CN103197683A - 四旋翼无人直升机飞行高度与姿态智能控制方法 - Google Patents

Abstract

本发明涉及一种四旋翼无人直升机高度与姿态智能控制方法，该方法是一种基于大脑情感学习模型的控制方法，采用变参数的PID控制构型，根据给定的指定命令和实测数据，通过动态调节权值实现对四旋翼无人直升机的在线自主智能自适应控制。权值模拟大脑情感学习模型中杏仁体节点和眶额皮质节点的权值，通过调节律的设计得到权值的调节步长。本发明提供的控制方法计算简单、对实时性系统的计算资源要求低，具有在线学习中的快速自适应能力，能够满足四旋翼无人直升机非线性系统的实时控制要求。

Description

四旋翼无人直升机飞行高度与姿态智能控制方法

技术领域

本发明涉及一种多旋翼无人直升机飞行控制领域，尤其涉及一种四旋翼无人直升机的飞行高度与姿态智能控制方法。

背景技术

小型四旋翼无人直升机是一种具有六个自由度和四个输入的欠驱动系统，由于采用了四组较小且完全相同的电机与旋翼，与常规的旋翼式飞行器相比，其结构更加紧凑，机械结构更加简单.除了具有体积小、重量轻的飞行平台优势，机动灵活、噪音小、隐蔽性好等优点之外，四旋翼直升机的四个旋翼之间能够互相抵消反扭矩，通过控制旋翼转速就可以实现对姿态和轨迹的控制。因此，小型四旋翼无人直升机非常适用于情报获取、地面战场侦察和监视、近距离空中支持和禁飞巡逻、电子战、通信中继、重大自然灾害之后的搜索与救援，巡逻监视和目标跟踪，缉毒和反走私，高压线、大桥、水坝和地震后路段的检查，航拍和成图等方面。四旋翼无人直升机是典型的非线性欠驱动系统，因此对控制方法的选择要求也更高。

发明内容

本发明所解决的技术问题是提出了一种四旋翼无人直升机的飞行高度与姿态控制系统智能控制方法，用于解决四旋翼无人直升机的控制问题，具有计算简单、对实时性系统的计算资源要求低、在线学习中的快速自适应能力，能够有效抑制强耦合等非线性因素，提高四旋翼直升机的稳定性和安全性。

本发明为了解决上述技术问题采用如下技术方案：

四旋翼无人直升机高度与姿态智能控制方法，采用变参数的PID控制构型，根据给定的指定命令和实测数据，通过动态调节权值实现对四旋翼无人直升机的在线自主智能自适应控制,权值模拟大脑情感学习模型中杏仁体节点和眶额皮质节点的权值，通过调节律的设计得到权值的调节步长，调节律的设计模拟了大脑情感学习模型中的杏仁体节点和眶额皮质节点权值的学习律，所述的PID控制构型构造高度通道控制律和三个姿态通道控制律，它们分别是通过如下方法获得：所述的高度通道控制律U1为:

$U_1=w_{z1}(V_{z1}-W_{z1})(z_d-z)+w_{z2}(V_{z2}-W_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(V_{z3}-W_{z3})\∫\mathrm{zdt}$

其中w_zi为常系数，i=1,2,3；z和z_d分别为实际测量高度和期望高度；V_zi和W_zi为权值,i=1,2,3；分别模拟大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_zi和ΔW_zi分别为权值V_zi和W_zi的调节步长，i=1,2,3；调节步长由它们的调节律计算得到，调节律的设计模拟了大脑情感学习模型中的杏仁节点和眶额皮质节点权值的学习律，针对该实际问题，调节律设计为：

$\left\{\begin{array}{c}{\mathrm{\ΔV}}_{z1}={\mathrm{\α}}_{\mathrm{za}}{w}_{z1}(z_d-z)\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\\ \mathrm{\Δ}{V}_{z2}={\mathrm{\α}}_{\mathrm{za}}{w}_{z2}\frac{d(z_d-z)}{\mathrm{dt}}\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\\ \mathrm{\Δ}{V}_{z3}={\mathrm{\α}}_{\mathrm{za}}{w}_{z3}\∫(z_d-z)\mathrm{dt}\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{z1}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z1}(z_d-z)[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)w_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\\ \mathrm{\Δ}{W}_{z2}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z2}\frac{d(z_d-z)}{\mathrm{dt}}[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)W_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\\ \mathrm{\Δ}{W}_{z3}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z3}\∫\mathrm{zdt}[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)w_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\end{array}\right.$

