CN107957730B - 一种无人飞行器稳定飞行控制方法 - Google Patents

一种无人飞行器稳定飞行控制方法 Download PDF

Info

Publication number
CN107957730B
CN107957730B CN201711059466.9A CN201711059466A CN107957730B CN 107957730 B CN107957730 B CN 107957730B CN 201711059466 A CN201711059466 A CN 201711059466A CN 107957730 B CN107957730 B CN 107957730B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
aircraft
equation
controller
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
CN201711059466.9A
Other languages
English (en)
Other versions
CN107957730A (zh
Inventor
张智军
吉冬昱
郑陆楠
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201711059466.9A priority Critical patent/CN107957730B/zh
Publication of CN107957730A publication Critical patent/CN107957730A/zh
Priority to US16/652,457 priority patent/US11721219B2/en
Priority to PCT/CN2018/112114 priority patent/WO2019085834A1/zh
Application granted granted Critical
Publication of CN107957730B publication Critical patent/CN107957730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G05D1/0858—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft specially adapted for vertical take-off of aircraft
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U10/00—Type of UAV
    • B64U10/10—Rotorcrafts
    • B64U10/13—Flying platforms
    • B64U10/16—Flying platforms with five or more distinct rotor axes, e.g. octocopters
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls
    • B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U30/00—Means for producing lift; Empennages; Arrangements thereof
    • B64U30/20—Rotors; Rotor supports

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Measuring Magnetic Variables (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种无人飞行器稳定飞行控制方法，包括如下步骤：1)获取飞行器自身的实时飞行运行数据，对飞行器的运动学问题进行相应的解析处理，建立飞行器动力学模型；2)根据获取的飞行器实时运行数据与目标姿态数据，构建偏差函数；利用多层零化神经动力学方法，构建基于偏差函数的神经动力学方程；所有参数对应的基于偏差函数的神经动力学方程，共同构成无人飞行器的控制器，控制器的微分方程解算的输出量为飞行器电机的输出控制量；3)将求解结果传递给飞行器的电机调速器控制飞行器运动。本发明基于多层零化神经动力学方法，可快速、准确、实时地逼近问题正确解，能够很好地解决时变问题。

