具有未知干扰的无人机鲁棒滑模飞行控制

研究无人机飞行稳定性控制问题,由于无人机飞行控制系统存在时变外部干扰,飞行过程中升阴比变化激烈,控制稳定性难度较大。利用滑模控制良好的鲁棒能力提出一种神经网络的鲁棒飞行控制方法。因神经网络有良好非线性逼近能力,可对无人机飞行系统中的不确定进行在线逼近,并将神经网络权值误差引入到权值的自适应律中用以改善系统的动态性能。利用神经网络的组合,设计无人机鲁棒滑模飞行控制器。控制器分为两部分,一部分是等效控制器,另一部分是滑模控制器,能有效减小系统的跟踪误差。最后将所设计的鲁棒滑模控制对无人机飞行姿态控制进行仿真。仿真结果表明,新方法能提高无人机的鲁棒飞行控制能力且能实现无人机姿态的精确跟踪和稳定性控制。     

基于神经网络的无人机滑模飞行控制设计

针对无人机受扰运动,基于Backstepping方法和非线性滑模控制提出了一种鲁棒神经网络飞行控制方案。对无人机姿态角速度层的系统不确定性项,采用径向基函数神经网络并对其权值进行在线调整,从而实现对其进行逼近。将回馈递推设计方法与滑模控制方法结合起来,基于神经网络的输出为无人机设计了一种回馈递推滑模飞行控制器。所设计的飞行控制器用于无人机的姿态控制,仿真结果表明所研究的无人机鲁棒神经网络飞行控制方案是有效的。     

基于RBF神经网络的扑翼飞行机器人的姿态控制北大核心

针对扑翼飞行机器人(Flapping Wing Aerial Vehicle, FMAV)在实际应用中的姿态控制问题,基于RBF神经网络设计了滑模鲁棒自适应姿态控制器。采用RBF神经网络对FMAV姿态动力学模型中未知项角速度进行逼近,并设计自适应律减小神经网络逼近误差。改进鲁棒项消除了为克服干扰造成的控制输入抖振现象。利用Lyapunov稳定性理论对系统的稳定性进行了分析,并通过数值仿真验证了控制方法的有效性和可行性。     

基于RBF神经网络的扑翼飞行机器人的姿态控制北大核心

针对扑翼飞行机器人(Flapping Wing Aerial Vehicle, FMAV)在实际应用中的姿态控制问题,基于RBF神经网络设计了滑模鲁棒自适应姿态控制器。采用RBF神经网络对FMAV姿态动力学模型中未知项角速度进行逼近,并设计自适应律减小神经网络逼近误差。改进鲁棒项消除了为克服干扰造成的控制输入抖振现象。利用Lyapunov稳定性理论对系统的稳定性进行了分析,并通过数值仿真验证了控制方法的有效性和可行性。     

基于RBF神经网络的扑翼飞行机器人的姿态控制北大核心

针对扑翼飞行机器人(Flapping Wing Aerial Vehicle, FMAV)在实际应用中的姿态控制问题,基于RBF神经网络设计了滑模鲁棒自适应姿态控制器。采用RBF神经网络对FMAV姿态动力学模型中未知项角速度进行逼近,并设计自适应律减小神经网络逼近误差。改进鲁棒项消除了为克服干扰造成的控制输入抖振现象。利用Lyapunov稳定性理论对系统的稳定性进行了分析,并通过数值仿真验证了控制方法的有效性和可行性。     

基于神经网络的小型无人直升机非线性鲁棒控制设计

针对小型无人直升机的姿态控制问题,为补偿系统参数不确定性和外界扰动的影响,设计一种连续的非线性鲁棒控制器.首先,利用神经网络在线估计系统不确定性,采用基于误差符号函数积分的鲁棒控制算法抑制外界扰动,同时补偿神经网络估计误差; 然后,利用基于Lyapunov函数的分析方法,证明所设计控制器的闭环稳定性,确保无人直升机姿态误差的半全局渐近收敛;最后,在无人直升机飞行实验平台上,进行无人机抗风扰控制实验.实验结果表明,所提出的控制方法具有良好的控制效果,对系统不确定性和外界扰动具有良好的鲁棒性.     

输入饱和与姿态受限的四旋翼无人机反步姿态控制

本文针对四旋翼无人机研究了鲁棒反步姿态控制策略.由于四旋翼无人机结构复杂,其非线性数学模型难以精确建立,因此在控制器设计过程中需要综合考虑模型不确定性、未知外部干扰、输入饱和以及姿态受限等因素.针对模型中的不确定项,使用神经网络进行逼近;对于外部未知干扰,使用非线性干扰观测器进行补偿;使用双曲正切函数逼近饱和函数,解决输入饱和问题;同时使用界限Lyapunov函数设计控制器,确保姿态满足限制条件.最后,设计四旋翼无人机反步姿态控制器,并根据Lyapunov稳定性定理证明了闭环控制系统的有界稳定.仿真结果表明了所研究控制方法的有效性.     

