CN104331085A - 一种基于pid神经网络的无人机控制方法 - Google Patents

一种基于pid神经网络的无人机控制方法 Download PDF

Info

Publication number
CN104331085A
CN104331085A CN201410608597.8A CN201410608597A CN104331085A CN 104331085 A CN104331085 A CN 104331085A CN 201410608597 A CN201410608597 A CN 201410608597A CN 104331085 A CN104331085 A CN 104331085A
Authority
CN
China
Prior art keywords
amp
prime
layer
lt
output
Prior art date
Application number
CN201410608597.8A
Other languages
English (en)
Inventor
周武能
王栩浩
孙雨晴
马俊卿
张扬
潘亮
Original Assignee
东华大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 东华大学 filed Critical 东华大学
Priority to CN201410608597.8A priority Critical patent/CN104331085A/zh
Publication of CN104331085A publication Critical patent/CN104331085A/zh

Links

Abstract

本发明提供了一种基于PID神经网络的无人机控制方法,包括遥控模式和自主飞行模式,遥控模式是使用遥控器向无人机发送指令,使无人机按照遥控指令飞行;自主飞行模式包括角速率和角速度的反馈控制,来确保无人机的姿态已经保持稳定位置,并自主控制飞行高度及位置;自主飞行模式采用PID神经网络控制算法,PID神经网络基本形式是2×3×1的结构,即:两个输入层神经元,分别输入给定信号及实际信号的反馈量;三个隐含层神经元,分别为比例神经元、积分神经元和微分神经元;一个输出层神经元,用来输出计算结果。本发明提供的方法克服了现有技术的不足,其抗干扰能力好,鲁棒性好,控制精度高,可以方便地实现小型无人机的飞行控制。

Description

-种基于PID神经网络的无人机控制方法

技术领域

[0001] 本发明属于自动控制领域,尤其涉及一种无人机的控制方法。

背景技术

[0002] 无人飞行器(UnmannedAerialVehicle,UAV)简称无人机,是指在飞机上没有驾 驶员,依靠无线遥控或自身程序控制的一类飞行器。无人机最早出现在20世纪20年代,由 于其巨大的应用前景,从50年代开始得到了巨大的发展。由于其不存在人员伤亡的风险, 生存能力强,机动性好,使用方便,使得其在军事和民用两个领域都有着广泛的应用和广阔 的发展前景。

[0003] 近年来,无人机控制技术发展迅速,越来越多的算法被应用到无人机的控制领域 中来,如为了有效实现无人机纵向姿态控制和纵向航迹跟踪设计的模糊自适应PID(比例 积分微分)控制器。近些年由于神经网络的发展,也有很多文献将神经网络技术应用于无 人机中,如将CMAC(CerebellarModelArticulationController,小脑模型)神经网络应 用于小型无人机并联式混合推进控制系统中,也有基于自适应神经模糊推理的无人机自主 飞行控制系统,这都大大的改进了无人机的性能。

[0004] 从控制方法上来讲,上述方法都或多或少的改进了控制指标,但是上述控制方法 在抗干扰能力和容错性方面都有缺陷,在实际飞行中是否可用,还是未知。

发明内容

[0005] 本发明要解决的技术问题是提供一种控制精度高,抗干扰能力强,鲁棒性好的无 人机控制方法。

[0006] 为了解决上述技术问题,本发明的技术方案是提供一种基于PID神经网络的无人 机控制方法,包括如下步骤:

[0007] 步骤1 :给无人机上电,进行开始准备;

[0008] 步骤2 :无人机开启遥控模式;

[0009] 步骤3 :无人机接受遥控器的指令进行飞行;

[0010] 步骤4 :无人机控制系统进行飞行是否稳定的判定,如果稳定进行步骤5,如果不 稳定进行步骤3 ;

[0011] 步骤5 :无人机启动自主飞行模式;

[0012] 步骤6 :无人机在自主飞行模式下,进行自主飞行;

[0013] 其特征在于:

[0014] 所述自主飞行模式采用PID神经网络控制算法,简称PIDNN控制算法;

[0015] PIDNN的基本形式是2X3X1的结构,S卩:两个输入层神经元,分别输入给定信号 及实际信号的反馈量;三个隐含层神经元,分别为比例神经元、积分神经元和微分神经元; 一个输出层神经元,用来输出计算结果;

[0016] PIDNN的前向算法为:

[0017] 每个神经元都包含了输入net、状态u以及输出x,激活函数采用分段线性函数;

[0018] ⑴输入层

[0019] 输入层由两个神经元组成,分别输入给定值rin以及实际输出值yout,在任意的 采样时刻有:

Figure CN104331085AD00061

[0021] 其中,k为任意时刻的采样点;

[0022] 输入层神经元的状态为:

[0023] Uj(k) = netj(k)

[0024] 输入层神经元的输出为:

Figure CN104331085AD00062

[0026] 上述各式中,i = l,2;

[0027] ⑵隐含层

[0028] 隐含层由三个神经元组成,分别实现了P,I,D的功能:

[0029] 三个神经元的输入是一样的,为:

Figure CN104331085AD00063

[0031] 其中j= 1,2,3 为输入层到隐含层的权值,上标"'"为隐含层的变量标记;

[0032] 比例元P的状态为:

[0033] u'! (k) = net/x (k)

[0034] 积分元I的状态为:

[0035] u'2(k) =u/2(k-l)+net/2(k)

[0036] 微分元D的状态为:

[0037] u' 3 (k) = net'3(k)_net' 3(k_l)

[0038] 隐含层各神经元的输出为:

Figure CN104331085AD00064

[0040] ⑶输出层

[0041] 输出层只有一个神经元,其完成了这个网络的输出;

[0042] 其输入为:

Figure CN104331085AD00065

[0044] 其状态为:

[0045] u" (k) = net (k)

[0046] 输出层的输出也就是整个系统的输出为:

Figure CN104331085AD00071

[0048] 其中,«为隐含层到输出层的权值,上标'"'为输出层的变量标记;

[0049] PIDNN的反传算法与BP神经网络一样;

[0050] PIDNN输入层到隐含层权值取1,在输出层权值分别取KP、KI和KD,KP、KI和KD分 别表示比例、积分和微分的系数。

[0051] 所述PIDNN的反传算法为:

[0052] 为了使网络在实际的输入下,达到理想的输出,所以要使得偏差的平均值E最小, 如下:

Figure CN104331085AD00072

[0054] 其中,V为理想输出值,v为实际输出值,1为采样点个数;

[0055] 其各层权值所用的修改方程为:

Figure CN104331085AD00073

[0057] (1)隐含层至输出层权值的修改

[0058] 迭代公式如下:

Figure CN104331085AD00074

[0060]其中,2[v' (k)-v(k)] = S,

Figure CN104331085AD00075

[0062] 其中,为学习速率;

[0063] (2)输入层至隐含层权值的修改

[0064] 其梯度为

Figure CN104331085AD00076

[0066] 则输入层至输出层的权值修改公式为:

Figure CN104331085AD00077

[0068] 本发明提供的方法克服了现有技术的不足,其抗干扰能力好,鲁棒性好,控制精度 高,可以方便地实现小型无人机的飞行控制。

附图说明

[0069]图1是系统运行的流程图;

[0070]图2是PIDNN算法结构图;

[0071] 图3是无人机俯仰角的控制框图;

[0072] 图4是PIDNN算法俯仰角阶跃响应图;

[0073] 图5是常规PID算法俯仰角阶跃响应图。

具体实施方式

[0074] 为使本发明更明显易懂,兹以一优选实施例,并配合附图作详细说明如下。

[0075] 本发明将PID神经网络(简称PIDNN)与无人机纵向姿态控制方法相结合,包括遥 控模式和自主控制模式。

[0076] 遥控模式,是使用遥控器向无人机发送指令,使无人机按照遥控指令进行飞行。

[0077] 自主控制模式包括角速率和角速度的反馈控制,来确保无人机的姿态已经保持稳 定位置,并自主控制飞行高度及其位置。

[0078] 无论是遥控模式还是自主控制模式,无人机的位置等飞行信息都可以通过无线传 输装置传送到地面站,在地面站的屏幕上显示出来。

[0079] 结合图1,本发明提供的基于PID神经网络的无人机控制方法步骤如下:

[0080] 步骤1:给无人机上电,进行开始准备;

[0081] 步骤2 :无人机开启遥控模式;

[0082] 步骤3 :无人机接受遥控器的指令进行飞行;

[0083] 步骤4 :无人机控制系统进行飞行是否稳定的判定,如果稳定进行步骤5,如果不 稳定进行步骤3;

[0084] 步骤5 :无人机启动自主飞行模式;