Description

一种无人飞行器稳定飞行控制方法
技术领域
本发明涉及一种飞行控制方法，尤其是一种无人飞行器稳定飞行控制方法。
技术背景
近年来，世界无人飞行器技术得到迅猛的发展，具有垂直起降、稳定悬停、无线传输、远程航拍和自主巡航能力的多旋翼飞行器在军事及民事领域具有广阔的应用前景。小型旋翼式无人机由于具有优异的机动性能、简单的机械结构、方便部署与维护简单等特点，被广泛应用于航拍摄影、电力巡检、环境监测、森林防火，灾情巡查、防恐救生、军事侦察及战场评估等领域。伴随着无人飞行器的广泛应用，稳定以及反应快速的无人机控制器设计引起了众多研究者的关注，而传统的无人机控制器都是基于PID闭环控制算法以及相应的改进控制算法进行设计的。由于PID控制器以及反馈闭环控制系统设计简单，且已具备较好的控制效果，在飞行器的控制器设计上被广泛利用。尽管PID控制器使用简便，但PID控制器以及根据PID控制器所得到的动力分配方案并不能使无人飞行器达到理想中的稳定性。
发明内容
本发明的目的在于克服现有技术的不足，提供一种稳定飞行控制器及动力分配方案的设计方法，该方法利用传感器获取飞行器实时飞行运行数据，通过多层零化神经网络求解飞行器电机的输出控制量，并得到相应的动力分配方案，实现控制无人飞行器的稳定飞行。
本发明的目的可以通过如下技术方案实现：
一种无人飞行器稳定飞行控制方法，所述方法包括：
1)获取飞行器自身的飞行实时运行数据，对飞行器的运动学问题进行解析处理，建立飞行器动力学模型；
2)根据步骤1)获取的飞行实时运行数据与目标姿态数据，构建偏差函数；利用多层零化神经动力学方法，构建基于偏差函数的神经动力学方程；所有参数对应的基于偏差函数的神经动力学方程，共同构成无人飞行器的控制器，控制器的微分方程解算的输出量为飞行器电机的输出控制量；
3)根据步骤2)求解得到的输出控制量与多旋翼无人机电机动力的关系，控制电机动力，完成无人飞行器运动的控制,具体步骤为：
根据无人机动力分配方案，控制器求解得到的控制量与多旋翼无人机电机动力存在如下关系：
U＝WF
其中U＝[u1 u2 u3 u4]T为无人飞行器的输出控制量，F＝[F1 … Fj]T为无人飞行器的电机动力，j为多旋翼无人机的电机个数，W为无人飞行器动力分配矩阵，矩阵W根据不同结构与旋翼数目会有不同的形式，需要根据其结构和旋翼数确定；
通过矩阵求逆或求伪逆的形式得到相应的电机动力F，也即：
F＝W-1U
若矩阵W为方阵且可逆，则W-1通过求逆运算得到，若W不为方阵，则通过相应的伪逆运算求解W-1；最终得到所需电机动力F并根据电机电压与动力的关系控制电机输入电压以控制电机转速，最终实现对电机动力的控制，完成无人机稳定飞行控制。
进一步的，所述的通过所搭载的处理器对飞行器的运动学问题进行相应的解析处理，具体包括：
定义地面坐标系E和机体坐标系B，地面坐标系和机体坐标系可通过转换矩阵R建立联系:E＝RB,R可表示为
Figure BDA0001454416860000021
其中φ为横滚角，θ为俯仰角，ψ为偏航角；
忽略飞行器所受空气阻力作用，在机体坐标系下，飞行器系统受力分析(Newton‐Euler形式)如下
Figure BDA0001454416860000022
其中m为飞行器的总质量，I3×3为单位矩阵，I为惯性矩阵，V为机体坐标系下的线速度，ω为机体坐标系下的角速度，F为合外力，τ为合力矩；
进一步的，所述的建立飞行器动力学模型，具体包括：
根据定义的地面坐标系E和机体坐标系B、两者通过转换矩阵R建立的联系:E＝RB以及在机体坐标系下，飞行器系统的受力分析，得到多旋翼飞行器的动力学方程为
Figure BDA0001454416860000031
其中l为臂长，g为重力加速度，x、y、z分别为飞行器在地面坐标系下的位置坐标，Ix、Iy、Iz分别为飞行器在X、Y、Z轴上的转动惯量，ux＝cosφsinθcosψ+sinφsinψ，uy＝cosφsinθsinψ-sinφcosψ，u1、u2、u3、u4为输出控制量。
进一步的，所述设计无人飞行器的控制器，具体包括：
(1)通过多层零化神经动力学方法，由垂直高度z出发，设计关于输出控制量u1的偏差函数，根据该偏差函数，设计无人机高度控制器；
(2)通过多层零化神经动力学方法，由水平位置x、y出发，设计关于ux、uy的偏差函数，根据该偏差函数，设计无人机位置控制器，再反解出目标姿态角度φT和θT；
(3)通过多层零化神经动力学方法，分别由横滚角φ、俯仰角θ以及偏航角ψ出发，设计关于输出控制量u2～u4的偏差函数，根据该偏差函数，设计姿态控制器。
进一步的，所述设计关于输出控制量u1的偏差函数，以及相应的无人机高度控制器，具体包括：
针对垂直高度z，根据Z轴方向上的目标高度值zT以及实际高度值z，可以定义偏差函数为
ez1＝z-zT (1)
并可以得到其导数为
Figure BDA0001454416860000032
为了使实际值z能够收敛到目标值zT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000041
其中γ为一常数。
将等式(1)和(2)代入等式(3)，整理得
Figure BDA0001454416860000042
因为等式(4)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000043
并可以得到其导数为
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000045
将等式(5)和(6)代入等式(7)，整理得
Figure BDA0001454416860000046
据此，可定义偏差函数
Figure BDA0001454416860000047
根据飞行器动力学方程，(9)可简化为
Ez＝azu1+bz (10)
其中
Figure BDA0001454416860000048
并可以得到其导数为
Figure BDA0001454416860000049
利用多层零化神经动力学方法，可以设计
Figure BDA00014544168600000410
将等式(10)和(11)代入等式(12)整理得
Figure BDA00014544168600000411
进一步的，所述设计关于ux、uy的偏差函数，以及相应的无人机位置控制器，具体包括：
针对水平位置x，根据X轴方向上的目标值xT以及实际值x，可以定义偏差函数
ex1＝x-xT (14)
并可以得到其导数为
Figure BDA0001454416860000051
为了使实际值x能够收敛到目标值xT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000052
将等式(14)和(15)代入等式(16)整理得
Figure BDA0001454416860000053
因为等式(17)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000054
并可以得到其导数为
Figure BDA0001454416860000055
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000056
将等式(18)和(19)代入等式(20)整理得
Figure BDA0001454416860000057
据此，可定义偏差函数
Figure BDA0001454416860000058
根据飞行器动力学方程，等式(22)可化简为
Ex＝axux+bx (23)
其中
Figure BDA0001454416860000059
并可以得到其导数为
Figure BDA00014544168600000510
利用多层零化神经动力学方法，可以设计
Figure BDA00014544168600000511
将等式(23)和(24)代入等式(25)整理得
Figure BDA00014544168600000512
针对水平位置y，根据Y轴方向上的目标值yT以及实际值y，可以定义偏差函数
ey1＝y-yT (27)
并可以得到其导数为
为了使实际值y能够收敛到目标值yT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
将等式(27)和(28)代入等式(29)整理得
Figure BDA0001454416860000063
因为等式(30)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000064
并可以得到其导数为
Figure BDA0001454416860000065
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
将等式(31)和(32)代入等式(33)整理得
Figure BDA0001454416860000067
据此，可定义偏差函数
Figure BDA0001454416860000068
根据飞行器动力学方程，等式(35)可化简为
Ey＝ayuy+by (36)
其中并可以得到其导数为
Figure BDA00014544168600000610
利用多层零化神经动力学方法，可以设计
Figure BDA00014544168600000611
将等式(36)和(37)代入等式(38)整理得
Figure BDA0001454416860000071
进一步的，所述的根据设计的位置控制器，反解目标姿态角度φT和θT，其计算方法为
由等式(26)和(39)求解出的ux、uy为
Figure BDA0001454416860000072
从而反解出的目标角度值φT和θT为
Figure BDA0001454416860000073
进一步的，所述其特征在于，设计关于输出控制量u2～u4的偏差函数，以及相应的无人机姿态控制器，具体包括：
针对横滚角φ，根据(40)中求解出的目标角度φT以及实际角度φ，可以定义偏差函数为
eφ1＝φ-φT (41)
并可以得到其导数为
Figure BDA0001454416860000074
为了使实际值φ能够收敛到目标值φT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000075
将等式(41)和(42)代入等式(43)整理得
Figure BDA0001454416860000076
因为等式(44)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
并可以得到其导数为
Figure BDA0001454416860000078
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000079
将等式(45)和(46)代入等式(47)整理得
Figure BDA00014544168600000710
据此，可定义偏差函数
Figure BDA0001454416860000081
根据飞行器动力学方程，等式(49)可简化为
Eφ＝aφu2+bφ (50)
其中
Figure BDA0001454416860000082
并可以得到其导数为
Figure BDA0001454416860000083
根据多层零化神经动力学方法，可以设计
Figure BDA0001454416860000084
将等式(50)和(51)代入等式(52)整理得
Figure BDA0001454416860000085
针对俯仰角θ，根据等式(40)中求解出的目标角度θT以及实际角度θ，可以定义偏差函数为
eθ1＝θ-θT (54)
并可以得到其导数为
Figure BDA0001454416860000086
为了使实际值θ能够收敛到目标值θT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000087
将等式(54)和(55)代入等式(56)整理得
Figure BDA0001454416860000088
因为等式(57)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000089
并可以得到其导数为
Figure BDA00014544168600000810
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA00014544168600000811
将等式(58)和(59)代入等式(60)整理得
Figure BDA00014544168600000812
据此，可定义偏差函数
Figure BDA0001454416860000091
根据飞行器动力学方程，等式(62)可简化为
Eθ＝aθu3+bθ (63)
其中
Figure BDA0001454416860000092
并可以得到其导数为
Figure BDA0001454416860000093
根据多层零化神经动力学方法，可以设计
Figure BDA0001454416860000094
将等式(63)和(64)代入等式(65)整理得
针对偏航角ψ，根据人为设定的角度ψT以及实际角度ψ，可以定义偏差函数为
eψ1＝ψ-ψT (67)
并可以得到其导数为
Figure BDA0001454416860000096
为了使实际值ψ能够收敛到目标值ψT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000097
将等式(67)和(68)代入等式(69)整理得
Figure BDA0001454416860000098
因为等式(70)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000099
并可以得到其导数为
Figure BDA00014544168600000910
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA00014544168600000911
将等式(71)和(72)代入等式(73)整理得
Figure BDA00014544168600000912
据此，可定义偏差函数
根据飞行器动力学方程，等式(75)可简化为
Eψ＝aψu4+bψ (76)
其中并可以得到其导数为
Figure BDA0001454416860000103
根据多层零化神经动力学方法，可以设计
Figure BDA0001454416860000104
将等式(76)和(77)代入等式(78)整理得
Figure BDA0001454416860000105
进一步的，所述根据高度变量z设计的高度控制器，根据位置变量x和y设计的位置控制器以及根据姿态控制量φ、θ和ψ设计的姿态控制器，共同构成多旋翼无人飞行器的稳定飞行控制器，具体包括：
根据等式(13)、(53)、(66)和(79)，可得无人飞行器控制器，该控制器能够通过网络结构化实现；该无人飞行器控制器能够控制无人飞行器稳定飞行；其中该控制器可以写成如下的形式：
Figure BDA0001454416860000106
通过该控制器微分方程构建零化神经网络，通过零化神经网络解算无人飞行器控制量。
本发明相对现有技术，具有如下有益效果：
1、多层零化神经网络具有较好的收敛特性，能够实现飞行器的实时响应，同时，多层零化神经网络具有较强的鲁棒性，根据该神经网络设计的控制器系统稳定且控制效果良好。
2、本发明基于多层零化神经动力学方法，该方法采用普遍存在的隐动力学模型进行描述，可从方法和系统层面上充分利用各时变参数的导数信息，对问题求解具有一定预测能力，可快速、准确、实时地逼近问题正确解，可以很好地解决矩阵、向量、代数及优化等多种时变问题。
附图说明
图1为本发明实施的多旋翼飞行器稳定飞行控制方法流程图；
图2为本发明的多旋翼飞行器结构侧视图；
图3为本发明的多旋翼飞行器结构俯视图；
图4为本发明的多旋翼飞行器结构三维视图；
图5为多旋翼飞行器机体坐标系图。
具体实施方式
下面结合实施例和附图对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例：
如图1所示，本实施例提供了一种无人飞行器稳定飞行控制方法，该方法包括如下步骤：
S1：通过无人飞行器上所搭载的姿态传感器、位置传感器以及高度传感器获取飞行器自身的飞行实时运行数据，通过所搭载的处理器对飞行器的运动学问题进行相应的解析处理，建立飞行器动力学模型；
多旋翼飞行器中的一种旋翼飞行结构如图2、图3以及图4所示。该结构为六旋翼飞行器机构模型，该机构模型由多旋翼飞行器螺旋桨、无刷电机、旋翼臂与机身组成。图3和图4中的箭头方向指示电机的旋转方向，而图示旋转方向顺时针与逆时针组合目的为实现电机转矩的相互抵消，实现稳定的转向控制。
本发明利用四元素算法以及卡尔曼滤波等算法，可以实现利用多旋翼飞行器上搭载的陀螺仪与加速度计等传感器获取飞行器的实时姿态数据θ(t)，φ(t)以及ψ(t)，利用高度传感器以及位置传感器获取飞行器在三维空间中的位置数据x(t)，y(t)与z(t)。
飞行器姿态变量的定义如图5所示。
图5中的多旋翼飞行器根据机体坐标系做出如下定义：
(1)按照顺时针方向定义六旋翼飞行器六个电机分别为①号到⑥号；
(2)X轴沿①号旋翼臂方向，通过机体重心指向飞行器前进方向；
(3)Y轴沿②、③号旋翼臂的对称轴方向，通过机体重心指向飞行器右侧运动方向；
(4)Z轴垂直于六旋翼平面向上，通过机体重心指向飞行器爬升方向；
(5)俯仰角θ为机体X轴与大地水平面之间的夹角，设定机身向下时为正；
(6)横滚角φ为机体Z轴与过机体X轴的大地竖直平面之间的夹角，设定机身向右时为正；
(7)偏航角ψ为机体X轴在大地水平面上的投影与大地坐标系中X轴之间的夹角，设定机头向左时为正。
根据不同的旋翼飞行器模型，建立针对该飞行器的物理模型等式以及动力学方程，可以通过如下飞行器动力学建模步骤完成动力学分析：
定义地面坐标系E和机体坐标系B，地面坐标系和机体坐标系可通过转换矩阵R建立联系:E＝RB,R可表示为
Figure BDA0001454416860000121
其中φ为横滚角，θ为俯仰角，ψ为偏航角；
忽略飞行器所受空气阻力作用，在机体坐标系下，飞行器系统受力分析(Newton‐Euler形式)如下
Figure BDA0001454416860000122
其中m为飞行器的总质量，I3×3为单位矩阵，I为惯性矩阵，V为机体坐标系下的线速度，ω为机体坐标系下的角速度，F为合外力，τ为合力矩；
根据上述等式可得飞行器的动力学方程为
Figure BDA0001454416860000123
其中l为臂长，g为重力加速度，x、y、z分别为飞行器在地面坐标系下的位置坐标，Ix、Iy、Iz分别为飞行器在X、Y、Z轴上的转动惯量，ux＝cosφsinθcosψ+sinφsinψ，uy＝cosφsinθsinψ-sinφcosψ，u1、u2、u3、u4为输出控制量。
S2：根据多层零化神经动力学方法，设计无人飞行器的控制器；
由垂直高度z出发，设计关于输出控制量u1的偏差函数，根据该偏差函数，设计多旋翼无人飞行器高度控制器，求解出u1，再由水平位置x、y出发，设计关于ux、uy的偏差函数以及相应的多旋翼无人飞行器位置控制器，反解出目标姿态角度φT和θT，根据目标姿态角度，分别由横滚角φ、俯仰角θ以及偏航角ψ出发，设计关于输出控制量u2～u4的偏差函数，并设计相应的多层零化神经网络控制器，具体步骤如下：
针对垂直高度z，根据Z轴方向上的目标高度值zT以及实际高度值z，可以定义偏差函数为
ez1＝z-zT (1)
并可以得到其导数为
Figure BDA0001454416860000131
为了使实际值z能够收敛到目标值zT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000132
其中γ为一常数；
将等式(1)和(2)代入等式(3)，整理得
Figure BDA0001454416860000133
因为等式(4)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000134
并可以得到其导数为
Figure BDA0001454416860000135
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000141
将等式(5)和(6)代入等式(7)，整理得
Figure BDA0001454416860000142
据此，可定义偏差函数
根据飞行器动力学方程，(9)可简化为
Ez＝azu1+bz(10)
其中并可以得到其导数为
Figure BDA0001454416860000145
利用多层零化神经动力学方法，可以设计
Figure BDA0001454416860000146
将等式(10)和(11)代入等式(12)整理得
Figure BDA0001454416860000147
针对水平位置x，根据X轴方向上的目标值xT以及实际值x，可以定义偏差函数
ex1＝x-xT (14)
并可以得到其导数为
为了使实际值x能够收敛到目标值xT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000149
将等式(14)和(15)代入等式(16)整理得
Figure BDA00014544168600001410
因为等式(17)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA00014544168600001411
并可以得到其导数为
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000151
将等式(18)和(19)代入等式(20)整理得
Figure BDA0001454416860000152
据此，可定义偏差函数
根据飞行器动力学方程，等式(22)可化简为
Ex＝axux+bx (23)
其中
Figure BDA0001454416860000154
并可以得到其导数为
Figure BDA0001454416860000155
利用多层零化神经动力学方法，可以设计
Figure BDA0001454416860000156
将等式(23)和(24)代入等式(25)整理得
Figure BDA0001454416860000157
针对水平位置y，根据Y轴方向上的目标值yT以及实际值y，可以定义偏差函数
ey1＝y-yT (27)
并可以得到其导数为
Figure BDA0001454416860000158
为了使实际值y能够收敛到目标值yT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000159
将等式(27)和(28)代入等式(29)整理得
因为等式(30)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA00014544168600001511
并可以得到其导数为
Figure BDA00014544168600001512
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000161
将等式(31)和(32)代入等式(33)整理得
Figure BDA0001454416860000162
据此，可定义偏差函数
Figure BDA0001454416860000163
根据飞行器动力学方程，等式(35)可化简为
Ey＝ayuy+by (36)
其中
Figure BDA0001454416860000164
并可以得到其导数为
Figure BDA0001454416860000165
利用多层零化神经动力学方法，可以设计
Figure BDA0001454416860000166
将等式(36)和(37)代入等式(38)整理得
由等式(26)和(39)可求解出ux、uy，又根据
Figure BDA0001454416860000168
可反解出目标角度值φT和θT为
Figure BDA0001454416860000169
针对横滚角φ，根据(40)中求解出的目标角度φT以及实际角度φ，可以定义偏差函数为
eφ1＝φ-φT (41)
并可以得到其导数为
Figure BDA00014544168600001610
为了使实际值φ能够收敛到目标值φT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000171
将等式(41)和(42)代入等式(43)整理得
Figure BDA0001454416860000172
因为等式(44)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000173
并可以得到其导数为
Figure BDA0001454416860000174
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000175
将等式(45)和(46)代入等式(47)整理得
Figure BDA0001454416860000176
据此，可定义偏差函数
根据飞行器动力学方程，等式(49)可简化为
Eφ＝aφu2+bφ (50)
其中
Figure BDA0001454416860000178
并可以得到其导数为
Figure BDA0001454416860000179
根据多层零化神经动力学方法，可以设计
Figure BDA00014544168600001710
将等式(50)和(51)代入等式(52)整理得
Figure BDA00014544168600001711
针对俯仰角θ，根据等式(40)中求解出的目标角度θT以及实际角度θ，可以定义偏差函数为
eθ1＝θ-θT (54)
并可以得到其导数为
Figure BDA00014544168600001712
为了使实际值θ能够收敛到目标值θT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000181
将等式(54)和(55)代入等式(56)整理得
Figure BDA0001454416860000182
因为等式(57)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000183
并可以得到其导数为
Figure BDA0001454416860000184
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000185
将等式(58)和(59)代入等式(60)整理得
Figure BDA0001454416860000186
据此，可定义偏差函数
Figure BDA0001454416860000187
根据飞行器动力学方程，等式(62)可简化为
Eθ＝aθu3+bθ (63)
其中
Figure BDA0001454416860000188
并可以得到其导数为
根据多层零化神经动力学方法，可以设计
Figure BDA00014544168600001810
将等式(63)和(64)代入等式(65)整理得
Figure BDA00014544168600001811
针对偏航角ψ，根据(40)中求解出的目标角度ψT以及实际角度ψ，可以定义偏差函数为
eψ1＝ψ-ψT (67)
并可以得到其导数为
Figure BDA00014544168600001812
为了使实际值ψ能够收敛到目标值ψT，根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000191
将等式(67)和(68)代入等式(69)整理得
Figure BDA0001454416860000192
因为等式(70)在初始情况下一般不成立且不包含输出控制量的相关信息，无法实现对控制量的求解，故需要进一步设计，于是定义
Figure BDA0001454416860000193
并可以得到其导数为
Figure BDA0001454416860000194
根据多层零化神经动力学方法，可以设计基于偏差函数的神经动力学方程为
Figure BDA0001454416860000195
将等式(71)和(72)代入等式(73)整理得
Figure BDA0001454416860000196
据此，可定义偏差函数
Figure BDA0001454416860000197
根据飞行器动力学方程，等式(75)可简化为
Eψ＝aψu4+bψ (76)
其中
Figure BDA0001454416860000198
并可以得到其导数为
Figure BDA0001454416860000199
根据多层零化神经动力学方法，可以设计
将等式(76)和(77)代入等式(78)整理得
Figure BDA00014544168600001911
S3：利用获取的飞行器实时运行数据与目标姿态数据，通过设计的多层零化神经网络控制器求解飞行器电机的输出控制量；
根据多层零化神经网络等式(13)、(53)、(66)和(79)，可得到无人飞行器控制器，该控制器能够通过网络结构化实现；该无人飞行器控制器能够控制无人飞行器稳定飞行，其中该控制器可以写成如下的形式：
Figure BDA0001454416860000201
通过该控制器微分方程构建零化神经网络，通过零化神经网络解算无人飞行器控制量。
S4：将步骤4)的求解结果传递给飞行器电机调速器，根据控制器求解的得到的控制量与多旋翼无人机电机动力的关系，实现对电机动力的控制，控制无人飞行器的运动；
根据无人机动力分配方案，控制器求解得到的控制量与多旋翼无人机电机动力存在如下关系：
U＝WF
其中U＝[u1 u2 u3 u4]T为无人飞行器的控制量，F＝[F1 … Fj]T为无人飞行器的电机动力，j为多旋翼无人机的电机个数，W为无人飞行器动力分配矩阵。
为了得到相应的电机所需得到的动力的多少，可以通过矩阵求逆或求伪逆的形式得到相应的电机动力F，也即
F＝W-1U
若矩阵W为方阵且可逆，则W-1通过求逆运算得到，若W不为方阵，则通过相应的伪逆运算求解W-1；最终得到所需电机动力F并根据电机电压与动力的关系控制电机输入电压以控制电机转速，最终实现对电机动力的控制，完成无人机稳定飞行控制。由于不同的旋翼数目与结构会影响多旋翼无人机的控制方式，所以矩阵W根据不同结构与旋翼数目会有不同的形式。
以六旋翼无人飞行器为例，其动力分配存在如下关系：
Figure BDA0001454416860000202
该关系可以进一步写成
Figure BDA0001454416860000211
由于上述关系中W不是方阵，可以通过伪逆方式得到W-1，也即
由此可以得到六旋翼无人飞行器的动力分配情况并得到相应的电机实际控制量用于控制电机运转。
以上所述仅为本发明优选的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的发明构思或者技术方案加以等同替换或改变，都属于本发明专利的保护范围。

Claims (8)

1.一种无人飞行器稳定飞行控制方法，其特征在于：所述方法包括：
1)获取飞行器自身的飞行实时运行数据，对飞行器的运动学问题进行解析处理，建立飞行器动力学模型；
2)根据步骤1)获取的飞行实时运行数据与目标姿态数据，构建偏差函数；利用多层零化神经动力学方法，构建基于偏差函数的神经动力学方程；所有参数对应的基于偏差函数的神经动力学方程，共同构成无人飞行器的控制器，控制器的微分方程解算的输出量为飞行器电机的输出控制量；
所述根据多层零化神经动力学方法，设计无人飞行器的控制器，具体包括：
(2-1)通过多层零化神经动力学方法，由垂直高度z出发，设计关于输出控制量u1的偏差函数，根据该偏差函数，设计无人机高度控制器；
(2-2)通过多层零化神经动力学方法，由水平位置x、y出发，设计关于ux、uy的偏差函数，根据该偏差函数，设计无人机位置控制器，再反解出目标姿态角度φT和θT；
(2-3)通过多层零化神经动力学方法，分别由横滚角φ、俯仰角θ以及偏航角ψ出发，设计输出控制量u2～u4的偏差函数，根据该偏差函数，设计姿态控制器；
3)根据步骤2)求解得到的输出控制量与多旋翼无人机电机动力的关系，控制电机动力，完成无人飞行器运动的控制，具体步骤为：
根据无人机动力分配方案，控制器求解得到的控制量与多旋翼无人机电机动力存在如下关系：
U＝WF
其中U＝[u1 u2 u3 u4]T为无人飞行器的输出控制量，F＝[F1 … Fj]T为无人飞行器的电机动力，j为多旋翼无人机的电机个数，W为无人飞行器动力分配矩阵，矩阵W根据不同结构与旋翼数目会有不同的形式，需要根据其结构和旋翼数确定；
通过矩阵求逆或求伪逆的形式得到相应的电机动力F，也即：
F＝W-1U
若矩阵W为方阵且可逆，则W-1通过求逆运算得到，若W不为方阵，则通过相应的伪逆运算求解W-1；最终得到所需电机动力F并根据电机电压与动力的关系控制电机输入电压以控制电机转速，最终实现对电机动力的控制，完成无人机稳定飞行控制。
2.根据权利要求1所述的一种无人飞行器稳定飞行控制方法，其特征在于：通过所搭载的处理器对飞行器的运动学问题进行解析处理，具体包括：
定义地面坐标系E和机体坐标系B，地面坐标系和机体坐标系通过转换矩阵R建立联系：E＝RB，R表示为
Figure FDA0002308087940000021
其中φ为横滚角，θ为俯仰角，ψ为偏航角；
忽略飞行器所受空气阻力作用，在机体坐标系下，飞行器系统受力分析如下
Figure FDA0002308087940000022
其中m为飞行器的总质量，I3×3为单位矩阵，I为惯性矩阵，V为机体坐标系下的线速度，ω为机体坐标系下的角速度，F为合外力，τ为合力矩。
3.根据权利要求2所述的一种无人飞行器稳定飞行控制方法，其特征在于：所述建立飞行器动力学模型，具体包括：
根据定义的地面坐标系E和机体坐标系B、两者通过转换矩阵R建立的联系：E＝RB以及在机体坐标系下，飞行器系统的受力分析，得到多旋翼飞行器的动力学方程为
其中l为臂长，g为重力加速度，x、y、z分别为飞行器在地面坐标系下的位置坐标，
Figure FDA0002308087940000024
分别表示x(t)、y(t)、z(t)的二阶导数，φ、θ、ψ分别表示横滚角、俯仰角以及偏航角，分别表示对应参数的二阶导数，
Figure FDA0002308087940000032
分别表示对应参数的一阶导数，Ix、Iy、Iz分别为飞行器在X、Y、Z轴上的转动惯量，ux＝cosφsinθcosψ+sinφsinψ，uy＝cosφsinθsinψ-sinφcosψ，u1、u2、u3、u4为输出控制量。
4.根据权利要求1所述的一种无人飞行器稳定飞行控制方法，其特征在于：所述通过多层零化神经动力学方法，由垂直高度z出发，设计输出控制量u1的偏差函数，根据该偏差函数，设计无人机高度控制器，具体包括：
针对垂直高度z，根据Z轴方向上的目标高度值zT以及实际高度值z，定义偏差函数为
Figure FDA0002308087940000033
根据飞行器动力学方程，(9)简化为
Ez＝azu1+bz (10)
其中
Figure FDA0002308087940000034
m为飞行器的总质量，g为重力加速度，γ为一常数，并得到其导数为
Figure FDA0002308087940000035
利用多层零化神经动力学方法，设计
Figure FDA0002308087940000036
将等式(10)和(11)代入等式(12)整理得
Figure FDA0002308087940000037
5.根据权利要求1所述的一种无人飞行器稳定飞行控制方法，其特征在于：所述设计关于ux、uy的偏差函数，以及无人机位置控制器，具体包括：
针对水平位置x，根据X轴方向上的目标值xT以及实际值x，定义偏差函数
根据飞行器动力学方程，等式(22)化简为
Ex＝axux+bx (23)
其中
Figure FDA0002308087940000041
m为飞行器的总质量，γ为一常数，并得到其导数为
Figure FDA0002308087940000042
利用多层零化神经动力学方法，设计
Figure FDA0002308087940000043
将等式(23)和(24)代入等式(25)整理得
Figure FDA0002308087940000044
针对水平位置y，根据Y轴方向上的目标值yT以及实际值y，定义偏差函数
Figure FDA0002308087940000045
根据飞行器动力学方程，等式(35)化简为
Ey＝ayuy+by (36)
其中
Figure FDA0002308087940000046
并得到其导数为
Figure FDA0002308087940000047
利用多层零化神经动力学方法，设计
Figure FDA0002308087940000048
将等式(36)和(37)代入等式(38)整理得
Figure FDA0002308087940000049
6.根据权利要求5所述的一种无人飞行器稳定飞行控制方法，其特征在于：所述反解目标姿态角度φT和θT，其计算公式为：
由位置控制器等式(26)和(39)求解出的ux、uy为
Figure FDA00023080879400000410
所以反解出的目标角度值φT和θT为
Figure FDA00023080879400000411
7.根据权利要求1所述的一种无人飞行器稳定飞行控制方法，其特征在于：所述通过多层零化神经动力学方法，分别由横滚角φ、俯仰角θ以及偏航角ψ出发，设计关于输出控制量u2～u4的偏差函数，根据该偏差函数，设计姿态控制器，具体包括：
针对横滚角φ，根据求解出的目标角度φT以及实际角度φ，定义偏差函数为
Figure FDA0002308087940000051
根据飞行器动力学方程，等式(49)简化为
Eφ＝aφu2+bφ (50)
其中
Figure FDA0002308087940000052
l为臂长，γ为一常数，Ix、Iy、Iz分别为飞行器在X、Y、Z轴上的转动惯量，并得到其导数为
Figure FDA0002308087940000053
根据多层零化神经动力学方法，设计
Figure FDA0002308087940000054
将等式(50)和(51)代入等式(52)整理得
Figure FDA0002308087940000055
针对俯仰角θ，根据求解出的目标角度θT以及实际角度θ，定义偏差函数为
Figure FDA0002308087940000056
根据飞行器动力学方程，等式(62)简化为
Eθ＝aθu3+bθ (63)
其中
Figure FDA0002308087940000057
并得到其导数为
Figure FDA0002308087940000058
根据多层零化神经动力学方法，设计
Figure FDA0002308087940000059
将等式(63)和(64)代入等式(65)整理得
Figure FDA00023080879400000510
针对偏航角ψ，根据人为设定的角度ψT以及实际角度ψ，定义偏差函数为
Figure FDA00023080879400000511
根据飞行器动力学方程，等式(75)简化为
Eψ＝aψu4+bψ (76)
其中并得到其导数为
根据多层零化神经动力学方法，设计
Figure FDA0002308087940000063
将等式(76)和(77)代入等式(78)整理得
Figure FDA0002308087940000064
8.根据权利要求1所述的一种无人飞行器稳定飞行控制方法，其特征在于：根据所设计的高度控制器、位置控制器以及姿态控制器，共同构成的多旋翼无人飞行器的稳定飞行器，具体包括：
Figure FDA0002308087940000065
Figure FDA0002308087940000066
Figure FDA0002308087940000067
Figure FDA0002308087940000068
其中
Figure FDA0002308087940000069
Figure FDA00023080879400000610
Figure FDA00023080879400000611
Figure FDA00023080879400000612
Figure FDA00023080879400000613
Figure FDA00023080879400000614
Figure FDA00023080879400000615
l为臂长，γ为一常数，Ix、Iy、Iz分别为飞行器在X、Y、Z轴上的转动惯量，m为飞行器的总质量，g为重力加速度；根据Z轴方向上的目标高度值zT以及实际高度值z，针对横滚角φ，根据求解出的目标角度φT以及实际角度φ，针对俯仰角θ，根据求解出的目标角度θT以及实际角度θ，针对偏航角ψ，根据人为设定的角度ψT以及实际角度ψ，以及根据等式(13)、(53)、(66)和(79)，得到无人飞行器控制器，该控制器能够通过网络结构化实现；该无人飞行器控制器能够控制无人飞行器稳定飞行；其中该控制器写成如下的形式：
Figure FDA0002308087940000071
通过该控制器微分方程构建多层零化神经网络，通过多层零化神经网络解算无人飞行器控制量。
CN201711059466.9A 2017-11-01 2017-11-01 一种无人飞行器稳定飞行控制方法 Active CN107957730B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201711059466.9A CN107957730B (zh) 2017-11-01 2017-11-01 一种无人飞行器稳定飞行控制方法
US16/652,457 US11721219B2 (en) 2017-11-01 2018-10-26 Method for controlling steady flight of unmanned aircraft
PCT/CN2018/112114 WO2019085834A1 (zh) 2017-11-01 2018-10-26 一种无人飞行器稳定飞行控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711059466.9A CN107957730B (zh) 2017-11-01 2017-11-01 一种无人飞行器稳定飞行控制方法

Publications (2)

Publication Number Publication Date
CN107957730A CN107957730A (zh) 2018-04-24
CN107957730B true CN107957730B (zh) 2020-02-18

Family

ID=61963496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711059466.9A Active CN107957730B (zh) 2017-11-01 2017-11-01 一种无人飞行器稳定飞行控制方法

Country Status (3)

Country Link
US (1) US11721219B2 (zh)
CN (1) CN107957730B (zh)
WO (1) WO2019085834A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107957730B (zh) * 2017-11-01 2020-02-18 华南理工大学 一种无人飞行器稳定飞行控制方法
CN108717265B (zh) * 2018-05-30 2021-05-18 重庆邮电大学 一种基于控制变量参数化的无人飞行器巡航跟踪控制系统及控制方法
CN108958289B (zh) * 2018-07-28 2021-08-13 天津大学 基于相对速度障碍的集群无人机避碰方法
CN110254741A (zh) * 2019-05-17 2019-09-20 李泽波 一种飞行控制系统的设计方法
CN110398971B (zh) * 2019-08-07 2022-04-01 大连海事大学 一种直流电机推进无人船的速度控制方法
CN110806688B (zh) * 2019-11-20 2022-12-09 中山大学 一种时变非线性质量弹簧阻尼系统的运动控制方法
CN110989649B (zh) * 2019-12-26 2023-07-25 中国航空工业集团公司沈阳飞机设计研究所 面向高机动固定翼无人机的飞行动作控制装置及训练方法
CN111857171B (zh) * 2020-07-30 2021-09-21 华南理工大学 一种基于质量自适应多层神经网络的无人机控制方法
CN112706165A (zh) * 2020-12-22 2021-04-27 中山大学 一种面向轮式移动机械臂的跟踪控制方法及系统
WO2022193075A1 (zh) * 2021-03-15 2022-09-22 深圳市大疆创新科技有限公司 无人飞行器控制方法、无人飞行器和存储介质
CN113359440B (zh) * 2021-05-24 2023-06-20 华南理工大学 基于多层积分神经动力学的多旋翼无人机控制器设计方法
CN113485437B (zh) * 2021-07-29 2022-03-04 合肥工业大学 一种抗干扰无人机控制方法及系统
CN113520413B (zh) * 2021-08-25 2022-10-21 长春工业大学 一种基于表面肌电信号的下肢多关节角度估计方法
CN113791638B (zh) * 2021-08-29 2023-06-30 西北工业大学 一种多无人飞行器协同绳系吊装运输系统的稳定控制方法
CN114115322B (zh) * 2021-12-15 2023-06-30 西北工业大学 一种绳系飞行器系统的跟踪控制方法
CN114594675B (zh) * 2022-03-07 2024-06-04 东华理工大学长江学院 一种改进型pid的四旋翼飞行器控制系统及方法
CN114721273B (zh) * 2022-04-22 2024-04-12 湖南师范大学 一种固定时间收敛零化神经网络的多智能体编队控制方法
CN117666368B (zh) * 2024-02-02 2024-04-16 国网湖北省电力有限公司 基于物联网的无人机多机协同的作业方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105676641A (zh) * 2016-01-25 2016-06-15 南京航空航天大学 针对四旋翼无人机非线性模型的基于反步和滑模控制技术的非线性鲁棒控制器的设计方法
CN106155076A (zh) * 2016-08-23 2016-11-23 华南理工大学 一种多旋翼无人飞行器的稳定飞行控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092919A (en) * 1995-08-01 2000-07-25 Guided Systems Technologies, Inc. System and method for adaptive control of uncertain nonlinear processes
CN106462167B (zh) * 2014-05-30 2019-12-13 深圳市大疆创新科技有限公司 飞行器姿态控制方法
CN104932512B (zh) 2015-06-24 2017-07-04 北京科技大学 一种基于mimo非线性不确定反步法的四旋翼位姿控制方法
CN106502262A (zh) 2015-09-08 2017-03-15 中国农业机械化科学研究院 一种农用无人机飞行平台及其控制系统和控制方法
CN106444809B (zh) * 2016-10-12 2024-04-16 湖南绿野航空科技有限公司 一种无人机飞行控制器
CN106647781B (zh) * 2016-10-26 2019-09-06 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN107264804A (zh) * 2017-05-12 2017-10-20 华南农业大学 一种基于gps的无人飞行器变量喷雾控制装置与方法
CN107957730B (zh) * 2017-11-01 2020-02-18 华南理工大学 一种无人飞行器稳定飞行控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105676641A (zh) * 2016-01-25 2016-06-15 南京航空航天大学 针对四旋翼无人机非线性模型的基于反步和滑模控制技术的非线性鲁棒控制器的设计方法
CN106155076A (zh) * 2016-08-23 2016-11-23 华南理工大学 一种多旋翼无人飞行器的稳定飞行控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
四旋翼飞行器的动力学建模及PID 控制;李 俊等;《辽宁工程技术大学学报》;20120215;第31卷(第1期);114-117 *
基于积分滑模的四旋翼飞行器控制系统设计;陈增强等;《系统仿真学报》;20150531;第27卷(第9期);2182-2186 *

Also Published As

Publication number Publication date
CN107957730A (zh) 2018-04-24
US11721219B2 (en) 2023-08-08
US20220036739A1 (en) 2022-02-03
WO2019085834A1 (zh) 2019-05-09

Similar Documents

Publication Publication Date Title
CN107957730B (zh) 一种无人飞行器稳定飞行控制方法
Almakhles Robust backstepping sliding mode control for a quadrotor trajectory tracking application
US11378983B2 (en) Stable flight control method for multi-rotor unmanned aerial vehicle based on finite-time neurodynamics
AU2017344750B2 (en) Thrust vectored multicopters
Lozano Unmanned aerial vehicles: Embedded control
Nemati et al. Modeling and control of a single axis tilting quadcopter
Das et al. Dynamic inversion with zero-dynamics stabilisation for quadrotor control
Zuo et al. Augmented L 1 adaptive tracking control of quad-rotor unmanned aircrafts
Raffo et al. Backstepping/nonlinear H∞ control for path tracking of a quadrotor unmanned aerial vehicle
Bai et al. Robust control of quadrotor unmanned air vehicles
Jithu et al. Quadrotor modelling and control
Heryanto et al. Attitude and altitude control of a quadcopter using neural network based direct inverse control scheme
Das et al. Sliding mode approach to control quadrotor using dynamic inversion
Tan et al. Tracking of ground mobile targets by quadrotor unmanned aerial vehicles
CN107678442B (zh) 一种基于双模型下的四旋翼自主着船控制方法
Tahar et al. Control of an under-actuated x4-flyer using integral backstepping controller
CN111857171B (zh) 一种基于质量自适应多层神经网络的无人机控制方法
Song et al. Research on attitude control of quadrotor uav based on active disturbance rejection control
Brandão et al. 3-d path-following with a miniature helicopter using a high-level nonlinear underactuated controller
Wang et al. Modeling and hover control of a novel unmanned coaxial rotor/ducted-fan helicopter
Tang et al. Realization of the flight control for an indoor UAV quadrotor
Kwon et al. EKF based sliding mode control for a quadrotor attitude stabilization
Kumar et al. Exponential reaching law based robust trajectory tracking for unmanned aerial vehicles
Yin et al. Flight control system design and autonomous flight control of small-scale unmanned helicopter based on nanosensors
Ghazali et al. Optimal PID Control of a Novel Multirotor with Inclined Rotors and Spatial Configuration

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