CN108897334B - 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法 - Google Patents

一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法 Download PDF

Info

Publication number
CN108897334B
CN108897334B CN201810799545.1A CN201810799545A CN108897334B CN 108897334 B CN108897334 B CN 108897334B CN 201810799545 A CN201810799545 A CN 201810799545A CN 108897334 B CN108897334 B CN 108897334B
Authority
CN
China
Prior art keywords
neural network
attitude angle
fuzzy neural
fuzzy
derivative
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
CN201810799545.1A
Other languages
English (en)
Other versions
CN108897334A (zh
Inventor
张超
张各各
姚瑞文
张卫东
陆宇
曹刚
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201810799545.1A priority Critical patent/CN108897334B/zh
Publication of CN108897334A publication Critical patent/CN108897334A/zh
Application granted granted Critical
Publication of CN108897334B publication Critical patent/CN108897334B/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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明涉及一种基于三角不确定中心区间二型模糊神经网络的仿昆虫扑翼飞行器姿态控制方法，包括以下步骤：1)设定仿昆虫扑翼飞行器姿态控制模型中的比例微分控制器和模糊神经网络的初始参数；2)采集扑翼飞行器姿态角信息，经滤波融合后获得实际量测的姿态角；3)对实际量测的姿态角和预设的姿态角作差，获得对应的姿态角误差和姿态角误差的一阶导数，将其作为比例微分控制器和模糊神经网络的输入量，获得控制器的输出，同时更新模糊神经网络的参数；4)仿昆虫扑翼飞行器机载飞行控制单元根据比例微分控制器和模糊神经网络的输出对姿态角进行调控。与现有技术相比，本发明具有抗干扰能力强、鲁棒性强、便捷性和实用性高等优点。

Description

一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法
技术领域
本发明涉及航空工程飞行器领域，尤其是涉及一种基于三角不确定中心区间二型模糊神经网络的仿昆虫扑翼飞行器姿态控制方法。
背景技术
在过去的几年里，仿昆虫扑翼微飞行器因其体积小、重量轻、结构紧凑、飞行安静、机动性高等特点而成为仿生工程领域的研究热点。这些优势让其适用于许多实际的工程领域。例如，在建筑物内或在塌陷结构里搜索和救援；感知化学药品的泄漏；对核电站进行辐射监测以及在军事行动中监视和侦察。随着微型电机、机载电源和传感器以及刚性和柔性传动机构的进步，仿昆虫扑翼微型飞行器的制造成为可能。然而，要真正实现这些用途，其相关的飞行控制将变得非常复杂。
当前，大多数的飞行控制都是将扑翼飞行器的动力学模型线性化，再用线性控制器将其稳定在某个平衡状态，如悬停状态。但是，这种线性化的近似也带来了一定的弊端。例如，很难实现飞行模态的高、低频切换；对系统不确定性和外界干扰适应性较低。同时，由于自身重量的限制，机载驱动器的数目较少。这就容易使飞行动力系统处于欠驱动状态，进而就要求控制器设计的时候必须考虑系统的非线性。另外，考虑到该类无人机飞行环境的复杂性、空气动力学的不稳定性以及其自身建模的不确定性，基于三角不确定中心区间二型模糊神经网络的飞行控制方法在这种情况下更有优势，因为它不仅能用模糊系统补偿系统中的有界不确定项，而且还能利用神经网络增强控制器的学习能力。相对于传统的控制器，模糊神经网络有较强的适应性和鲁棒性。目前，模糊神经网络已经在一些工程领域得到应用，如控制加热炉温度，电池状态估计和交通流量预测等，但其在扑翼飞行器飞行控制方面的研究工作还比较少。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法。
本发明的目的可以通过以下技术方案来实现：
一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法，包括以下步骤：
1)设定仿昆虫扑翼飞行器姿态控制模型中的比例微分控制器和模糊神经网络的初始参数；
2)采集扑翼无人机姿态角信息，经滤波融合后获得实际量测的姿态角；
3)对实际量测的姿态角和预设的姿态角作差，获得对应的姿态角误差e和姿态角误差的一阶导数
Figure GDA0001795636360000021
将其作为比例微分控制器和模糊神经网络的输入量，并计算比例微分控制器的输出，同时更新模糊神经网络的参数；
4)仿昆虫扑翼飞行器的机载飞行控制单元根据模糊神经网络的输出对姿态角进行调控。
所述的步骤1)中，比例微分控制器和模糊神经网络的初始参数包括：
比例微分控制器的控制参数向量Kp、Kd，模糊神经网络的区间二型三角隶属度函数参数c 1i、
Figure GDA0001795636360000022
d1i、c 2j、
Figure GDA0001795636360000023
d2j以及参数更新因子β、α、q、η。
所述的步骤3)具体包括以下步骤：
31)计算比例微分控制器输出
Figure GDA0001795636360000024
32)计算模糊神经网络的输出uf；
33)对模糊神经网络参数进行更新。
所述的步骤32)中，模糊神经网络依次包括：
输入层：将姿态角误差e和姿态角误差的一阶导数
Figure GDA0001795636360000025
输入到模糊神经网络当中；
模糊层：依据区间二型三角模糊隶属度函数将姿态角误差e和姿态角误差的一阶导数
Figure GDA0001795636360000026
转化为相应区间的二型隶属度函数值u 1i(e)、
Figure GDA0001795636360000027
和
Figure GDA0001795636360000028
推理层：根据模糊推理规则Rij计算每条规则对应的后件数值fij；
规则层：通过乘积t-范算子计算每条规则的点火强度；
输出层：根据每条规则对应的后件数值fij以及上、下点火水平强度W ij和
Figure GDA0001795636360000029
计算出模糊神经网络的输出uf。
所述的区间二型三角模糊隶属度函数的表达式为：
Figure GDA0001795636360000031
Figure GDA0001795636360000032
Figure GDA0001795636360000033
Figure GDA0001795636360000034
其中，
Figure GDA0001795636360000035
u 1i(e)分别为姿态角误差e的第i(i＝1,2,…,I)个上、下隶属度函数，
Figure GDA0001795636360000036
分别为姿态角误差的一阶导数
Figure GDA0001795636360000037
的第j(j＝1,2,…,J)个上、下隶属度函数。
为了维持区间二型三角模糊隶属度函数的性质，须满足以下条件：
Figure GDA0001795636360000038
所述的模糊推理规则Rij表示为：
Rij：if e is
Figure GDA0001795636360000039
and
Figure GDA00017956363600000310
is
Figure GDA00017956363600000311
其中，
Figure GDA00017956363600000312
为姿态角误差e在
Figure GDA00017956363600000313
集合中第i(i＝1,2,…,I)个区间二型隶属度函数，
Figure GDA00017956363600000314
为姿态角误差的一阶导数
Figure GDA00017956363600000315
在
Figure GDA00017956363600000316
集合中的第j(j＝1,2,…,J)个区间二型隶属度函数，
Figure GDA00017956363600000317
为
Figure GDA00017956363600000318
集合中第ij个清晰数，
Figure GDA00017956363600000319
和
Figure GDA00017956363600000320
分别为e和
Figure GDA00017956363600000321
的区间二型隶属度函数的集合，
Figure GDA0001795636360000041
为后件清晰数的集合，即
Figure GDA0001795636360000042
所述的点火强度的表达式为：
Figure GDA0001795636360000043
Figure GDA0001795636360000044
其中，
Figure GDA0001795636360000045
W ij分别为上、下点火强度。
所述的模糊神经网络输出uf的表达式为：
Figure GDA0001795636360000046
Figure GDA0001795636360000047
Figure GDA0001795636360000048
Figure GDA0001795636360000049
Figure GDA00017956363600000410
其中，
Figure GDA00017956363600000411
和
Figure GDA00017956363600000412
分别为第ij个神经元归一化的低、高的点火水平强度，q为表示网络输出中的上限值和下限值所占的比例，且0≤q≤1。
采用比例微分控制器的输出控制来调控模糊控制器，其参数更新规则如下：
Figure GDA00017956363600000413
Figure GDA00017956363600000414
Figure GDA00017956363600000415
Figure GDA00017956363600000416
其中，F＝[f11,…,fij,…,fIJ]是模糊推理规则的输出向量，sgn(·)为符号函数，上标·为求导。
与现有技术相比，本发明具有以下优点：
1)在干扰存在的条件下，采用不确定中心区间二型三角模糊隶属度函数能够有效地对仿生扑翼无人机进行姿态控制，具有更强的抗干扰能力；
2)能够实时在线学习并对参数进行更新，具有更强的鲁棒性；
3)对比例微分控制器参数数值精度要求相对较低，一定程度上可以降低调参难度，具有更强的便捷性和实用性。
附图说明
图1为不确定中心区间二型三角模糊隶属度函数示意图。
图2为三角不确定中心区间二型模糊神经网络示意图。
图3为仿昆虫扑翼无人飞行器的姿态控制流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明提出了一种基于三角不确定中心区间二型模糊神经网络的仿生扑翼飞行器姿态控制方法。具体的控制代码可以集成在机载的嵌入式飞行控制单元中。
如图1所示，本发明采用的不确定中心区间二型三角模糊隶属度函数介绍如下：
区间二型三角模糊隶属度函数是传统的一型三角模糊隶属度函数的扩展。传统的一型三角模糊隶属度函数的数值是清晰数。而区间二型三角模糊隶属度函数的数值仍是一型模糊集。这就意味着其比一型三角模糊隶属度函数具有更强的表达不确定的能力。附图1是不确定中心区间二型三角模糊隶属度函数的示意图。其中，d是隶属度函数的宽度，而c和
Figure GDA0001795636360000051
是该区间二型隶属度函数的左、右中心。
Figure GDA0001795636360000052
和u分别代表上、下隶属度函数。根据附图3中的流程图，可以发现，区间二型模糊神经网络有两个输入，即姿态角误差e和姿态角误差的一阶导数
Figure GDA0001795636360000053
e的第i(i＝1,2,…,I)个上、下隶属度函数分别表示为
Figure GDA0001795636360000054
和u 1i(e)。它们对应的数学表达式如下：
Figure GDA0001795636360000055
同样地，
Figure GDA0001795636360000056
的第j(j＝1,2,…,J)个上、下隶属度函数分别表示为
Figure GDA0001795636360000057
和
Figure GDA0001795636360000058
它们对应的数学表达式如下：
Figure GDA0001795636360000061
其中，当
Figure GDA0001795636360000062
时，u 1i(e)和
Figure GDA0001795636360000063
的隶属度函数值都变为零，而
Figure GDA0001795636360000064
和
Figure GDA0001795636360000065
都会退化成传统的一型梯形隶属度函数。因此，为了维持不确定中心区间二型三角模糊隶属函数的性质，必须使
Figure GDA0001795636360000066
Figure GDA0001795636360000067
本发明的具体实施过程包括以下步骤：
步骤1：设定比例微分控制器和模糊神经网络的初始参数。此处，姿态角误差e和姿态角误差的一阶导数
Figure GDA0001795636360000068
各包括三个区间二型三角模糊隶属度函数。因此，需要初始化的参数包括：Kp、Kd、c 1i、
Figure GDA0001795636360000069
d1i、c 2j、
Figure GDA00017956363600000610
d2j、fij、β、α、q、η。其中Kp、Kd是比例微分控制器的控制参数向量，c 1i、
Figure GDA00017956363600000611
d1i、c 2j、
Figure GDA00017956363600000612
d2j、fij是模糊神经网络的区间二型三角隶属度函数参数，β、α、q、η是参数更新因子。
步骤2：扑翼无人机姿态角信息的采集、滤波和融合。利用机载的惯性测量单元IMU(主要包括三轴陀螺仪、三轴加速度计以及三轴磁力计等传感器)对机体的姿态信号进行采集，进而进行滤波处理去除干扰信息和噪声。此处主要采用高通滤波器、低通滤波器来实现滤波。然后，将滤波后的来自不同传感器姿态信息进行融合，获取较为准确的姿态角。
步骤3：控制器实时输出计算和参数更新。将实际量测的姿态角和预设的姿态角进行比较，获得相应的姿态角误差e和姿态角误差的一阶导数
Figure GDA00017956363600000613
按照附图2的方式输入到控制模型当中进行控制器输出计算，具体为：
(1)计算比例微分控制器输出
Figure GDA00017956363600000614
(2)按照模糊神经网络层1—5的步骤计算模糊神经网络的输出uf，本例中的模糊神经网络采用TSK型区间二型模糊神经网络，TSK型区间二型模糊神经网络采用区间二型三角模糊隶属度函数来描述前件部分，而采用零阶清晰数来表示后件部分，具体结构和推导过程为：
层1：输入层。将姿态角误差e和姿态角误差的一阶导数
Figure GDA0001795636360000071
输入到模糊神经网络当中；
层2：模糊层。依据上述介绍区间二型三角模糊隶属度函数的公式，将姿态角误差e和姿态角误差的一阶导数
Figure GDA0001795636360000072
转化成相应区间二型隶属度函数值u 1i(e)、
Figure GDA0001795636360000073
Figure GDA0001795636360000074
层3：推理层。根据模糊推理规则Rij计算每条规则对应后件数值fij，模糊推理规则Rij可以表示为如下形式：
Rij：if e is
Figure GDA0001795636360000075
and
Figure GDA0001795636360000076
is
Figure GDA0001795636360000077
then
Figure GDA0001795636360000078
其中，e和
Figure GDA0001795636360000079
是在层1中的输入变量，
Figure GDA00017956363600000710
和
Figure GDA00017956363600000711
分别是e和
Figure GDA00017956363600000712
的第i(i＝1,2,…,I)、j(j＝1,2,…,J)个区间二型隶属度函数，
Figure GDA00017956363600000713
是后件中第ij个清晰数；
层4：规则层。通过乘积t-范算子计算每条规则的点火强度，对应于上、下隶属度函数的上、下点火强度的数学表达式为：
Figure GDA00017956363600000714
层5：输出层。利用层3中获得的规则后件数值fij以及层4中每条规则计算得出的上、下点火水平强度W ij、
Figure GDA00017956363600000715
计算出模糊神经网络的最终输出。其表达式如下：
Figure GDA00017956363600000716
其中，q是表示网络输出中的上限值和下限值所占的比例，0≤q≤1。
Figure GDA00017956363600000717
和
Figure GDA00017956363600000718
是来自该神经网络的第三层第ij个神经元归一化的低、高的点火水平强度。它们的数学表达式如下：
Figure GDA00017956363600000719
其中，
Figure GDA00017956363600000720
(3)对模糊神经网络参数c 1i、
Figure GDA00017956363600000721
d1i、c 2j、
Figure GDA00017956363600000722
d2j、fij、β、α、q进行更新，其规则如下：
Figure GDA00017956363600000723
Figure GDA00017956363600000724
Figure GDA0001795636360000081
Figure GDA0001795636360000082
步骤4：姿态角调控。计算总体控制信号u＝upd-uf并将其输入到机载飞行控制单元当中，解算出翼形所对应的俯仰角和扑翼角。再通过数模转化模块驱动舵机实现翼形姿态的调整，进而从整体上调整扑翼飞行器的姿态角。
步骤5：重复步骤2—4中姿态调整过程，最终达到对扑翼飞行器姿态进行稳定控制的目的。

Claims (1)

1.一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法，其特征在于，包括以下步骤：
1)设定仿昆虫扑翼飞行器姿态控制模型中的比例微分控制器和模糊神经网络的初始参数，比例微分控制器和模糊神经网络的初始参数包括：
比例微分控制器的控制参数向量Kp、Kd，模糊神经网络的区间二型三角隶属度函数参数c 1i、
Figure FDA0002304318790000011
d1i、c 2j、
Figure FDA0002304318790000012
d2j以及参数更新因子β、α、q、η；
2)采集扑翼无人机姿态角信息，经滤波融合后获得实际量测的姿态角；
3)对实际量测的姿态角和预设的姿态角作差，获得对应的姿态角误差e和姿态角误差的一阶导数
Figure FDA0002304318790000013
将其作为比例微分控制器和模糊神经网络的输入量，并计算比例微分控制器的输出，同时更新模糊神经网络的参数，具体包括以下步骤：
31)计算比例微分控制器输出
Figure FDA0002304318790000014
32)计算模糊神经网络的输出uf，模糊神经网络依次包括：
输入层：将姿态角误差e和姿态角误差的一阶导数
Figure FDA0002304318790000015
输入到模糊神经网络当中；
模糊层：依据区间二型三角模糊隶属度函数将姿态角误差e和姿态角误差的一阶导数
Figure FDA0002304318790000016
转化为相应区间的二型隶属度函数值u 1i(e)、
Figure FDA00023043187900000112
和
Figure FDA0002304318790000019
所述的区间二型三角模糊隶属度函数的表达式为：
Figure FDA00023043187900000110
Figure FDA00023043187900000111
Figure FDA0002304318790000021
Figure FDA0002304318790000022
其中，
Figure FDA0002304318790000023
u 1i(e)分别为姿态角误差e的第i个上、下隶属度函数，其中，i＝1,2,…,I，
Figure FDA0002304318790000024
分别为姿态角误差的一阶导数
Figure FDA00023043187900000223
的第j个上、下隶属度函数，其中，j＝1,2,…,J，为了维持区间二型三角模糊隶属度函数的性质，须满足以下条件：
Figure FDA0002304318790000025
推理层：根据模糊推理规则Rij计算每条规则对应的后件数值fij，所述的模糊推理规则Rij表示为：
Figure FDA0002304318790000026
其中，
Figure FDA0002304318790000027
为姿态角误差e在
Figure FDA0002304318790000028
集合中第i个区间二型隶属度函数，其中，i＝1,2,…,I，
Figure FDA0002304318790000029
为姿态角误差的一阶导数
Figure FDA00023043187900000210
在
Figure FDA00023043187900000211
集合中的第j个区间二型隶属度函数，其中，j＝1,2,…,J，
Figure FDA00023043187900000212
为
Figure FDA00023043187900000213
集合中第ij个清晰数，
Figure FDA00023043187900000214
和
Figure FDA00023043187900000215
分别为e和
Figure FDA00023043187900000216
的区间二型隶属度函数的集合，
Figure FDA00023043187900000217
为后件清晰数的集合，即
Figure FDA00023043187900000218
规则层：通过乘积t-范算子计算每条规则的点火强度，所述的点火强度的表达式为：
Figure FDA00023043187900000219
Figure FDA00023043187900000220
其中，
Figure FDA00023043187900000221
W ij分别为上、下点火强度；
输出层：根据每条规则对应的后件数值fij以及上、下点火水平强度W ij和
Figure FDA00023043187900000222
计算出模糊神经网络的输出uf，所述的模糊神经网络输出uf的表达式为：
Figure FDA0002304318790000031
Figure FDA0002304318790000032
Figure FDA0002304318790000033
Figure FDA0002304318790000034
Figure FDA0002304318790000035
其中，
Figure FDA0002304318790000036
和
Figure FDA0002304318790000037
分别为第ij个神经元归一化的低、高的点火水平强度，q为表示网络输出中的上限值和下限值所占的比例，且0≤q≤1；
33)对模糊神经网络参数进行更新，采用比例微分控制器的输出控制来调控模糊控制器，其参数更新规则如下：
Figure FDA0002304318790000038
Figure FDA0002304318790000039
Figure FDA00023043187900000310
Figure FDA00023043187900000311
其中，F＝[f11,…,fij,…,fIJ]是模糊推理规则的输出向量，sgn(·)为符号函数，上标·为求导；
4)仿昆虫扑翼飞行器的机载飞行控制单元根据模糊神经网络的输出对姿态角进行调控。
CN201810799545.1A 2018-07-19 2018-07-19 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法 Active CN108897334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810799545.1A CN108897334B (zh) 2018-07-19 2018-07-19 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810799545.1A CN108897334B (zh) 2018-07-19 2018-07-19 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法

Publications (2)

Publication Number Publication Date
CN108897334A CN108897334A (zh) 2018-11-27
CN108897334B true CN108897334B (zh) 2020-03-17

Family

ID=64352367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810799545.1A Active CN108897334B (zh) 2018-07-19 2018-07-19 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法

Country Status (1)

Country Link
CN (1) CN108897334B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508028B (zh) * 2018-12-28 2020-09-29 山东大学 一种飞行器姿态扰动滤除方法、装置及系统
CN110877333B (zh) * 2019-04-12 2023-01-17 国网宁夏电力有限公司电力科学研究院 一种柔性关节机械臂控制方法
CN110058526B (zh) * 2019-05-20 2021-11-30 杭州电子科技大学 一种基于区间二型t-s模型的中立型系统的控制方法
CN110632636B (zh) * 2019-09-11 2021-10-22 桂林电子科技大学 一种基于Elman神经网络的载体姿态估计方法
WO2021051361A1 (zh) * 2019-09-19 2021-03-25 深圳市大疆创新科技有限公司 高精度地图定位方法、系统、平台及计算机可读存储介质
CN110601573A (zh) * 2019-10-10 2019-12-20 东北大学 一种基于改进型自适应模糊神经网络的三相整流控制方法
CN111026146B (zh) * 2019-12-24 2021-04-06 西北工业大学 一种复合翼垂直起降无人机的姿态控制方法
CN113377007A (zh) * 2021-06-17 2021-09-10 同济大学 基于模糊神经网络的混凝土布料机器人控制方法
CN113504729B (zh) * 2021-07-23 2022-07-29 上海交通大学 基于lmi的仿生扑翼飞行器h∞鲁棒控制方法及系统
CN114415505B (zh) * 2021-12-30 2023-08-15 天津理工大学 一种扑翼机器人的尾翼自适应抗扰控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080083029A1 (en) * 2006-09-29 2008-04-03 Alcatel Intelligence Network Anomaly Detection Using A Type II Fuzzy Neural Network
CN105138001B (zh) * 2015-09-10 2017-08-25 中国人民解放军国防科学技术大学 一种四旋翼飞行器姿态控制方法
CN106408084A (zh) * 2016-09-09 2017-02-15 山东建筑大学 一种知识与数据混合驱动的二型模糊神经网络设计方法
CN107203220A (zh) * 2017-05-27 2017-09-26 上海交通大学 扑翼飞行器飞行控制方法及系统

Also Published As

Publication number Publication date
CN108897334A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108897334B (zh) 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法
DK3111286T3 (en) Methods for controlling the position of an aircraft
Voos Nonlinear state-dependent Riccati equation control of a quadrotor UAV
Lungu Auto-landing of UAVs with variable centre of mass using the backstepping and dynamic inversion control
Santoso et al. Hybrid PD-fuzzy and PD controllers for trajectory tracking of a quadrotor unmanned aerial vehicle: Autopilot designs and real-time flight tests
Bacelar et al. On-board implementation and experimental validation of collaborative transportation of loads with multiple UAVs
CN109471449B (zh) 一种无人机控制系统及控制方法
CN108121354A (zh) 基于指令滤波反步法的四旋翼无人机稳定跟踪控制方法
CN113296525A (zh) 基于数据驱动的倾转三旋翼无人机非线性控制方法
Amirkhani et al. Interval type-2 fuzzy cognitive map-based flight control system for quadcopters
Kose et al. Quadrotor flight system design using collective and differential morphing with SPSA and ANN
Wu et al. Model-free online motion adaptation for energy-efficient flight of multicopters
Kose et al. Simultaneous design of morphing hexarotor and autopilot system by using deep neural network and SPSA
Rabah et al. An AI-in-loop fuzzy-control technique for UAV’s stabilization and landing
CN113485443A (zh) 基于深度学习的无人机控制方法、存储介质及设备
CN113759722A (zh) 一种无人机自抗扰控制器参数优化方法
Qian et al. Waypoint navigation of quad-rotor MAV using Fuzzy-PID control
Bickraj et al. Fuzzy Logic Based Integrated Controller for Unmanned Aerial Vehicles
CN113885549B (zh) 基于维度裁剪的ppo算法的四旋翼姿态轨迹控制方法
Nizar et al. Safe and optimal navigation for autonomous multi-rotor aerial vehicle in a dynamic known environment by a decomposition-coordination method
Heryanto et al. Optimization of a neural network based direct inverse control for controlling a quadrotor unmanned aerial vehicle
Hegde et al. Closed loop performance analysis of classical PID and robust H-infinity controller for VTOL unmanned quad tiltrotor aerial vehicle
Athayde et al. Experimental Nonlinear and Incremental Control Stabilization of a Tail-Sitter UAV with Hardware-in-the-Loop Validation
Van Vu et al. A robust transition control law for a QuadPlane
Gao et al. Control of small unconventional UAV based on an on-line adaptive ADRC system

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