CN107526296B - 基于预测建模的高超声速飞行器神经网络学习控制方法 - Google Patents

基于预测建模的高超声速飞行器神经网络学习控制方法 Download PDF

Info

Publication number
CN107526296B
CN107526296B CN201710789199.4A CN201710789199A CN107526296B CN 107526296 B CN107526296 B CN 107526296B CN 201710789199 A CN201710789199 A CN 201710789199A CN 107526296 B CN107526296 B CN 107526296B
Authority
CN
China
Prior art keywords
neural network
hypersonic aircraft
subsystem
speed
indicate
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.)
Active
Application number
CN201710789199.4A
Other languages
English (en)
Other versions
CN107526296A (zh
Inventor
许斌
寿莹鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest University of Technology
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Northwest University of Technology
Shenzhen Institute of Northwestern Polytechnical University
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 Northwest University of Technology, Shenzhen Institute of Northwestern Polytechnical University filed Critical Northwest University of Technology
Priority to CN201710789199.4A priority Critical patent/CN107526296B/zh
Publication of CN107526296A publication Critical patent/CN107526296A/zh
Application granted granted Critical
Publication of CN107526296B publication Critical patent/CN107526296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于预测建模的高超声速飞行器神经网络学习控制方法，用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统，再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近，通过构造预测建模误差进行神经网络权重更新，提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器，可在线动态对不确定进行估计学习，实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差，提升了神经网络学习准确性与快速性，进而提高了控制系统的自适应能力且稳定性好。

