角及安装公差约束确定方法 |
| 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 |
| CN111857171B (zh) * | 2020-07-30 | 2021-09-21 | 华南理工大学 | 一种基于质量自适应多层神经网络的无人机控制方法 |
| CN112346474B (zh) * | 2020-10-20 | 2021-12-07 | 南京航空航天大学 | 一种有限时间收敛的微分对策制导律的设计方法 |
| CN112486141B (zh) * | 2020-11-26 | 2022-09-02 | 南京信息工程大学 | 一种基于时间自动机的无人机飞控程序建模与验证方法 |
| 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 |
| CN113238572B (zh) * | 2021-05-31 | 2022-11-22 | 上海海事大学 | 基于预设性能控制的预设时间四旋翼无人机姿态跟踪方法 |
| CN113505525A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 基于微分神经网络的电力***动态元件建模方法及装置 |
| CN113359472B (zh) * | 2021-07-02 | 2024-04-19 | 北京理工大学 | 一种四旋翼无人机自适应鲁棒轨迹跟踪控制方法 |
| CN113985916B (zh) * | 2021-10-26 | 2024-04-05 | 西安电子科技大学 | 基于压强闭环控制的飞行器变推力发动机控制分配方法、***、装置及存储介质 |
| CN113995629B (zh) * | 2021-11-03 | 2023-07-11 | 中国科学技术大学先进技术研究院 | 基于镜像力场的上肢双臂康复机器人导纳控制方法及*** |
| CN114200826B (zh) * | 2021-11-09 | 2023-06-23 | 西北工业大学 | 一种超音速大机动靶标持续大过载机动高度稳定控制方法 |
| CN114253137B (zh) * | 2021-12-16 | 2023-07-25 | 郑州大学 | 基于控制分配的无人机***故障诊断与容错控制方法 |
| CN114237297B (zh) * | 2021-12-21 | 2023-04-14 | 电子科技大学 | 一种基于神经网络训练学习的无人机群飞行控制方法 |
| CN114510065A (zh) * | 2021-12-24 | 2022-05-17 | 湖北航天飞行器研究所 | 一种多旋翼无人机地面目标跟踪控制方法 |
| CN114859950B (zh) * | 2022-04-17 | 2024-05-10 | 西北工业大学 | 考虑控制死区的弹性飞行器智能控制方法 |
| CN115480583B (zh) * | 2022-09-22 | 2024-06-07 | 福州大学 | 飞行作业机器人的视觉伺服跟踪与阻抗控制方法 |
| CN116650979B (zh) * | 2023-07-28 | 2023-10-24 | 深圳市好盈科技股份有限公司 | 飞行器控制方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150220829A1 (en) * | 2014-02-04 | 2015-08-06 | Qualcomm Incorporated | Equivalent delay by shaping postsynaptic potentials |
| US20160034808A1 (en) * | 2012-12-21 | 2016-02-04 | International Business Machines Corporation | Hardware architecture for simulating a neural network of neurons |
| 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 |
| CN106945041A (zh) * | 2017-03-27 | 2017-07-14 | 华南理工大学 | 一种冗余度机械臂重复运动规划方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104637370B (zh) * | 2014-12-23 | 2015-11-25 | 河南城建学院 | 一种摄影测量与遥感综合教学的方法及*** |
| CN105607473B (zh) * | 2015-11-20 | 2018-05-01 | 天津大学 | 小型无人直升机的姿态误差快速收敛自适应控制方法 |
| US10679511B2 (en) * | 2016-09-30 | 2020-06-09 | Sony Interactive Entertainment Inc. | Collision detection and avoidance |
| CN106647584A (zh) * | 2017-01-17 | 2017-05-10 | 南京航空航天大学 | 一种基于最优滑模的四旋翼飞行器的容错控制方法 |
-
2017
- 2017-08-02 CN CN201710650246.7A patent/CN107368091B/zh active Active
- 2017-11-06 WO PCT/CN2017/109484 patent/WO2019024303A1/zh active Application Filing
- 2017-11-06 US US16/636,011 patent/US11378983B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160034808A1 (en) * | 2012-12-21 | 2016-02-04 | International Business Machines Corporation | Hardware architecture for simulating a neural network of neurons |
| US20150220829A1 (en) * | 2014-02-04 | 2015-08-06 | Qualcomm Incorporated | Equivalent delay by shaping postsynaptic potentials |
| 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 |
| CN106945041A (zh) * | 2017-03-27 | 2017-07-14 | 华南理工大学 | 一种冗余度机械臂重复运动规划方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885074B (zh) * | 2019-02-28 | 2022-02-15 | 天津大学 | 四旋翼无人机有限时间收敛姿态控制方法 |
| CN109885074A (zh) * | 2019-02-28 | 2019-06-14 | 天津大学 | 四旋翼无人机有限时间收敛姿态控制方法 |
| CN110254741A (zh) * | 2019-05-17 | 2019-09-20 | 李泽波 | 一种飞行控制***的设计方法 |
| CN110275542A (zh) * | 2019-06-14 | 2019-09-24 | 合肥工业大学 | 一种基于自适应有限时间控制的四旋翼飞行器控制方法 |
| CN110275542B (zh) * | 2019-06-14 | 2022-04-08 | 合肥工业大学 | 一种基于自适应有限时间控制的四旋翼飞行器控制方法 |
| CN110456805A (zh) * | 2019-06-24 | 2019-11-15 | 深圳慈航无人智能***技术有限公司 | 一种无人机智能循迹飞行***及方法 |
| CN110456805B (zh) * | 2019-06-24 | 2022-07-19 | 深圳慈航无人智能***技术有限公司 | 一种无人机智能循迹飞行***及方法 |
| CN111168680B (zh) * | 2020-01-09 | 2022-11-15 | 中山大学 | 一种基于神经动力学方法的软体机器人控制方法 |
| CN111168680A (zh) * | 2020-01-09 | 2020-05-19 | 中山大学 | 一种基于神经动力学方法的软体机器人控制方法 |
| CN111399527B (zh) * | 2020-03-27 | 2023-08-04 | 浙江华奕航空科技有限公司 | 一种基于扩展观测器的无人直升机姿态鲁棒控制方法 |
| CN111399527A (zh) * | 2020-03-27 | 2020-07-10 | 浙江华奕航空科技有限公司 | 一种基于扩展观测器的无人直升机姿态鲁棒控制方法 |
| CN112527008A (zh) * | 2020-12-21 | 2021-03-19 | 福州大学 | 基于低复杂度规定性能的作业型飞行机器人控制方法 |
| CN114114904A (zh) * | 2021-10-22 | 2022-03-01 | 杭州电子科技大学 | 一种有限时间和固定时间分布式事件触发一致性方法 |
| CN114114904B (zh) * | 2021-10-22 | 2024-04-12 | 杭州电子科技大学 | 一种有限时间和固定时间分布式事件触发一致性方法 |
| CN113885358A (zh) * | 2021-10-27 | 2022-01-04 | 中国民航管理干部学院 | 一种混合构型固定翼无人机机动仿真控制律设计方法 |
| CN113885358B (zh) * | 2021-10-27 | 2023-09-26 | 中国民航管理干部学院 | 一种混合构型固定翼无人机机动仿真控制律设计方法 |
| CN114489100A (zh) * | 2022-01-18 | 2022-05-13 | 中国地质大学（北京） | 基于姿态同步的超视距无人机遥控*** |
| CN114489100B (zh) * | 2022-01-18 | 2023-07-04 | 中国地质大学（北京） | 基于姿态同步的超视距无人机遥控*** |
| CN114935277A (zh) * | 2022-03-05 | 2022-08-23 | 南京理工大学 | 一种滑翔增程制导炮弹理想弹道的在线规划方法 |
| CN114935277B (zh) * | 2022-03-05 | 2023-08-04 | 南京理工大学 | 一种滑翔增程制导炮弹理想弹道的在线规划方法 |
| CN114781132A (zh) * | 2022-03-31 | 2022-07-22 | 西北核技术研究所 | 一种D-dot传感器的制作方法 |
| CN117163281A (zh) * | 2023-08-30 | 2023-12-05 | 南京航空航天大学 | 滑翔飞行器执行器故障情况下的容错控制方法 |
| CN117163281B (zh) * | 2023-08-30 | 2024-03-08 | 南京航空航天大学 | 滑翔飞行器执行器故障情况下的容错控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11378983B2 (en) | 2022-07-05 |
| CN107368091A (zh) | 2017-11-21 |
| US20210141395A1 (en) | 2021-05-13 |
| CN107368091B (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| WO2019085834A1 (zh) | 一种无人飞行器稳定飞行控制方法 | |
| US11199858B2 (en) | Thrust vectored multicopters | |
| Lozano | Unmanned aerial vehicles: Embedded control | |
| Tayebi et al. | Attitude stabilization of a VTOL quadrotor aircraft | |
| Cai et al. | Unmanned rotorcraft systems | |
| CN106155076B (zh) | 一种多旋翼无人飞行器的稳定飞行控制方法 | |
| Hérissé et al. | A terrain-following control approach for a vtol unmanned aerial vehicle using average optical flow | |
| CN110347171A (zh) | 一种飞行器控制方法及飞行器 | |
| Jithu et al. | Quadrotor modelling and control | |
| 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 | |
| CN107992084A (zh) | 不依靠角速度反馈的无人机鲁棒姿态控制方法和装置 | |
| Lippiello et al. | Wall inspection control of a VTOL unmanned aerial vehicle based on a stereo optical flow | |
| Sun et al. | Dynamic modeling and hardware-in-loop simulation for a tail-sitter unmanned aerial vehicle in hovering flight | |
| CN109308074A (zh) | 一种无人机重心偏移的补偿方法及*** | |
| Mokhtari et al. | Sliding mode control for a small coaxial rotorcraft UAV | |
| Wang et al. | Hardware in the loop based 6DoF test platform for multi-rotor UAV | |
| Cai et al. | Design of STM32-based Quadrotor UAV Control System. | |
| CN111857171A (zh) | 一种基于质量自适应多层神经网络的无人机控制方法 | |
| Yu et al. | Autonomous flight control law for an indoor UAV quadrotor | |
| CN111258324A (zh) | 多旋翼无人机控制方法、装置、多旋翼无人机及存储介质 | |
| Kemper et al. | Impact of center of gravity in quadrotor helicopter controller design | |
| CN114089779A (zh) | Gps拒止环境下空中机器人视觉自主控制方法及*** | |
| Yin et al. | Research on attitude control system design and flight experiments of small-scale unmanned aerial vehicle | |
| Flores et al. | Improving Optical Flow Sensor Using a Gimbal for Quadrotor Navigation in GPS-Denied Environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17920294 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 17920294 Country of ref document: EP Kind code of ref document: A1 |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 17/07/2020) |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 17920294 Country of ref document: EP Kind code of ref document: A1 |