CN101369132A - 基于神经网络辨识器的永磁球形电动机力学解耦控制方法 - Google Patents
基于神经网络辨识器的永磁球形电动机力学解耦控制方法 Download PDFInfo
- Publication number
- CN101369132A CN101369132A CNA2008100538288A CN200810053828A CN101369132A CN 101369132 A CN101369132 A CN 101369132A CN A2008100538288 A CNA2008100538288 A CN A2008100538288A CN 200810053828 A CN200810053828 A CN 200810053828A CN 101369132 A CN101369132 A CN 101369132A
- Authority
- CN
- China
- Prior art keywords
- theta
- neural network
- tau
- network identifier
- spherical motor
- 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.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明属于永磁球形电动机动力学控制技术领域,涉及一种球形电动机力学解耦控制方法,该方法包括伺服控制器,还包括按照下列步骤建立的神经网络前馈控制器:建立球形电动机的动力学方程;建立两层神经网络辨识器,所述神经网络辨识器的输入信号为球形电动机输出的位置角向量θ(α,β,γ),输出信号为前馈补偿力矩向量(τnα,τnβ,τnγ)T;采用带有附加动量的权值调节公式训练所述的神经网络辨识器;对神经网络辨识器进行在线辨识,实现力矩向量(τnα,τnβ,τnγ)T的前馈补偿。本发明提供的方法能够有效减弱模型估计误差和系统外部扰动影响。
Description
技术领域
本发明属于永磁球形电动机动力学控制技术领域。涉及一种球形电动机力学解耦控制方法。
背景技术
在现代航天、军事、化工、工业自动化和智能机器人等的研究和应用领域,都越来越多地需要实现多自由度运动。传统上实现多自由度运动,往往需要联合控制多台通过复杂传动机构相连接的单自由度电动机。这不仅造成了系统的机械结构复杂,体积庞大,而且使系统响应迟缓,定位精度不高,动态性能很差。于是人们开始关注能够提供2-3个自由度运动的球形电动机。三自由度球形电动机能够大大简化机械结构,提高定位精度和响应速度。
目前,国内外学者提出的球形电动机动力学解耦控制策略主要有:
基于输出位置角的前馈补偿解耦算法,即用输出位置角直接重构耦合力矩项,对系统进行前馈补偿。这种算法相对比较简单,且能够减弱各轴向间的耦合作用。但是,此算法只适用于不考虑模型估计误差和系统外部扰动、对系统的鲁棒性要求较低的场合。事实上,模型估计误差和系统外部扰动广泛存在于球形电动机控制过程中,如果考虑其影响,则此算法的静态和动态性能不够理想。
发明内容
本发明的目的是克服现有技术的上述缺陷,提出一种能够有效减弱模型估计误差和系统外部扰动影响的力学解耦控制方法。
为此,本发明采用如下的技术方案:
一种基于神经网络辨识器的球形电动机力学解耦控制方法,包括伺服控制器,其特征在于,还包括按照下列步骤建立的神经网络前馈控制器:
第二步:建立两层神经网络辨识器,所述神经网络辨识器的输入信号为球形电动机输出的位置角向量θ(α,β,γ),输出信号为前馈补偿力矩向量(τnα,τnβ,τnγ)T,输入层与隐含层神经元之间采用Sigmoid函数作为非线性激活函数,输出层的神经元激活函数为纯线性函数;
第三步:以 为神经网络误差信号的训练信号,采用带有附加动量的权值调节公式Δwij(k+1)=(1-α)ηδi+αηΔwij(k)训练所述的神经网络辨识器,两式中, α为动量因子,0≤α≤1,δi为节点误差,η为学习速率;
第四步:对上述的神经网络辨识器进行在线辨识,实现力矩向量(τnα,τnβ,τnγ)T的前馈补偿。
上述的控制方法中,最好采用如下的自适应学习速率调整公式 其中,E为均方误差,k为训练次数;伺服控制器可以为三个采用Mamdani最大值-最小值模糊推理算法的二维模糊高斯基控制器,所述的三个模糊控制器分别根据球形电动机输出的位置角α,β,γ,控制相应的球形电动机卡尔登角的转动轴。
本发明的有益效果在于:
1.本发明的神经网络辨识器采用含附加动量项和自适应学习速率方法的改进BP算法作为神经网络训练算法,提高了训练速度,避免了网络陷入局部极小,且使神经网络具有较强的稳定性。
2.本发明运用神经网络辨识器对控制系统的不确定性进行在线辨识,大大减少了不确定性对系统动态性能的影响,显著地提高了控制系统的静态和动态性能,实现了理想的动力学解耦控制,增强了系统的自适应能力。
3.采用三个二维模糊控制器作为控制系统的主控制器,大大增强了控制系统的鲁棒性,进一步提高了系统的静态和动态性能。
总之,本发明提供的控制方法能够消除球形电动机转子各个轴向之间的非线性耦合,实现球形电动机的动力学解耦控制,改善球形电动机的动态性能和静态性能;消除或削弱模型估计误差和系统外部扰动对于球形电动机随动性能的影响。与基于输出位置角的前馈补偿解耦算法相比较,本发明的实时性较好,具有很好的静态和动态性能。另外,此发明对模型估计误差和系统外部扰动具有很强的鲁棒性。
附图说明
图1含有神经网络辨识器的永磁球形电动机力学解耦控制方法结构框图。
图2用于实现神经网络辨识的前馈神经网络结构示意图。
图3神经网络辨识器采用的改进BP算法流程图。
图4改进BP算法学习速率随训练次数的变化情况。
图5改进BP算法和普通BP算法的收敛效果比较:
(a)训练均方差随步长的变化情况;(b)梯度随步长的变化情况。
图6二维模糊控制器结构图。
图7含模糊控制器和神经网络辨识器的永磁球形电动机力学解耦控制算法结构图。
图8本发明所涉及算法的章动运动响应:(a)转子输出轴运动轨迹;(b)转子表面任意一点(0.6,0,0.8)运动轨迹。
图9直接前馈补偿算法的章动运动响应:(a)转子输出轴运动轨迹;
(b)转子表面任意一点(0.6,0,0.8)运动轨迹。
图10(a)神经网络辨识器α轴辨识误差。
图10(b)神经网络辨识器β轴辨识误差。
图10(c)神经网络辨识器γ轴辨识误差。
图11本发明所涉及算法和直接前馈补偿算法的轨迹跟踪误差对比:(a)为α轴跟踪误差对比;(b)为β轴跟踪误差对比;(c)为γ轴跟踪误差对比(--直接前馈算法;…本发明所涉及算法)。
图12直接前馈控制算法的解耦控制效果:(a)为α轴解耦控制效果;(b)为β轴解耦控制效果;(c)为γ轴解耦控制效果(—期望轨迹;…跟踪轨迹)。
图13本发明所涉及算法的解耦控制效果:(a)为α轴解耦控制效果;(b)为β轴解耦控制效果;(c)为γ轴解耦控制效果(—期望轨迹;…跟踪轨迹)。
图14本发明所涉及算法的鲁棒性(—不确定性为20%;…不确定性为50%)。
具体实施方式
计算力矩法已经被广泛地应用于机器人动态控制中,具有较理想的静态和动态性能。另外,计算力矩法不需要在线计算输出位置角的二阶导数项,因此,实时性较好。本发明将计算力矩法的结构应用于球形电动机动力学问题。
下面结合实施例和附图对本发明做进一步详述。
实施例1
本发明的含有神经网络辨识器的球形电动机力学解耦控制方法的结构框图如图1所示。本发明实施例1的主控制器采用惯常的伺服控制,即PD控制,利用神经网络辨识器实现前馈神经网络控制。
根据拉格朗日法或牛顿-欧拉法可以得到球形电动机的动力学方程如下:
其中,τn为神经网络辨识器的输出力矩。
将(2)代入(1),可得:
其中,伺服部分u表达式如式(4)所示。u实际上是偏置的PD控制,包括偏置部分和PD部分
由式(3)和式(4)可得误差方程,如式(5)所示:
其中,
为模型估计误差。
由误差方程(5)可得系统误差信号为:
令神经网络误差信号的训练信号为:
此训练信号靠球形电动机动力学模型与其逆模型作差得到,即:
τt=τ-τm (10)
其中,
为永磁球形电动机动力学逆模型输出力矩。当τn充分逼近训练信号τt时,由式(8)和式(9)可以看出,误差信号Es也充分接近于零。此时误差方程(8)可以化简为:
这就保证了算法对于连续轨迹跟踪的全局稳定性的成立。
当τn充分逼近训练信号τt时,式(3)可以化为:
此时,由式(8),式(9)和式(13)可得:
上式表明,各个轴向的控制量单独控制了对应轴向的输出位置角的二阶导数向量。控制系统实现了各个轴向的解耦。
本发明通过神经网络辨识器来实现对模型估计误差和系统外部扰动等不确定性的在线实时补偿,实现了球形电动机三个轴向间的解耦控制,同时提高了系统的自适应能力。神经网络辨识器采用的神经网络有3个输入层神经元,15个隐含层神经元(采用Sigmoid函数作为非线性激活函数),3个输出层神经元(采用纯线性函数为非线性激活函数),属于两层前馈神经网络。该神经网络的输入信号为球形电动机输出的位置角(卡尔登角)向量(α,β,γ),训练信号为由模型估计误差和外部扰动组成的不确定性向量τt(见式(9)),输出信号为不确定性前馈补偿力矩向量(τnα,τnβ,τnγ)T。
实现神经网络辨识器的前馈神经网络如图2所示。其隐含层的神经元激活函数为Sigmoid函数,输出层的神经元激活函数为纯线性函数。图中iwl表示神经网络输入层和隐含层之间的网络权值,iw2表示隐含层和输出层之间的网络权值。
本发明的神经网络辨识器采用含附加动量项和自适应学习速率法的改进BP算法,这种改进学习算法的流程图如图3所示。
带有附加动量的权值调节公式为:
Δwij(k+1)=(1-α)ηδi+αηΔwij(k) (16)
其中,α为动量因子,0≤α≤1,此处取为0.95。δi为节点误差,η为学习速率。当式(16)表示输入层和隐含层之间的权值调整时,Δwij表示第i(i=1,2,3)个输入层神经元和第j(j=1,…,15)个隐含层神经元之间的权值的调整量;当式(16)表示的是隐含层和输出层之间的权值调整时,Δwij则表示第i(i=1,…,15)个隐含层神经元和第j(j=1,2,3)个输出层神经元之间的权值的调整量。加入附加动量项后避免了网络在训练过程中陷入局部极小值。
为了在保证网络收敛性的基础上提高其训练速度,本发明采用自适应学习速率,使得学习速率在训练过程中能够自适应调整。根据神经网络辨识器的辨识效果,本发明中初始学习速率设置为0.01,采用的自适应学习速率的调整公式如下:
其中,η为学习速率,E为均方误差,k为训练次数。
普通BP算法的学习速率一经设定后,在整个学习训练过程中固定不变,不能根据训练的情况实时调整,因此收敛速度较慢。另外,普通BP算法容易陷入局部极小,使神经网络无法达到训练目标。本发明中的神经网络辨识器即采用的改进的BP算法在普通BP算法中加入附加动量因子,且采用在训练过程中可自适应调整的学习速率,即避免了神经网络陷入局部极小,又在保证神经网络稳定性的基础上大大提高了训练收敛速度。参见图4和图5.图4即为采用上述的改进BP算法时,在神经网络辨识器在线辨识的过程中学习速率随训练步数的变化情况。图5为改进BP算法和普通BP算法的收敛效果比较。
实施例2
由于球形电动机的动力学模型比较复杂,在实施例2中,将式(4)中的PD部分变为二维的模糊控制,,每个模糊控制器控制球形电动机卡尔登角的一个转动轴,以增强控制系统的鲁棒性。二维模糊控制器如图6所示。图中,ke和kec是量化因子,将e和的变化范围转换到输入论域中;ku是比例因子,把模糊控制部分的输出量(跟模糊控制的输出论域相对应)转换为实际的模糊控制器输出量。实施例2的控制方法结构框图如图7所示。
此二维模糊控制器的模糊控制输入论域和输出论域均设为[-6,6],七个语言集分别定义为{PB,PM,PS,Z,NS,NM,NB},每个语言集对应一个隶属度函数。此处采用高斯函数作为隶属度函数。隶属度函数的表达式如下:
其中,i表示第i个隶属度函数,at表示第i个隶属度函数的中心值,bi表示第i个隶属度函数的宽度,Gi表示第i个隶属度函数为高斯函数,x表示论域中的单元。模糊控制器采用Mamdani最大值-最小值综合法作为模糊推理算法。模糊规则库如表1所示。
表1模糊规则表
图5改进BP算法和普通BP算法的收敛效果比较:由图5可以看出,本发明中采用的改进BP算法能够大大提高训练过程中前馈神经网络的收敛速度。
图8本发明所涉及算法的章动运动响应:(a)转子输出轴运动轨迹;
(b)转子表面任意一点(0.6,0,0.8)运动轨迹。
图9直接前馈补偿算法的章动运动响应:(a)转子输出轴运动轨迹;
(b)转子表面任意一点(0.6,0,0.8)运动轨迹。
章动运动是一种类似于陀螺的运动,是最能检验球形电动机力矩全局可控性的情况。将图8和图9进行对比可以看出,本发明所涉及的算法能够大大提高球形电动机在章动运动时的静态性能和动态性能,使得球形电动机具有更好的力矩全局可控性。
图11本发明所涉及算法和直接前馈补偿算法的轨迹跟踪误差对比:(a)为α轴跟踪误差对比;(b)为β轴跟踪误差对比;(c)为γ轴跟踪误差对比(--直接前馈算法;…本发明所涉及算法)。
由图11可以看出,采用本发明所涉及的算法时,控制系统对正弦轨迹的跟踪误差大大小于直接前馈补偿算法。在采用本发明所涉及的算法后,控制系统的动态性能和静态性能得到了很大的改善。
图12直接前馈控制算法的解耦控制效果(—期望轨迹;…跟踪轨迹),图13本发明所涉及算法的解耦控制效果(—期望轨迹;…跟踪轨迹)。
由图12可以看出,控制系统γ轴跟踪信号受到其他两个轴向的给定信号的影响较大,且系统对于给定信号的跟踪效果不够理想。由图13可以看出,控制系统各个轴向的给定信号对于其他轴向跟踪信号的影响已经基本上消失了。这就说明与直接前馈补偿算法相比较,本发明所涉及的算法具有更加理想的解耦控制效果。
图14为本发明所涉及算法的鲁棒性。
图14给出了模型误差(由转动惯量的估计误差产生)和外部扰动分别都设置为20%和50%时采用本发明所涉及算法后球形电动机正弦轨迹跟踪误差的对比。由图14可以看出,控制系统的跟踪误差在两种情况下都很小,且当模型误差和外部扰动发生很大变化后,跟踪误差的变化也不大。这就说明,本发明提出的算法对于结构化和非结构化不确定性都具有很好的鲁棒性。
Claims (3)
1.一种基于神经网络辨识器的球形电动机力学解耦控制方法,包括伺服控制器,其特征在于,还包括按照下列步骤建立的神经网络前馈控制器:
第二步:建立两层神经网络辨识器,所述神经网络辨识器的输入信号为球形电动机输出的位置角向量θ(α,β,γ),输出信号为前馈补偿力矩向量(τnα,τnβ,τnγ)T,输入层与隐含层神经元之间采用Sigmoid函数作为非线性激活函数,输出层的神经元激活函数为纯线性函数;
第三步:以 为神经网络误差信号的训练信号,采用带有附加动量的权值调节公式Δwij(k+1)=(1-α)ηδi+αηΔwij(k)训练所述的神经网络辨识器,两式中, α为动量因子,0≤α≤1,δi为节点误差,η为学习速率;
第四步:对上述的神经网络辨识器进行在线辨识,实现力矩向量(τnα,τnβ,τnγ)T的前馈补偿。
2.根据权利要求1所述的基于神经网络辨识器的球形电动机力学解耦控制方法,其特征在于,采用如下的自适应学习速率调整公式 其中,E为均方误差,k为训练次数。
3.根据权利要求1或2所述的基于神经网络辨识器的球形电动机力学解耦控制方法,其特征在于,所述的伺服控制器为三个采用Mamdani最大值-最小值模糊推理算法的二维模糊高斯基控制器,所述的三个模糊控制器分别根据球形电动机输出的位置角α,β,γ,控制相应的球形电动机卡尔登角的转动轴。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100538288A CN101369132B (zh) | 2008-07-11 | 2008-07-11 | 基于神经网络辨识器的永磁球形电动机力学解耦控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100538288A CN101369132B (zh) | 2008-07-11 | 2008-07-11 | 基于神经网络辨识器的永磁球形电动机力学解耦控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101369132A true CN101369132A (zh) | 2009-02-18 |
CN101369132B CN101369132B (zh) | 2011-01-19 |
Family
ID=40412983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100538288A Expired - Fee Related CN101369132B (zh) | 2008-07-11 | 2008-07-11 | 基于神经网络辨识器的永磁球形电动机力学解耦控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101369132B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053628A (zh) * | 2009-10-27 | 2011-05-11 | 北京航空航天大学 | 基于神经网络的伺服控制系统及方法 |
CN102636995A (zh) * | 2012-05-03 | 2012-08-15 | 河海大学常州校区 | 基于rbf神经网络滑模控制微陀螺仪的方法 |
CN103259479A (zh) * | 2013-05-28 | 2013-08-21 | 江苏大学 | 一种永磁同步电机神经网络左逆状态观测方法 |
CN103780188A (zh) * | 2014-01-23 | 2014-05-07 | 安徽大学 | 基于动态摩擦补偿的永磁球形电机转子自适应控制系统 |
CN104270046A (zh) * | 2014-09-26 | 2015-01-07 | 嘉善博工数控科技有限公司 | 一种基于转速-电流二维模糊模型自学习的电机控制方法 |
CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
CN106950842A (zh) * | 2017-05-18 | 2017-07-14 | 广州视源电子科技股份有限公司 | 解耦控制方法、装置、机器人及存储介质 |
CN108415248A (zh) * | 2018-02-08 | 2018-08-17 | 上海机电工程研究所 | 非线性驱动惯性稳定控制系统及方法 |
CN108748153A (zh) * | 2017-06-09 | 2018-11-06 | 微创(上海)医疗机器人有限公司 | 医疗机器人及其控制方法 |
CN108828952A (zh) * | 2018-08-02 | 2018-11-16 | 中国民航大学 | 基于小脑神经网络的舵机电动加载系统智能控制方法 |
CN110262244A (zh) * | 2019-07-02 | 2019-09-20 | 武汉科技大学 | 一种改进fsrbfd的自适应解耦控制方法 |
-
2008
- 2008-07-11 CN CN2008100538288A patent/CN101369132B/zh not_active Expired - Fee Related
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053628B (zh) * | 2009-10-27 | 2014-10-22 | 北京航空航天大学 | 基于神经网络的伺服控制系统及方法 |
CN102053628A (zh) * | 2009-10-27 | 2011-05-11 | 北京航空航天大学 | 基于神经网络的伺服控制系统及方法 |
CN102636995A (zh) * | 2012-05-03 | 2012-08-15 | 河海大学常州校区 | 基于rbf神经网络滑模控制微陀螺仪的方法 |
CN102636995B (zh) * | 2012-05-03 | 2014-07-30 | 河海大学常州校区 | 基于rbf神经网络滑模控制微陀螺仪的方法 |
CN103259479A (zh) * | 2013-05-28 | 2013-08-21 | 江苏大学 | 一种永磁同步电机神经网络左逆状态观测方法 |
CN103259479B (zh) * | 2013-05-28 | 2016-08-10 | 江苏大学 | 一种永磁同步电机神经网络左逆状态观测方法 |
CN103780188A (zh) * | 2014-01-23 | 2014-05-07 | 安徽大学 | 基于动态摩擦补偿的永磁球形电机转子自适应控制系统 |
CN103780188B (zh) * | 2014-01-23 | 2016-02-24 | 安徽大学 | 基于动态摩擦补偿的永磁球形电机转子自适应控制系统 |
CN104270046B (zh) * | 2014-09-26 | 2017-10-20 | 骆伟法 | 基于转速‑电流二维模糊模型自学习的电机控制方法 |
CN104270046A (zh) * | 2014-09-26 | 2015-01-07 | 嘉善博工数控科技有限公司 | 一种基于转速-电流二维模糊模型自学习的电机控制方法 |
CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
CN106950842A (zh) * | 2017-05-18 | 2017-07-14 | 广州视源电子科技股份有限公司 | 解耦控制方法、装置、机器人及存储介质 |
WO2018209860A1 (zh) * | 2017-05-18 | 2018-11-22 | 广州视源电子科技股份有限公司 | 解耦控制方法、装置、机器人及存储介质 |
CN106950842B (zh) * | 2017-05-18 | 2019-10-25 | 广州视源电子科技股份有限公司 | 解耦控制方法、装置、机器人及存储介质 |
CN108748153A (zh) * | 2017-06-09 | 2018-11-06 | 微创(上海)医疗机器人有限公司 | 医疗机器人及其控制方法 |
CN108748153B (zh) * | 2017-06-09 | 2020-12-18 | 微创(上海)医疗机器人有限公司 | 医疗机器人及其控制方法 |
CN108415248A (zh) * | 2018-02-08 | 2018-08-17 | 上海机电工程研究所 | 非线性驱动惯性稳定控制系统及方法 |
CN108828952A (zh) * | 2018-08-02 | 2018-11-16 | 中国民航大学 | 基于小脑神经网络的舵机电动加载系统智能控制方法 |
CN108828952B (zh) * | 2018-08-02 | 2021-03-05 | 中国民航大学 | 基于小脑神经网络的舵机电动加载系统智能控制方法 |
CN110262244A (zh) * | 2019-07-02 | 2019-09-20 | 武汉科技大学 | 一种改进fsrbfd的自适应解耦控制方法 |
CN110262244B (zh) * | 2019-07-02 | 2022-04-01 | 武汉科技大学 | 一种改进fsrbfd的自适应解耦控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101369132B (zh) | 2011-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101369132B (zh) | 基于神经网络辨识器的永磁球形电动机力学解耦控制方法 | |
Zhao et al. | Hierarchical sliding-mode surface-based adaptive critic tracking control for nonlinear multiplayer zero-sum games via generalized fuzzy hyperbolic models | |
CN101520857B (zh) | 一种基于神经网络的永磁球形电动机逆运动学求解方法 | |
CN110908281A (zh) | 无人直升机姿态运动有限时间收敛强化学习控制方法 | |
CN103780188B (zh) | 基于动态摩擦补偿的永磁球形电机转子自适应控制系统 | |
Moreno–Valenzuela et al. | Robust trajectory tracking control of an underactuated control moment gyroscope via neural network–based feedback linearization | |
Islam et al. | Adaptive sliding mode control of unmanned four rotor flying vehicle | |
CN113703319A (zh) | 基于强化学习的关节模组不等式约束最优鲁棒控制方法 | |
CN113093538A (zh) | 一种模块化机器人系统的非零和博弈神经-最优控制方法 | |
CN115990888B (zh) | 一种具有死区和时变约束功能的机械臂控制方法 | |
CN104076687A (zh) | 一种主动悬架和电动助力转向集成系统的解耦控制方法 | |
Sarhan et al. | Adaptive PID control of UAV altitude dynamics based on parameter optimization with fuzzy inference | |
Bao et al. | Design of a sliding mode controller with fuzzy rules for a 4-DoF service robot | |
CN113885548B (zh) | 一种多四旋翼无人机输出约束状态一致博弈控制器 | |
Shi et al. | Actuator fault tolerant controlling using adaptive radical basis function neural network SMC for quadrotor UAV | |
CN113759722B (zh) | 一种无人机自抗扰控制器参数优化方法 | |
Toha et al. | Dynamic nonlinear inverse-model based control of a twin rotor system using adaptive neuro-fuzzy inference system | |
Gao et al. | Receding horizon tracking control for wheeled mobile robots with time-delay | |
Zhao et al. | Trajectory tracking control for quadrotor uavs based on composite nonsingular terminal sliding mode method | |
Ma et al. | Finite-time trajectory tracking control of quadrotor UAV via adaptive RBF neural network with lumped uncertainties | |
Mon et al. | Supervisory Fuzzy Gaussian Neural Network Design for Mobile Robot Path Control. | |
CN116736692A (zh) | 一种具有延迟状态约束的四旋翼无人机滑模容错控制方法 | |
Li et al. | Global fast terminal sliding mode control for a quadrotor UAV | |
Chekakta et al. | Adaptive fuzzy model-free control for 3D trajectory tracking of quadrotor | |
CN113741502A (zh) | 输出约束下带负载四旋翼无人机的神经网络控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110119 Termination date: 20200711 |