Description

基于预测建模的高超声速飞行器神经网络学习控制方法
技术领域
本发明涉及一种高超声速飞行器控制方法，特别涉及一种基于预测建模的高超声速飞行器神经网络学习控制方法。
背景技术
高超声速飞行器由于其高速飞行能力，使得在紧急情况下实现“全球到达、全球作战”成为可能，因此受到国内外的广泛关注；NASA X-43A试飞成功证实了这项技术的可行性；由于飞行高度和飞行马赫数跨度范围大，飞行环境非常复杂，在飞行过程中飞行器热特性和气动特性变化剧烈，并且在控制过程中存在着各种噪声，要适应大范围的飞行环境和高机动性要求，控制系统就必须具有高可靠性和强适应性。
由于气动特性变化和未建模动态等因素的影响，系统不确定变化会非常复杂，研究自适应学习对于高超声速飞行器的飞行控制起到至关重要的作用。智能控制将控制理论的方法和人工智能技术结合，不需要考虑模型非线性的结构信息，通过从外界环境所获得的信息不断逼近系统的不确定性以实现动态学习；其中，神经网络控制采用神经网络逼近系统非线性函数以实现控制保证系统稳定并改善控制性能。
《Neural Network Based Dynamic Surface Control of Hypersonic FlightDynamics Using Small-gain Theorem》(Bin Xu,Qi Zhang,Yongping Pan，《Neurocomputing》，2016年，第173卷)一文针对高超声速飞行器的纵向动力学研究了智能自适应控制。整个方案按照动态面设计，在每一步设计一个虚拟控制量；在设计过程中，采用神经网络对模型的不确定性进行逼近学习进而为控制器设计提供反馈。由于该方法利用跟踪误差设计神经网络自适应更新律，只保证Lyapunov稳定忽略神经网络逼近不确定性的好快，不能确保神经网络有效完成逼近不确定性实现反馈设计的初衷，难以实现系统的快速稳定控制。
发明内容
为了克服现有高超声速飞行器控制方法稳定性差的不足，本发明提供一种基于预测建模的高超声速飞行器神经网络学习控制方法。该方法首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统，再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近，通过构造预测建模误差进行神经网络权重更新，提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器，可在线动态对不确定进行估计学习，实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差，通过设计神经网络的复合更新学习算法，可提升神经网络学习准确性与快速性，进而提高控制系统的自适应能力且稳定性好。
本发明解决其技术问题所采用的技术方案：一种基于预测建模的高超声速飞行器神经网络学习控制方法，其特点是包括以下步骤：
(a)建立高超声速飞行器的动力学模型：
该高超声速飞行器的动力学模型包含五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,Φ]T。其中，V表示速度、h表示高度、γ表示航迹角、α表示攻角、q表示俯仰角速率、δe表示舵偏角、Φ表示燃料当量比；g，m，Iyy分别代表由重力引起的加速度、飞行器的质量以及俯仰轴的惯性转动惯量；T，D，L，Myy分别表示推力、升力、阻力、俯仰力矩；
(b)按照功能解耦得到速度子系统和高度子系统；定义速度子系统(1)写为：
其中fv是由式(1)得到的未知光滑函数，gv是由式(1)得到的已知函数；
针对高度子系统，高度跟踪误差定义为航迹角期望指令为：
其中kh>0，kI>0，hd为高度参考信号，为高度参考信号的变化率；考虑巡航段航迹角变化很小，取
定义x1＝γ，x2＝θp，x3＝q，θp＝α+γ；姿态子系统(3)－(5)变换为：
其中fi,i＝1，2，3是由式(3)－(5)得到的未知光滑函数，gi,(i＝1，2，3)是由式(3)－(5)得到的已知函数；
(c)针对速度子系统，定义速度跟踪误差为ev＝V-Vd，根据公式(6)设计控制器：
其中为神经网络最优权重向量的估计值，为RBF基函数向量，Vd为速度参考信号，为速度参考信号的导数，控制增益kv>0；
定义其中τd>0为积分区间。构造预测建模误差并设计神经网络自适应更新律为
其中λv>0，kωv>0；
(d)针对姿态子系统，定义航迹角跟踪误差为e1＝x1-x1d，其中x1d＝γd为航迹角期望指令；设计虚拟控制量
其中为神经网络最优权重向量的估计值，为基函数向量，控制增益k1>0。
设计一阶滤波器：
其中滤波器参数α2>0。
定义e2＝x2-x2c，y2＝x2c-x2d； 构造预测建模误差并设计神经网络自适应更新律为
其中λ1>0，kω1>0；
设计虚拟控制量：
其中控制增益k2>0。
设计一阶滤波器：
其中滤波器参数α3>0。
定义e3＝x3-x3c并设计实际控制输入：
其中为神经网络最优权重向量的估计值，为基函数向量，控制增益k3>0。
定义构造预测建模误差并设计神经网络自适应更新律为
其中λ3>0，kω3>0；
(e)根据得到的舵偏角δe和燃料当量比Φ，返回到高超声速飞行器的动力学模型(1)－(5)，对高度和速度进行跟踪控制。
本发明的有益效果是：该方法首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统，再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近，通过构造预测建模误差进行神经网络权重更新，提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器，可在线动态对不确定进行估计学习，实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差，通过设计神经网络的复合更新学习算法，提升了神经网络学习准确性与快速性，进而提高了控制系统的自适应能力且稳定性好。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明基于预测建模的高超声速飞行器神经网络学习控制方法的流程图。
具体实施方式
参照图1。本发明基于预测建模的高超声速飞行器神经网络学习控制方法具体步骤如下：
(a)建立高超声速飞行器的动力学模型：
该高超声速飞行器的动力学模型包含五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,Φ]T。其中V表示速度、h表示高度、γ表示航迹角、α表示攻角、q表示俯仰角速率、δe表示舵偏角、Φ表示燃料当量比；g，m，Iyy分别代表由重力引起的加速度、飞行器的质量以及俯仰轴的惯性转动惯量；T，D，L，Myy分别表示推力、升力、阻力、俯仰力矩；相关的力矩及参数定义如下：
CL＝0.6203α，
CD＝0.6450α2+0.0043378α+0.003772，
CM(α)＝-0.035α2+0.036617α+5.3261×10-6，
CM(δe)＝0.0292(δe-α)
其中表示动压，ρ表示空气密度，表示平均气动弦长，S表示气动参考面积；
(b)按照功能解耦得到速度子系统和高度子系统；定义速度子系统(1)写为：
其中
因为γ非常小，取sinγ≈γ；考虑到Tsinα远小于L，在控制器设计过程中近似忽略；
针对高度子系统，高度跟踪误差定义为航迹角期望指令为：
其中参考指令hd和由设计者给出；考虑航迹角变化小，取
定义x1＝γ，x2＝θp，x3＝q，θp＝α+γ；姿态子系统(3)－(5)变换为：
其中:
(c)针对速度子系统，定义速度跟踪误差为ev＝V-Vd，根据公式(6)设计控制器：
其中为最优神经网络权重的估计值，为RBF基函数向量，Vd为速度参考信号，为速度参考信号的导数，控制增益kv＝2。
取τd＝0.1s，定义
构造预测建模误差设计神经网络自适应更新律为
其中λv＝3，kωv＝4；
(d)针对姿态子系统，定义航迹角跟踪误差为e1＝x1-x1d，其中x1d＝γd为航迹角期望指令；设计虚拟控制量
其中为最优神经网络权重的估计值，为基函数向量，控制增益k1＝2。
设计一阶滤波器：
其中滤波器参数α2＝0.05。
定义e2＝x2-x2c，y2＝x2c-x2d,
构造预测建模误差并设计神经网络自适应更新律为
其中λ1＝3，kw1＝4；
设计虚拟控制量：
其中控制增益k2＝5。
设计一阶滤波器：
其中滤波器参数α3＝0.05。
定义e3＝x3-x3c。设计实际控制输入：
其中为最优神经网络权重的估计值，为基函数向量，控制增益k3＝3。
定义构造预测建模误差并设计神经网络自适应更新律为
其中λ3＝2，kw3＝4；
(e)根据得到的舵偏δe和燃油当量比Φ，返回到高超声速飞行器的动力学模型(1)－(5)，对高度和速度进行跟踪控制。
本发明未详细说明部分属于领域技术人员公知常识。