式中，α_za和α_zo为学习率，从上述控制律和调节律采用了变参数PID控制构型，根据给定的高度指令和超声波高度计反馈的高度信息，通过动态调节权值V_zi和W_zi获得对高度的智能自适应控制参数；

滚转通道控制律U2设计为：

$U_2=w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1})({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2})\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3})\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}$

其中w_φi为常系数，i=1,2,3；φ和φ_d分别为实际测量滚转角和期望滚转角；V_φi和W_φi为权值，i=1,2,3；分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_φi和ΔW_φi分别为V_φi和W_φi的调节步长，i=1,2,3；调节步长由调节律计算得到，调节律的设计分别模拟了为大脑情感学习模型中杏仁节点和眶额皮质节点权值节点的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\φ}1}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\φ}2}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_3\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\φ}3}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\φ}1}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\φ}2}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\φ}3}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}{w}_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\end{array}\right.$

式中，α_φa和α_φo为学习率，从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的滚转姿态指令和航姿参考系统反馈的滚转姿态信息，通过动态调节权值V_φi和W_φi获得对滚转姿态的智能自适应参数；

俯仰通道控制律U3为：

$U_3=w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-w_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}$

其中w_θi为常系数，i=1,2,3；θ和θ_d分别为实际测量俯仰角和期望俯仰角；V_θi和W_θi为权值，i=1,2,3；分别模拟大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_θi和ΔW_θi分别为权值的调节步长，i=1,2,3；它们由调节律计算得到，调节律的设计模拟了大脑情感学习模型中杏仁节点和眶额皮质节点权值的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\θ}1}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}1}({\mathrm{\θ}}_d-\mathrm{\θ})\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\θ}2}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}2}\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\θ}3}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}3}\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\θ}1}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}1}({\mathrm{\θ}}_d-\mathrm{\θ})[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\θ}2}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}2}\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\θ}3}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}3}\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\end{array}\right.$

式中，α_θa和α_θo为学习率，从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的俯仰姿态指令和航姿参考系统反馈的俯仰姿态信息，通过动态调节权值V_θi和W_θi获得对俯仰姿态的智能自适应控制参数；

偏航通道控制律U4为：

$U_4=w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}$

其中U₄为偏航通道控制输入量，w_ψi为常系数，i=1,2,3；ψ和ψ_d分别为实际测量偏航角和期望偏航角；V_ψi和W_ψi为权值，i=1,2,3；分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_ψi和ΔW_ψi为权值的调节步长，i=1,2,3；它们由调节律计算得到，调节律的设计分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点权值的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\ψ}1}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}1}({\mathrm{\ψ}}_d-\mathrm{\ψ})\·\max [0,w_{\mathrm{\ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\ψ}2}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}2}\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}\·\max [0,w_{\mathrm{\ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\ψ}3}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}3}\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}\·\max [0,w_{\mathrm{\Ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\ψ}1}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}1}({\mathrm{\ψ}}_d-\mathrm{\ψ})[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\ψ}2}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}2}\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\ψ}3}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}3}\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\end{array}\right.$

式中，α_ψa和α_ψo为学习率，从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的偏航姿态指令和航姿参考系统反馈的偏航姿态信息，通过动态调节权值V_ψi和W_ψi获得对偏航姿态的智能自适应控制参数。

本发明的有益效果是：由于采用大脑情感学习方法设计飞行控制律，该方法在在线学习中表现出了快速良好的自整定自适应能力，使得该智能控制系统能够有效抑制强耦合等非线性因素，对系统输入噪声不敏感，且具有较好的动态响应过程和较高的稳态控制精度。

附图说明

图1是本系统的整体硬件电路框图。

图2是系统实现高度及姿态控制的整体流程图。

具体实施方式

下面结合附图对本发明创造做进一步详细说明。

小型四旋翼无人直升机的飞行轨迹及飞行姿态均由四个旋翼及电机的转动实现：当四个旋翼的转速同时增大(减小)时，飞机水平上升(下降)；当前侧旋翼转速大于(小于)后侧旋翼转速时，飞机后仰（前俯），向后（前）飞；当左侧旋翼转速大于(小于)右侧旋翼转速时，飞机向右(左)偏转。

系统的硬件实现和结构原理

该系统包括机载部分和地面控制站部分，其特征在于所述的机载部分包括四旋翼飞行平台和飞行控制器。其中，四旋翼飞行平台包括十字对称的机架、由电调和直流无刷电机构成的执行机构，飞行控制器包括微控制器（DigitalSignalProcessing，简称DSP）、PWM输出驱动电路、复位电路、JTAG接口、航姿参考系统（AttitudeHeadingReferenceSystem，简称AHRS）、超声波高度计、无线数传模块和电源模块。所述的地面控制站部分由地面站计算机和地面无线数传模块顺序连接而成。四组旋翼及电机位于机架的四个端点，通过PWM输出驱动电路与微控制器DSP连接；航姿参考系统(AHRS)通过RS-232接口与微控制器DSP的串口连接；超声波高度计通过TTL电平接口与微控制器DSP的通用IO口相连；无线数传模块通过TTL电平接口与微控制器的串口相连接；整个系统共用一块电池，电源经过小电压差线性稳压器三次降压，不同的电压分别为执行机构、微控制器、传感器、无线通信模块供电；地面控制站部分的地面无线数传模块与机载部分的无线数传模块进行数据通讯。

图1是本系统的整体硬件电路框图，在图1中，机载部分的正中央是该系统的硬件核心：微控制器DSP(TMS320F2812)，作为该系统的主控制芯片，负责收发无线通信信号，接收AHRS模块采集的姿态信号、超声波高度计采集的高度信号，进行各种数据处理和运算，并输出相应的电机控制信号。

图中，微控制器的下边，是本系统的供电部分，总电源选择11.1V、2200mAH、20C的动力型锂电池。11.1V的电压主要用于四组电机和电调的供电。11.1V经过降压稳压器LT3972后，转变为5V电压，用于传感器供电。5V电压又经过两片稳压器AMS1117-3.3和一片AMS1117-1.8，转变为3.3V模拟电、3.3V数字电和1.8V数字电(模拟地和数字地之间通过磁珠单点接地)，用于微控制器、JTAG接口、复位电路等的供电。

微控制器的左边，从上至下，分别是该系统的复位电路、JTAG接口电路、无线数传模块、AHRS模块、超声波高度计。其中无线模块采用的是使用ZigBee标准协议的Xbee-PRODigiMesh900无线射频模块，通过TTL电平接口与微控制器的串口SCIB相连，实现和地面无线数传模块的通信。AHRS模块采用的是VM-i，通过RS-232电平接口和微控制器的串口SCIA相连，将其实时测量得到的四元数、三轴角速度、三轴加速度传给微控制器。超声波高度计采用的是SRF-04，通过通用I/O口和微控制器相连，将采集到的高度信息传递给微控制器。

微控制器的右边，是由四组电调和无刷电机组成的执行机构。执行机构由DSP的两组事件管理器模块(EVA和EVB)的通用（GP）定时器产生的单极性PWM波驱动。

机载部分下方是地面控制站部分，由地面无线数传模块Xbee-PRODigiMesh900和地面测控计算机组成。Xbee通过USB数据线和计算机相连。

图2是系统实现自主悬停的整体流程图。机载部分的软件实现主要包括5个功能模块：(1)无线数传模块；(2)姿态数据采集模块；(3)姿态解算模块；(4)增稳控制模块,为控制律解算模块；(5)执行机构功能模块。地面控制站的软件部分主要包括3个功能模块：(1)地面无线数传模块；(2)遥控信息获取模块；(3)姿态解算与显示模块。

在图2中，右半部分的方框内是机载部分的软件的控制流程，使用微控制器的定时器，设置其定时周期为20ms，之后在其中断服务程序中完成一次图中控制流程。

当进入中断服务程序后，直升机通过无线电向地面控制站发送一帧请求信号，并等待地面控制站的回应。地面控制站如果接受到请求信号后，将从待发送的信息队列中选择出待发送的遥控信息，发送至四旋翼飞行器。接收到地面控制站的遥控信息后，机载部分传感器采集的机体三轴角速度、三轴加速度信号、飞机高度信息，进入微控制器，经微控制器的处理，通过无线通信模块被发送至地面控制站部分，在地面站得到储存和实时显示。然后微控制器根据AHRS、超声波高度计这两款传感器的信号进行控制律解算，经过控制律的计算，输出各个电机的控制信号到执行机构功能模块。

针对四旋翼无人直升机是一个欠驱动系统而难以控制的特点，图2中“控制律解算”这个环节，采用基于大脑情感学习(Brain Emotional Learning,BEL)模型的控制器来对四旋翼直升机进行控制。即采用变参数的PID控制构型，根据给定的指定命令和实测数据，通过动态调节权值实现对四旋翼无人直升机的在线自主智能自适应控制，而其权值模拟大脑情感学习模型中杏仁体节点和眶额皮质节点的权值，通过调节律的设计得到权值的调节步长。调节律的设计模拟了大脑情感学习模型中的杏仁体节点和眶额皮质节点权值的学习律，所述的PID控制构型构造高度通道控制律和三个姿态通道控制律，它们分别是通过如下方法获得：

(1)高度通道控制律为：

$U_1=w_{z1}(V_{z1}-W_{z1})(z_d-z)+w_{z2}(V_{z2}-W_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(V_{z3}-W_{z3})\∫\mathrm{zdt}$

其中,U₁为高度通道控制量，w_zi(i=1,2,3)为常系数，z和z_d分别为实际测量高度和期望高度；V_zi(i=1,2,3)和W_zi(i=1,2,3)为权值,分别模拟大脑情感学习模型中杏仁体节点和眶额皮质节点的权值，ΔV_zi(i=1,2,3)和ΔW_zi(i=1,2,3)分别为权值的调节步长，调节步长由它们的调节律计算得到,调节律的设计模拟了大脑情感学习模型中的杏仁体节点和眶额皮质节点权值的学习律，针对该实际问题，调节律设计为

$\left\{\begin{array}{c}{\mathrm{\ΔV}}_{z1}={\mathrm{\α}}_{\mathrm{za}}{w}_{z1}(z_d-z)\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\\ \mathrm{\Δ}{V}_{z2}={\mathrm{\α}}_{\mathrm{za}}{w}_{z2}\frac{d(z_d-z)}{\mathrm{dt}}\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\\ \mathrm{\Δ}{V}_{z3}={\mathrm{\α}}_{\mathrm{za}}{w}_{z3}\∫(z_d-z)\mathrm{dt}\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{z1}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z1}(z_d-z)[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)w_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\\ \mathrm{\Δ}{W}_{z2}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z2}\frac{d(z_d-z)}{\mathrm{dt}}[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)W_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\\ \mathrm{\Δ}{W}_{z3}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z3}\∫\mathrm{zdt}[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)w_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\end{array}\right.$

式中，α_za和α_zo为学习率。从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的高度指令和超声波高度计反馈的高度信息，通过动态调节权值V_zi(i=1,2,3)和W_zi(i=1,2,3)实现对高度的智能自适应控制。

(2)滚转通道控制律设计为：

$U_2=w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1})({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2})\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3})\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}$

其中U₂为滚转通道控制量，w_φi(i=1,2,3)为常系数，φ和φ_d分别为实际测量滚转角和期望滚转角；V_φi(i=1,2,3)和W_φi(i=1,2,3)为权值，分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_φi(i=1,2,3)和ΔW_φi(i=1,2,3)分别为V_φi(i=1,2,3)、W_φi(i=1,2,3)的调节步长，调节步长由调节律计算得到，调节律的设计分别模拟了为大脑情感学习模型中杏仁节点和眶额皮质节点权值节点的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\φ}1}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\φ}2}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_3\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\φ}3}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\φ}1}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\φ}2}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\φ}3}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}{w}_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\end{array}\right.$

式中，α_φa和α_φo为学习率。从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的滚转姿态指令和航姿参考系统反馈的滚转姿态信息，通过动态调节权值V_φi(i=1,2,3)和W_φi(i=1,2,3)实现对滚转姿态的智能自适应控制。

(3)俯仰通道控制律为：

$U_3=w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-w_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}$

其中U₃为俯仰通道控制量，w_θi(i=1,2,3)为常系数，θ和θ_d分别为实际测量俯仰角和期望俯仰角；V_θi(i=1,2,3)和W_θi(i=1,2,3)为权值，分别模拟大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_θi(i=1,2,3)和ΔW_θi(i=1,2,3)分别为权值的调节步长，它们由调节律计算得到，调节律的设计模拟了大脑情感学习模型中杏仁节点和眶额皮质节点权值的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\θ}1}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}1}({\mathrm{\θ}}_d-\mathrm{\θ})\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\θ}2}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}2}\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\θ}3}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}3}\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\θ}1}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}1}({\mathrm{\θ}}_d-\mathrm{\θ})[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\θ}2}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}2}\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\θ}3}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}3}\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\end{array}\right.$

式中，α_θa和α_θo为学习率。从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的俯仰姿态指令和航姿参考系统反馈的俯仰姿态信息，通过动态调节权值V_θi(i=1,2,3)和W_θi(i=1,2,3)实现对俯仰姿态的智能自适应控制。

(4)偏航通道控制律为：

$U_4=w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}$

其中U₄为偏航通道控制输入量，w_ψi(i=1,2,3)为常系数，ψ和ψ_d分别为实际测量偏航角和期望偏航角；V_ψi(i=1,2,3)和W_ψi(i=1,2,3)为权值，分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_ψi(i=1,2,3)和ΔW_ψi(i=1,2,3)为权值的调节步长，它们由调节律计算得到，调节律的设计分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点权值的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\ψ}1}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}1}({\mathrm{\ψ}}_d-\mathrm{\ψ})\·\max [0,w_{\mathrm{\ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\ψ}2}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}2}\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}\·\max [0,w_{\mathrm{\ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\ψ}3}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}3}\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}\·\max [0,w_{\mathrm{\Ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\ψ}1}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}1}({\mathrm{\ψ}}_d-\mathrm{\ψ})[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\ψ}2}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}2}\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\ψ}3}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}3}\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\end{array}\right.$

式中，α_ψa和α_ψo为学习率。从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的偏航姿态指令和航姿参考系统反馈的偏航姿态信息，通过动态调节权值V_ψi(i=1,2,3)和W_ψi(i=1,2,3)实现对偏航姿态的智能自适应控制。

Claims (1)

1.四旋翼无人直升机高度与姿态智能控制方法，采用变参数的PID控制构型，根据给定的指定命令和实测数据，通过动态调节权值实现对四旋翼无人直升机的在线自主智能自适应控制,其特征在于：权值模拟大脑情感学习模型中杏仁体节点和眶额皮质节点的权值，通过调节律的设计得到权值的调节步长，调节律的设计模拟了大脑情感学习模型中的杏仁体节点和眶额皮质节点权值的学习律，所述的PID控制构型构造高度通道控制律和三个姿态通道控制律，它们分别是通过如下方法获得：所述的高度通道控制律U₁为:

$U_1=w_{z1}(V_{z1}-W_{z1})(z_d-z)+w_{z2}(V_{z2}-W_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(V_{z3}-W_{z3})\∫\mathrm{zdt}$

其中w_zi为常系数，i=1,2,3；z和z_d分别为实际测量高度和期望高度；V_zi和W_zi为权值,i=1,2,3；分别模拟大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_zi和ΔW_zi分别为权值V_zi和W_zi的调节步长，i=1,2,3；调节步长由它们的调节律计算得到，调节律的设计模拟了大脑情感学习模型中的杏仁节点和眶额皮质节点权值的学习律，针对该实际问题，调节律设计为：

$\left\{\begin{array}{c}{\mathrm{\ΔV}}_{z1}={\mathrm{\α}}_{\mathrm{za}}{w}_{z1}(z_d-z)\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\\ \mathrm{\Δ}{V}_{z2}={\mathrm{\α}}_{\mathrm{za}}{w}_{z2}\frac{d(z_d-z)}{\mathrm{dt}}\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\\ \mathrm{\Δ}{V}_{z3}={\mathrm{\α}}_{\mathrm{za}}{w}_{z3}\∫(z_d-z)\mathrm{dt}\·\max [0,w_{z1}(1-V_{z1})(z_d-z)+w_{z2}(1-V_{z2})\frac{d(z_d-z)}{\mathrm{dt}}+w_{z3}(1-V_{z1})\∫\mathrm{zdt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{z1}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z1}(z_d-z)[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)w_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\\ \mathrm{\Δ}{W}_{z2}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z2}\frac{d(z_d-z)}{\mathrm{dt}}[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)W_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\\ \mathrm{\Δ}{W}_{z3}={\mathrm{\α}}_{\mathrm{zo}}{w}_{z3}\∫\mathrm{zdt}[(V_{z1}-W_{z1}-1)w_{z1}(z_d-z)+(V_{z2}-W_{z2}-1)w_{z2}\frac{d(z_d-z)}{\mathrm{dt}}+(V_{z3}-W_{z3}-1)w_{z3}\∫\mathrm{zdt}]\end{array}\right.$

式中，α_za和α_zo为学习率，从上述控制律和调节律采用了变参数PID控制构型，根据给定的高度指令和超声波高度计反馈的高度信息，通过动态调节权值V_zi和W_zi获得对高度的智能自适应控制参数；

滚转通道控制律U₂设计为：

$U_2=w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1})({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2})\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3})\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}$

其中w_φi为常系数，i=1,2,3；φ和φ_d分别为实际测量滚转角和期望滚转角；V_φi和W_φi为权值，i=1,2,3；分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_φi和ΔW_φi分别为V_φi和W_φi的调节步长，i=1,2,3；调节步长由调节律计算得到，调节律的设计分别模拟了为大脑情感学习模型中杏仁节点和眶额皮质节点权值节点的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\φ}1}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\φ}2}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_3\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\φ}3}={\mathrm{\α}}_{\mathrm{\φa}}{w}_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}\·\max [0,(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})+(1-V_{\mathrm{\φ}2})w_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+(1-V_{\mathrm{\φ}1})w_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\φ}1}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}1}({\mathrm{\φ}}_d-\mathrm{\φ})[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\φ}2}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}2}\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}+w_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\φ}3}={\mathrm{\α}}_{\mathrm{\φo}}{w}_{\mathrm{\φ}3}\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}[w_{\mathrm{\φ}1}(V_{\mathrm{\φ}1}-W_{\mathrm{\φ}1}-1)({\mathrm{\φ}}_d-\mathrm{\φ})+w_{\mathrm{\φ}2}(V_{\mathrm{\φ}2}-W_{\mathrm{\φ}2}-1)\frac{d({\mathrm{\φ}}_d-\mathrm{\φ})}{\mathrm{dt}}{w}_{\mathrm{\φ}3}(V_{\mathrm{\φ}3}-W_{\mathrm{\φ}3}-1)\∫({\mathrm{\φ}}_d-\mathrm{\φ})\mathrm{dt}]\end{array}\right.$

式中，α_φa和α_φo为学习率，从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的滚转姿态指令和航姿参考系统反馈的滚转姿态信息，通过动态调节权值V_φi和W_φi获得对滚转姿态的智能自适应参数；

俯仰通道控制律U₃为：

$U_3=w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-w_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}$

其中w_θi为常系数，i=1,2,3；θ和θ_d分别为实际测量俯仰角和期望俯仰角；V_θi和W_θi为权值，i=1,2,3；分别模拟大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_θi和ΔW_θi分别为权值的调节步长，i=1,2,3；它们由调节律计算得到，调节律的设计模拟了大脑情感学习模型中杏仁节点和眶额皮质节点权值的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\θ}1}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}1}({\mathrm{\θ}}_d-\mathrm{\θ})\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\θ}2}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}2}\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\θ}3}={\mathrm{\α}}_{\mathrm{\θa}}{w}_{\mathrm{\θ}3}\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}\·\max [0,w_{\mathrm{\θ}1}(1-V_{\mathrm{\θ}1})({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(1-V_{\mathrm{\θ}2})\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(1-V_{\mathrm{\θ}3})\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\θ}1}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}1}({\mathrm{\θ}}_d-\mathrm{\θ})[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\θ}2}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}2}\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\θ}3}={\mathrm{\α}}_{\mathrm{\θo}}{w}_{\mathrm{\θ}3}\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}[w_{\mathrm{\θ}1}(V_{\mathrm{\θ}1}-W_{\mathrm{\θ}1}-1)({\mathrm{\θ}}_d-\mathrm{\θ})+w_{\mathrm{\θ}2}(V_{\mathrm{\θ}2}-W_{\mathrm{\θ}2}-1)\frac{d({\mathrm{\θ}}_d-\mathrm{\θ})}{\mathrm{dt}}+w_{\mathrm{\θ}3}(V_{\mathrm{\θ}3}-W_{\mathrm{\θ}3}-1)\∫({\mathrm{\θ}}_d-\mathrm{\θ})\mathrm{dt}]\end{array}\right.$

式中，α_θa和α_θo为学习率，从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的俯仰姿态指令和航姿参考系统反馈的俯仰姿态信息，通过动态调节权值V_θi和W_θi获得对俯仰姿态的智能自适应控制参数；

偏航通道控制律U₄为：

$U_4=w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}$

其中U₄为偏航通道控制输入量，w_ψi为常系数，i=1,2,3；ψ和ψ_d分别为实际测量偏航角和期望偏航角；V_ψi和W_ψi为权值，i=1,2,3；分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点的权值，ΔV_ψi和ΔW_ψi为权值的调节步长，i=1,2,3；它们由调节律计算得到，调节律的设计分别模拟了大脑情感学习模型中杏仁节点和眶额皮质节点权值的学习律，调节律分别设计为

$\left\{\begin{array}{c}\mathrm{\Δ}{V}_{\mathrm{\ψ}1}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}1}({\mathrm{\ψ}}_d-\mathrm{\ψ})\·\max [0,w_{\mathrm{\ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\ψ}2}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}2}\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}\·\max [0,w_{\mathrm{\ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{V}_{\mathrm{\ψ}3}={\mathrm{\α}}_{\mathrm{\ψa}}{w}_{\mathrm{\ψ}3}\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}\·\max [0,w_{\mathrm{\Ψ}1}(1-V_{\mathrm{\ψ}1})({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(1-V_{\mathrm{\ψ}2})\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(1-V_{\mathrm{\ψ}1})\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{W}_{\mathrm{\ψ}1}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}1}({\mathrm{\ψ}}_d-\mathrm{\ψ})[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\ψ}2}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}2}\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\\ \mathrm{\Δ}{W}_{\mathrm{\ψ}3}={\mathrm{\α}}_{\mathrm{\ψo}}{w}_{\mathrm{\ψ}3}\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}[w_{\mathrm{\ψ}1}(V_{\mathrm{\ψ}1}-W_{\mathrm{\ψ}1}-1)({\mathrm{\ψ}}_d-\mathrm{\ψ})+w_{\mathrm{\ψ}2}(V_{\mathrm{\ψ}2}-W_{\mathrm{\ψ}2}-1)\frac{d({\mathrm{\ψ}}_d-\mathrm{\ψ})}{\mathrm{dt}}+w_{\mathrm{\ψ}3}(V_{\mathrm{\ψ}3}-W_{\mathrm{\ψ}3}-1)\∫({\mathrm{\ψ}}_d-\mathrm{\ψ})\mathrm{dt}]\end{array}\right.$

式中，α_ψa和α_ψo为学习率，从上述控制律和调节律看出，采用了变参数PID控制构型，根据给定的偏航姿态指令和航姿参考系统反馈的偏航姿态信息，通过动态调节权值V_ψi和W_ψi获得对偏航姿态的智能自适应控制参数。

Images