[0085] 步骤6 :无人机在自主飞行模式下,采用PIDNN控制算法进行自主飞行。

[0086] 自主控制模式采用了PIDNN控制算法。结合图2,PIDNN控制器不同于一般的静态 神经网络,其是一种动态的神经网络。一般的神经网络,如单神经元PID控制器,BP等都是 通过权值的修改来在线调整PID参数,而PIDNN控制器的特殊之处就在于PID参数的调整 并不是通过权值和反馈方式来实现的,而是通过其内部的神经元来完成的。

[0087] PIDNN的基本形式是2X3X1的结构,其中2为两个输入层神经元,分别输入给定 信号及实际信号的反馈量;3为三个隐含层神经元,分别为比例神经元、积分神经元和微分 神经元;1为一个输出层神经元,用来输出计算结果。

[0088] PIDNN的每个神经元分别有输入、状态和输出三个量,并且采用了符号函数作为其 激励函数。

[0089] PIDNN的前向算法为:

[0090] 其中每个神经元包含了输入net、状态u以及输出X,激活函数采用分段线性函数。

[0091] ⑴输入层

[0092] 输入层由两个神经元组成,分别输入给定值rin以及实际输出值yout,在任意的 采样时刻有:

Figure CN104331085AD00081

[0094]其中,k为任意时刻的采样点;

[0095] 输入层神经元的状态为:

[0096] Uj(k) =netj(k)

[0097] 输入层神经元的输出为:

Figure CN104331085AD00091

[0099] 上述各式中,i=l,2。

[0100] ⑵隐含层

[0101] 隐含层由三个神经元组成,分别实现了P,I,D的功能:

[0102] 它们的输入是一样的,为:

Figure CN104331085AD00092

[0104] 式中j= 1,2,3;Wij为输入层到隐含层的权值,上标"'"为隐含层的变量标记。

[0105] 比例元P的状态为:

[0106] u'! (k) =net/x (k)

[0107] 积分元I的状态为:

[0108] u' 2 (k) =u' 2 (k_l)net' 2 (k)

[0109] 微分元D的状态为:

[0110] u' 3 (k) =net'3(k)_net' 3(k_l)

[0111] 隐含层各神经元的输出为:

Figure CN104331085AD00093

[0113] ⑶输出层

[0114] 输出层较为简单,只有一个神经元,其完成了这个网络的输出。

[0115] 其输入为:

Figure CN104331085AD00094

[0117] 其状态为:

[0118] u" (k) =net" (k)

[0119] 输出层的输出也就是整个系统的输出为:

Figure CN104331085AD00095

[0121] 其中,«:为隐含层到输出层的权值,上标'"'为输出层的变量标记。

[0122] PIDNN反传算法与BP网络类似,为了使网络在实际的输入下,达到理想的输出所 以要使得偏差E的平均值最小,如下:

Figure CN104331085AD00101

[0124] 其中,v'为理想输出值,v为实际输出值,1为采样点个数。

[0125] 所以其各层权值所用的修改方程为:

Figure CN104331085AD00102

[0127] (1)隐含层至输出层权值的修改

[0128] 迭代公式如下:

Figure CN104331085AD00103

[0130]式中,其中 2[V (k)-v(k)] = ^

Figure CN104331085AD00104

[0132] 其中,为学习速率。

[0133] (2)输入层至隐含层权值的修改

[0134] 其梯度为

Figure CN104331085AD00105

[0136] 则输入层至输出层的权值修改公式为:

Figure CN104331085AD00106

[0138] PIDNN权值的选取不同于BP网络。其输入层到隐含层权值取1,这样就完成了(r, y) -e的映射,其中r表不系统的期望值,y为系统的实际输出值,e表不系统误差。在输 出层权值分别取KP、KI和KD,KP、KI和KD分别表示比例,积分和微分的系数。这样,PIDNN 就不像BP网络那样,如果初值选取的不好,整个控制系统容易陷入局部极小。

[0139] 无人机纵向动力学模型的分析如下:

Figure CN104331085AD00107

Figure CN104331085AD00111

[0142] 其中,0、Y、V分别表示俯仰角、滚转角和偏航角,《x、《y、分别表示绕x、y、z三个机体轴的旋转角速度,Vx、Vy、Vz为无人机质心速度V在机体轴系上的分量,m表示 飞机质量,

Figure CN104331085AD00112

表示无人机质心对地坐标系的速度,Ix、Iy、Iz分别为绕三个轴的惯 量,Ixy为惯性积,AFX、AFy、八匕分别沿三个轴的动力,1^^4分别表示绕三个轴的外力 矩。

[0143] 结合无人机纵向动力学模型及PIDNN控制算法,在matlab中搭建仿真模型,如图3 所示。在无人机稳定飞行状态下,给定一个信号(本实施例中给定了一个5度的俯仰角信 号,使无人机爬升),图4是PIDNN算法俯仰角阶跃响应图,图5是常规PID算法俯仰角阶跃 响应图。对比两种算法可知,由PIDNN控制的无人机无论从控制精度,响应的速度还是从其 抗干扰性,鲁棒性来说,都得到了较大幅度的提升。

Claims (2)

1. 一种基于PID神经网络的无人机控制方法,包括如下步骤: 步骤1 :给无人机上电,进行开始准备; 步骤2:无人机开启遥控模式; 步骤3 :无人机接受遥控器的指令进行飞行; 步骤4 :无人机控制系统进行飞行是否稳定的判定,如果稳定进行步骤5,如果不稳定 进行步骤3 ; 步骤5 :无人机启动自主飞行模式; 步骤6 :无人机在自主飞行模式下,进行自主飞行; 其特征在于: 所述自主飞行模式采用PID神经网络控制算法,简称PIDNN控制算法; PIDNN的基本形式是2X3X1的结构,S卩:两个输入层神经元,分别输入给定信号及实 际信号的反馈量;三个隐含层神经元,分别为比例神经元、积分神经元和微分神经元;一个 输出层神经元,用来输出计算结果; PIDNN的前向算法为: 每个神经元都包含了输入net、状态u以及输出X,激活函数采用分段线性函数; (1)输入层 输入层由两个神经元组成,分别输入给定值rin以及实际输出值yout,在任意的采样 时刻有:
Figure CN104331085AC00021
其中j = 1,2, 3 ;Wij为输入层到隐含层的权值,上标" "为隐含层的变量标记; 比例元P的状态为: U1 i (k) = net ' x (k) 积分元I的状态为:
Figure CN104331085AC00031
其中,W' jX' j为隐含层到输出层的权值,上标'"'为输出层的变量标记; PIDNN的反传算法与BP神经网络一样; PIDNN输入层到隐含层权值取1,在输出层权值分别取KP、KI和KD,KP、KI和KD分别 表示比例,积分和微分的系数。
2.如权利要求1所述的一种基于PID神经网络的无人机控制方法,其特征在于:所述 PINN的反传算法为: 为了使网络在实际的输入下,达到理想的输出,所以要使得偏差E的平均值最小,如 下:
Figure CN104331085AC00032
其中,V'为理想输出值,V为实际输出值,1为采样点个数; 其各层权值所用的修改方程为:
Figure CN104331085AC00033
(1)隐含层至输出层权值的修改 迭代公式如下:
Figure CN104331085AC00041
CN201410608597.8A 2014-11-03 2014-11-03 一种基于pid神经网络的无人机控制方法 CN104331085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410608597.8A CN104331085A (zh) 2014-11-03 2014-11-03 一种基于pid神经网络的无人机控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410608597.8A CN104331085A (zh) 2014-11-03 2014-11-03 一种基于pid神经网络的无人机控制方法

Publications (1)

Publication Number Publication Date
CN104331085A true CN104331085A (zh) 2015-02-04

Family

ID=52405831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410608597.8A CN104331085A (zh) 2014-11-03 2014-11-03 一种基于pid神经网络的无人机控制方法

Country Status (1)