基于反步滑模算法的无人机姿态鲁棒控制系统设计

针对传统无人机姿态鲁棒控制系统易受到外部干扰影响,无法精准控制姿态角、左侧舵面角和右侧舵面角,导致系统不稳定的问题,设计了基于反步滑模算法的无人机姿态鲁棒控制系统;使用TMS320F28335芯片的串级PID控制器,控制无人机中央处理机;选择MS-S3型伺服驱动器保证电机高速运动时的高转矩运行;使用STM32f407VGT6型号姿态控制器,控制旋翼姿态;在软件流程设计过程中,构建无人机动力学模型,引入反步滑模算法构建考虑姿态角动态方程,选择Lyapunov函数计算误差变量,设计滑模控制律,借助Visual C++6.0实现软件程序编写,完成无人机姿态鲁棒控制系统设计;由实验结果可知,在时间为5 s时,该系统姿态角达到6°、左侧舵面达到0.40°、右侧舵面角达到0.20°,与实际控制结果一致,具有精准控制效果。     

一种基于单目视觉的微型无人机姿态算法

针对无人机在连续飞行过程中的姿态求取问题,提出一种基于单目视觉的微型无人机姿态算法。基于无人机摄像机获得序列图像,利用图像尺度不变特性变换获取特征点信息,结合对极几何约束关系,运用随机采样一致性原理求解载体位姿变换信息,从而获得载体的导航信息。实验结果表明,通过单目序列图像获得的姿态角度变化精度优于0.1°,在180°旋转情况下的误差累加值小于1°。     

考虑执行器动态和输入受限的近空间飞行器鲁棒可重构跟踪控制

针对多变量、不稳定的近空间飞行器姿态系统,在系统存在参数不确定和外部干扰的情况下,并考虑执行器动态和输入受限,提出一种鲁棒可重构跟踪控制策略.首先,利用二阶滑模干扰观测器分别重构姿态、角速率回路的复合干扰;其次,采用鲁棒二阶滑模积分滤波器的反推(backstepping)方法避免了控制器设计中微分项膨胀问题,利用鲁棒项抵消重构误差对系统的影响,以实现姿态控制器设计.然后,在考虑执行器动态、输入受限及舵面卡死故障下,给出一种线性矩阵不等式的在线优化舵面分配算法,以实现飞行器的姿态角渐近跟踪期望的制导指令.最后,仿真结果表明所提出的方法具有良好的跟踪控制性能.     

饱和输入下四旋翼无人机滑模轨迹跟踪控制

为解决四旋翼无人机在饱和输入下的轨迹跟踪控制问题,同时兼顾系统存在的参数不确定性和外部风力扰动影响,设计了一种改进的抗干扰自适应鲁棒滑模控制方法;基于六自由度架构,设计四旋翼无人机简化的系统模型,进而降低控制器设计的复杂程度;引入带有误差信号的滑模函数,设计带有误差信号的饱和补偿自适应控制律,同时增加鲁棒控制项,降低由于饱和输入问题带来的抖振影响,并减小参数不确定和外部风力扰动对系统稳定性的影响;系统模型与抗干扰自适应控制律相结合,形成了改进的抗干扰自适应鲁棒滑模控制策略,实现四旋翼无人机的位置轨迹和姿态轨迹的稳定跟踪;最后通过数值仿真与传统PD控制算法进行仿真比较,验证控制方法的有效性和优越性。     

Modeling and Robust Backstepping Sliding Mode Control with Adaptive RBFNN for a Novel Coaxial Eight-rotor UAV

This paper focuses on the robust attitude control of a novel coaxial eight-rotor unmanned aerial vehicles (UAV) which has higher drive capability as well as greater robustness against disturbances than quad-rotor UAV. The dynamical and kinematical model for the coaxial eight-rotor UAV is developed, which has never been proposed before. A robust backstepping sliding mode controller (BSMC) with adaptive radial basis function neural network (RBFNN) is proposed to control the attitude of the eightrotor UAV in the presence of model uncertainties and external disturbances. The combinative method of backstepping control and sliding mode control has improved robustness and simplified design procedure benefiting from the advantages of both controllers. The adaptive RBFNN as the uncertainty observer can effectively estimate the lumped uncertainties without the knowledge of their bounds for the eight-rotor UAV. Additionally, the adaptive learning algorithm, which can learn the parameters of RBFNN online and compensate the approximation error, is derived using Lyapunov stability theorem. And then the uniformly ultimate stability of the eight-rotor system is proved. Finally, simulation results demonstrate the validity of the proposed robust control method adopted in the novel coaxial eight-rotor UAV in the case of model uncertainties and external disturbances.      