Claims (1)

1.一种基于预测建模的高超声速飞行器神经网络学习控制方法，其特征在于包括以下步骤：
(a)建立高超声速飞行器的动力学模型：
该高超声速飞行器的动力学模型包含五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,Φ]T；其中，V表示速度、h表示高度、γ表示航迹角、α表示攻角、q表示俯仰角速率、δe表示舵偏角、Φ表示燃料当量比；g，m，Iyy分别代表由重力引起的加速度、飞行器的质量以及俯仰轴的惯性转动惯量；T，D，L，Myy分别表示推力、升力、阻力、俯仰力矩；
(b)按照功能解耦得到速度子系统和高度子系统；定义速度子系统(1)写为：
其中fv是由式(1)得到的未知光滑函数，gv是由式(1)得到的已知函数；
针对高度子系统，高度跟踪误差定义为航迹角期望指令为：
其中kh＞0，kI＞0，hd为高度参考信号，为高度参考信号的变化率；考虑巡航段航迹角变化很小，取
定义x1＝γ，x2＝θp，x3＝q，θp＝α+γ；姿态子系统(3)－(5)变换为：
其中，f1、f3是由式(3)－(5)得到的未知光滑函数，g1、g3是由式(3)－(5)得到的已知函数；
(c)针对速度子系统，定义速度跟踪误差为ev＝V-Vd，根据公式(6)设计控制器：
其中为神经网络最优权重向量的估计值，为RBF基函数向量，Vd为速度参考信号，为速度参考信号的导数，控制增益kv＞0；
定义其中τd＞0为积分区间；构造预测建模误差并设计神经网络自适应更新律为
其中λv＞0，kωv＞0；
(d)针对姿态子系统，定义航迹角跟踪误差为e1＝x1-x1d，其中x1d＝γd为航迹角期望指令；设计虚拟控制量
其为神经网络最优权重向量的估计值，为基函数向量，控制增益k1＞0；
设计一阶滤波器：
其中滤波器参数α2＞0；
定义e2＝-x2c，y2＝x2c-x2d； 构造预测建模误差并设计神经网络自适应更新律为
其中λ1＞0，kω1＞0；
设计虚拟控制量：
其中控制增益k2＞0；
设计一阶滤波器：
其中滤波器参数α3＞0；
定义e3＝x3-x3c并设计实际控制输入：
其中为神经网络最优权重向量的估计值，为基函数向量，控制增益k3＞0；
定义构造预测建模误差并设计神经网络自适应更新律为
其中λ3＞0，kω3＞0；
(e)根据得到的舵偏角δe和燃料当量比Φ，返回到高超声速飞行器的动力学模型(1)－(5)，对高度和速度进行跟踪控制。
CN201710789199.4A 2017-09-05 2017-09-05 基于预测建模的高超声速飞行器神经网络学习控制方法 Active CN107526296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710789199.4A CN107526296B (zh) 2017-09-05 2017-09-05 基于预测建模的高超声速飞行器神经网络学习控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710789199.4A CN107526296B (zh) 2017-09-05 2017-09-05 基于预测建模的高超声速飞行器神经网络学习控制方法

Publications (2)

Publication Number Publication Date
CN107526296A CN107526296A (zh) 2017-12-29
CN107526296B true CN107526296B (zh) 2019-10-18

Family

ID=60683416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710789199.4A Active CN107526296B (zh) 2017-09-05 2017-09-05 基于预测建模的高超声速飞行器神经网络学习控制方法

Country Status (1)