Country Link
CN (1) CN104331085A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104880945A (zh) * 2015-03-31 2015-09-02 成都市优艾维机器人科技有限公司 基于神经网络的旋翼无人机的自适应逆控制方法
CN105242536A (zh) * 2015-09-22 2016-01-13 天津大学 基于bp神经网络的无人机驾驶路线航点标定方法
CN105388757A (zh) * 2015-10-22 2016-03-09 北京航空航天大学 一种电动加载系统的复合控制方法
CN105589470A (zh) * 2016-01-20 2016-05-18 浙江大学 一种多无人机分布式编队控制方法
WO2017088098A1 (zh) * 2015-11-23 2017-06-01 深圳市大疆创新科技有限公司 飞行设备的控制方法及相关装置
CN107579689A (zh) * 2017-08-28 2018-01-12 南京理工大学 一种基于pid神经网络控制器的超高速永磁同步电机转速控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1691251A2 (en) * 2005-02-10 2006-08-16 Northrop Grumman Corporation Synchronization of multiple operational flight programs
CN102707725A (zh) * 2012-06-12 2012-10-03 桂林飞宇电子科技有限公司 固定翼自动导航飞行控制系统及其使用方法
CN102945046A (zh) * 2012-11-15 2013-02-27 中国兵器工业计算机应用技术研究所 一种无人机的控制方法
CN103869703A (zh) * 2014-03-28 2014-06-18 东华大学 一种基于内分泌单神经元pid控制器的无线监控系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1691251A2 (en) * 2005-02-10 2006-08-16 Northrop Grumman Corporation Synchronization of multiple operational flight programs
CN102707725A (zh) * 2012-06-12 2012-10-03 桂林飞宇电子科技有限公司 固定翼自动导航飞行控制系统及其使用方法
CN102945046A (zh) * 2012-11-15 2013-02-27 中国兵器工业计算机应用技术研究所 一种无人机的控制方法
CN103869703A (zh) * 2014-03-28 2014-06-18 东华大学 一种基于内分泌单神经元pid控制器的无线监控系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨格 等: "基于PID神经网络的无人机三维航迹控制方法研究", 《现代电子技术》 *
黄小安 等: "PID神经网络控制器在飞控系统中的应用", 《航空计算技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104880945A (zh) * 2015-03-31 2015-09-02 成都市优艾维机器人科技有限公司 基于神经网络的旋翼无人机的自适应逆控制方法
CN104880945B (zh) * 2015-03-31 2018-05-29 成都市优艾维机器人科技有限公司 基于神经网络的旋翼无人机的自适应逆控制方法
CN105242536A (zh) * 2015-09-22 2016-01-13 天津大学 基于bp神经网络的无人机驾驶路线航点标定方法
CN105388757A (zh) * 2015-10-22 2016-03-09 北京航空航天大学 一种电动加载系统的复合控制方法
WO2017088098A1 (zh) * 2015-11-23 2017-06-01 深圳市大疆创新科技有限公司 飞行设备的控制方法及相关装置
CN105589470A (zh) * 2016-01-20 2016-05-18 浙江大学 一种多无人机分布式编队控制方法
CN107579689A (zh) * 2017-08-28 2018-01-12 南京理工大学 一种基于pid神经网络控制器的超高速永磁同步电机转速控制方法

Similar Documents

Publication Publication Date Title
Cervantes et al. Type-2 fuzzy logic aggregation of multiple fuzzy controllers for airplane flight control
Jia et al. Integral backstepping sliding mode control for quadrotor helicopter under external uncertain disturbances
Beard et al. Small unmanned aircraft: Theory and practice
CN103365296B (zh) 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
Islam et al. Robust control of four-rotor unmanned aerial vehicle with disturbance uncertainty
Liu et al. Tracking control of small-scale helicopters using explicit nonlinear MPC augmented with disturbance observers
Ramirez-Rodriguez et al. Robust backstepping control based on integral sliding modes for tracking of quadrotors
Kayacan et al. Type-2 fuzzy logic trajectory tracking control of quadrotor VTOL aircraft with elliptic membership functions
Sydney et al. Dynamic control of autonomous quadrotor flight in an estimated wind field
Bouadi et al. Adaptive sliding mode control for quadrotor attitude stabilization and altitude tracking
Lee et al. Adaptive image-based visual servoing for an underactuated quadrotor system
Lin Distributed UAV formation control using differential game approach
Castillo et al. Stabilization of a mini-rotorcraft having four rotors
CN102830622B (zh) 一种四旋翼飞行器自抗扰自动飞行控制方法
CN102591358B (zh) 一种多无人机的动态编队控制方法
Ollero et al. Control and perception techniques for aerial robotics
Valavanis Advances in unmanned aerial vehicles: state of the art and the road to autonomy
Mofid et al. Adaptive sliding mode control for finite-time stability of quad-rotor UAVs with parametric uncertainties
Li et al. A survey of control algorithms for quadrotor unmanned helicopter
Castillo et al. Real-time stabilization and tracking of a four-rotor mini rotorcraft
Chao et al. Roll-channel fractional order controller design for a small fixed-wing unmanned aerial vehicle
Azinheira et al. Hover control of an UAV with backstepping design including input saturations
Raza et al. Intelligent flight control of an autonomous quadrotor
Singh et al. Automatic path planning and control design for autonomous landing of UAVs using dynamic inversion
Azinheira et al. Airship hover stabilization using a backstepping control approach

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150204

WD01 Invention patent application deemed withdrawn after publication