RS-GA神经网络无人机受风情况估计

针对现有无人机（Unmanned Aerial Vehicle,UAV）风场估计方法中存在的计算复杂、需额外搭载传感器等问题,提出基于粗糙集遗传神经网络的无人机受风状态估计方法。该方法利用粗糙集分析方法对无人机上采集的姿态信息数据集进行约简;利用遗传算法全局搜索能力强的特点优化神经网络的初始权值;用简化的无人机数据集训练神经网络即得到所需神经网络风场估计模型。仿真结果表明,该方法具有较高的识别率以及较短的训练时间,证明了其在无人机风场估计上应用的有效性。     

自主水下航行器的鲁棒自适应姿态控制算法

针对自主水下航行器（Autonomous Underwater Vehicle，AUV）在自动巡航任务中的姿态控制问题，提出了一种神经网络与滑模控制相结合的鲁棒自适应姿态控制算法。采用了RBF神经网络对AUV数学模型中的不确定项进行逼近，抑制了未建模动态和参数摄动的影响，进而基于反步法和滑模控制设计了姿态控制律，其中引入鲁棒项以克服外界干扰和神经网络逼近误差，并通过Lyapunov定理证明了控制系统的稳定性。将所设计的控制算法应用在AUV的姿态控制系统中进行数值仿真，验证了该控制算法的有效性和鲁棒性。     

基于故障观测器的多无人机姿态一致性控制

在多个固定翼无人机姿态主从式一致性控制过程中,给出单个固定翼无人机在理想情况下的姿态动力学模型,即名义模型。考虑到无人机在实际运行过程中存在的外部干扰、状态测量误差、控制器微小故障以及无人机实际模型与名义模型之间的偏移,提出一种基于观测器和神经网络的故障检测方法,以实时检测出无人机中存在的故障、模型不确定以及干扰情况。基于无人机名义模型和检测出的故障及干扰,设计主从式多无人机姿态一致性控制器,以实现多无人机姿态的一致性准确跟踪。仿真结果表明,在外部干扰、状态测量误差与控制器微小故障下,与基于神经网络的直接姿态一致性控制器相比,该控制器能够使得无人机的姿态运动状态更接近于期望状态。     

采用滑模观测器的六旋翼指令滤波鲁棒控制

针对包含复合干扰的六旋翼无人机鲁棒控制问题,提出了一种基于滑模观测器的指令滤波鲁棒控制方法。建立了包含复合干扰的六旋翼无人机位置和姿态的数学模型,并对位置回路设计了滑模控制律,从而解算出姿态指令;根据姿态角回路输出的虚拟控制律,设计了指令滤波器来抑制微分爆炸现象,并利用辅助滤波器补偿指令滤波的误差;在角速度回路鲁棒控制律中引入滑模观测器,对包括模型误差和外界扰动的复合干扰进行补偿,实现了六旋翼UAV的指令滤波鲁棒控制。仿真结果表明：提出的指令滤波鲁棒控制律与指令滤波自适应控制方法相比,在复合干扰下具有更优的稳定性、准确性和快速性,位置和姿态的最大误差分别仅为0.05?m和0.5°,滑模观测器的估计误差也仅为0.2 （°）/s,能够在更短的时间内实现对六旋翼UAV位移和姿态的鲁棒控制。     

倾转式三旋翼无人机的自适应鲁棒容错控制

本文针对受到外界未知扰动和模型不确定性影响的倾转式三旋翼无人机,研究了其在尾部舵机发生堵塞故障时的容错控制问题.通过对倾转式三旋翼无人机姿态动力学特性的分析,将尾部舵机堵塞故障加入到力矩解算方程中.基于自适应反步法和非奇异终端滑模控制,提出了一种不需要故障诊断的鲁棒容错控制设计.利用基于Lyapunov的分析方法证明了闭环系统的稳定性,以及姿态误差的渐近收敛性质.通过在三旋翼无人机半实物仿真平台的实时实验以及与滑模控制器的对比,验证了该算法在无人机尾部舵机发生堵塞故障时,对姿态运动具有较好的控制效果.     

基于强化学习的四旋翼无人机控制律设计

目前四旋翼无人机大部分都采用经典控制方法进行控制律的设计,然而控制参数的选择和对被控对象数学模型的依赖一直是经典控制方法设计中需要克服的问题;针对此问题,采用了一种基于深度强化学习算法Deep Q Network的无人机控制律设计方法,以四旋翼姿态角和姿态角速率作为三层神经网络的输入数据,最终输出动作值函数,再根据贪婪策略进行动作的选取,通过与环境的不断交互,智能体根据奖惩信息来更新神经网络的权值,使得智能体朝着获得累积回报最大值的方向选取动作;仿真结果表明在经过强化学习训练之后,四旋翼姿态角能够快速准确地跟踪上参考指令的变化,证明了基于强化学习的四旋翼无人机控制律的可行性,从而避免了传统控制方法对控制参数的选择与控制模型的依赖。     

固定翼无人机的自抗扰反步控制

针对固定翼无人机姿态和速度控制中系统存在模型不确定性和外界扰动的情况,本文设计了基于扩张状态观测器的反步控制器抑制系统扰动以提高无人机的控制性能.首先建立无人机速度误差模型和姿态误差模型,其中姿态误差模型采用四元数作为变量以避免欧拉角在描述姿态时存在的奇点问题和复杂三角运算;进而设计扩张状态观测器对系统中存在的扰动进行估计,并将扰动估计值与控制器设计相结合,分别设计出姿态控制器和速度控制器来抑制扰动的影响且使无人机姿态和速度收敛到期望值.最后基于李雅普诺夫理论证明系统的稳定性.仿真结果表明,本文所设计方法能够抑制系统中存在的扰动.