Country Link
CN (1) CN107526296B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488852B (zh) * 2019-08-28 2020-12-01 北京航空航天大学 一种高超声速飞行器全剖面自适应控制方法
CN111158398A (zh) * 2020-01-15 2020-05-15 哈尔滨工业大学 考虑攻角约束的高超音速飞行器的自适应控制方法
CN111596686B (zh) * 2020-05-13 2022-06-07 中国人民解放军海军工程大学 高超声速飞行器纵向系统的预设性能控制方法
CN111506099B (zh) * 2020-05-28 2023-03-14 西北工业大学 一种无人机高度智能控制系统及方法
CN111665857B (zh) * 2020-06-21 2022-09-13 西北工业大学 基于复合智能学习的变体飞行器控制方法
CN112506209B (zh) * 2020-11-23 2023-04-14 中国运载火箭技术研究院 一种基于自适应预测周期的再入飞行器预测控制方法
CN114489095B (zh) * 2021-12-11 2023-12-26 西北工业大学 一种应用于变体飞行器的类脑脉冲神经网络控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
US8285659B1 (en) * 2009-08-18 2012-10-09 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Aircraft system modeling error and control error
CN102880055A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于预测模型的高超声速飞行器神经网络控制方法
CN102880052A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN102929141A (zh) * 2012-10-10 2013-02-13 西北工业大学 飞行器时间滞后时变模型逼近及控制器设计方法
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137724A1 (en) * 2003-10-10 2005-06-23 Georgia Tech Research Corporation Adaptive observer and related method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
US8285659B1 (en) * 2009-08-18 2012-10-09 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Aircraft system modeling error and control error
CN102880055A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于预测模型的高超声速飞行器神经网络控制方法
CN102880052A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN102929141A (zh) * 2012-10-10 2013-02-13 西北工业大学 飞行器时间滞后时变模型逼近及控制器设计方法
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》;Bin Xu;《2013 International Conference on Unmanned Aircraft Systems (ICUAS)》;20130531;全文 *
《RBF Neural Network based Adaptive Sliding Mode Control forHypersonic Flight Vehicles》;Jianmin Wang;《Proceedings of 2016 IEEE Chinese Guidance, Navigation and Control Conference》;20160815;全文 *
《基于RBF 神经网络自适应PID四旋翼飞行器控制》;李砚浓;《控制工程》;20160331;第23卷(第3期);全文 *
《基于混合神经网络的鲁棒自适应飞行控制器的设计》;王丽;《电光与控制》;20161130;第23卷(第11期);全文 *

Also Published As

Publication number Publication date
CN107526296A (zh) 2017-12-29

Similar Documents

Publication Publication Date Title
CN107526296B (zh) 基于预测建模的高超声速飞行器神经网络学习控制方法
CN107479383B (zh) 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法
CN103488814B (zh) 一种适用于再入飞行器姿态控制的闭环仿真系统
CN102495633B (zh) 一种平流层驻留飞艇姿态控制方法
CN107479382B (zh) 基于在线数据学习的高超声速飞行器神经网络控制方法
Zheng et al. Adaptive sliding mode relative motion control for autonomous carrier landing of fixed-wing unmanned aerial vehicles
CN102880052B (zh) 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN102880055B (zh) 基于预测模型的高超声速飞行器神经网络控制方法
CN104281155B (zh) 一种无人飞艇三维航迹跟踪方法
CN102866635B (zh) 基于等价模型的高超声速飞行器离散神经网络自适应控制方法
CN108828957A (zh) 基于切换机制的飞行器全局有限时间神经网络控制方法
Li et al. Model predictive control for path tracking of a VTOL tailsitter UAV in an HIL simulation environment
Li et al. Attitude tracking control of an airborne wind energy system
CN105843080A (zh) 可变翼高超声速飞行器智能非线性控制系统
Bao et al. Design of a fixed-wing UAV controller based on adaptive backstepping sliding mode control method
Li et al. 6-DOF modeling and 3D trajectory tracking control of a powered parafoil system
Lyu et al. Dynamic surface control design of post-stall maneuver under unsteady aerodynamics
Yuan et al. Adaptive fault-tolerant controller for morphing aircraft based on the L2 gain and a neural network
Song et al. A singularity‐free online neural network‐based sliding mode control of the fixed‐wing unmanned aerial vehicle optimal perching maneuver
Zhen et al. Deep stall landing strategy for small fixed-wing aircraft aided by morphing
Dussart et al. Effect of wingtip morphing on the roll mode of a flexible aircraft
Grant et al. Effects of time-varying inertias on flight dynamics of an asymmetric variable-sweep morphing aircraft
Chu et al. Aerodynamic configuration and control optimization for a novel horizontal-rope shipborne recovery fixed-wing UAV system
Govdeli et al. Learning Control of Tandem-Wing Tilt-Rotor UAV with Unsteady Aerodynamic Model
Kumar et al. QFT Robust Controller Design for Aircraft Pitch Control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant