CN109683624A - 用于小型无人直升机姿态控制的非线性鲁棒控制方法 - Google Patents
用于小型无人直升机姿态控制的非线性鲁棒控制方法 Download PDFInfo
- Publication number
- CN109683624A CN109683624A CN201910097781.3A CN201910097781A CN109683624A CN 109683624 A CN109683624 A CN 109683624A CN 201910097781 A CN201910097781 A CN 201910097781A CN 109683624 A CN109683624 A CN 109683624A
- Authority
- CN
- China
- Prior art keywords
- follows
- small
- error
- matrix
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000010354 integration Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000013461 design Methods 0.000 claims description 30
- 230000005284 excitation Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 3
- 230000001914 calming effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
-
- 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
-
- 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
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及小型无人直升机非线性控制,为提出一种连续的非线性鲁棒控制方法,实现在小型直升机具有系统参数不确定性和外界扰动的情况下,仍能保持飞行姿态稳定。为此,本发明采用的技术方案是,用于小型无人直升机姿态控制的非线性鲁棒控制方法,以误差符号函数积分的鲁棒控制算法为基础,结合神经网络算法,用于小型无直升人机的姿态系统控制中。本发明主要应用于小型无人直升机非线性控制场合。
Description
技术领域
本发明涉及一种小型无人直升机非线性控制方法,特别是涉及一种基于神经网络的小型无人直升机鲁棒控制方法。具体讲,涉及用于小型无人直升机姿态控制的非线性鲁棒控制方法。
背景技术
近年来,随着传感器、通信、嵌入式信息等技术的进步,无人机各方面性能都得到了显著地提高,并在军用和民用等领域得到了长足发展。相比于固定翼无人机,无人直升机具有操作简单、可低空飞行、可定点悬停、可垂直起降等诸多优点。小型无人直升机(最大起飞重量小于50kg)保持了全尺寸直升机的所有飞行特性和物理原理。另外,与全尺寸直升机相比,它们更具有灵活性与敏捷性。得到了国内外研究人员广泛地关注。然而,由于小型无人直升机难以建立精确的系统模型,且具有非线性、欠驱动性、强耦合性、静不稳定性等特点,因此其控制器设计是国内外研究的热点及难点。
目前,针对小型无人直升机系统的控制方法主要包括线性控制、非线性控制和智能控制等多种设计方法。线性控制方法是目前常用的无人机控制方法,Jeong D Y等人基于简化的无人直升机线性模型设计控制器。该方法虽然可以通过仿真及飞行实验验证控制器的有效性,但这种线性模型是无人直升机非线性模型在平衡点处的近似处理,因而不可避免地限制了控制器的应用范围(期刊:Journal of Aerospace Engineering;著者:Jeong DY,Kang T,Dharmayanda H R,et al;出版年月:2012;文章题目:H-Infinity AttitudeControl System Design for a Small-Scale Autonomous Helicopter with NonlinearDynamics and Uncertainties;页码:501-518)。
为克服线性控制方法的上述不足,许多学者采用非线性控制方法实现无人直升机的大范围控制。针对系统存在参数不确定性,方勇纯等人采用反步法为小型无人直升机设计了飞行控制律,使用自适应方法对系统未知参数进行在线估计(期刊:控制理论与应用;著者:孙秀云,方勇纯,孙宁;出版年月:2012;文章标题:小型无人直升机的姿态与高度自适应反步控制;页码:111-118)。Chien H L等人采用滑模控制方法来补偿参数不确定性的影响,在传统滑模控制的基础上加入积分滑模部分,改善了由于符号函数引起的系统抖振(期刊:Journal of Aerospace Engineering;著者:Chien H L,Shau S J;出版年月:2013;文章题目:Autonomous Hovering Proportional-Integral Sliding Mode ControllerDesign and Its Flight Test Validation for a Small-Scaled Unmanned Helicopter;页码:750-767)。
近年来智能控制方法也在无人直升机控制上得到了较多的应用,Limnaios G等人利用模糊智能方法实现了小型无人直升机的飞行控制,但是应用这种智能控制方法,其闭环系统的稳定性缺少严格的理论证明(期刊:Journal of Intelligent and RoboticSystems;著者:Chien H L,Tsourveloudis N;出版年月:2012;文章题目:Fuzzy LogicController for a Mini Coaxial Indoor Helicopter;页码:187-201)。Patre P M等人使用自适应神经网络算法对无人机模型不确定部分进行估计,神经网络逼近误差及外界扰动通过鲁棒项来补偿,只需要较少的模型信息,就能实现无人机的轨迹跟踪控制(期刊:IEEETransactions on Automatic Control;著者:Patre P M,Mackunis W,Kaiser K,et al;出版年月:2008;文章题目:Asymptotic Tracking for Uncertain Dynamic Systems Via aMultilayer Neural Network Feedforward and RISE Feedback Control Structure;页码:2180-2185)。
发明内容
为克服现有技术的不足,本发明旨在提出一种连续的非线性鲁棒控制方法,实现在小型直升机具有系统参数不确定性和外界扰动的情况下,仍能保持飞行姿态稳定。为此,本发明采用的技术方案是,用于小型无人直升机姿态控制的非线性鲁棒控制方法,以误差符号函数积分的鲁棒控制算法为基础,结合神经网络算法,用于小型无直升人机的姿态系统控制中。
具体步骤如下:
步骤1)确定小型无人直升机的坐标系定义;
小型无人直升机坐标系定义主要涉及两个坐标系,惯性坐标系{I}={OI,xI,yI,zI}和机体坐标系{B}={OB,xB,yB,zB},其中Oi表示坐标系原点,xi,yi,zi分别对应坐标系三个主轴方向的单位矢量,i=I,B,各坐标系的定义均遵循右手定则,同时定义直升机姿态角在坐标系{I}下表示为η=[φ,θ,ψ]T,φ,θ,ψ分别对应滚转角、俯仰角和偏航角,目标轨迹姿态角在坐标系{I}下表示为ηd=[φd,θd,ψd]T,φd,θd,ψd分别对应目标滚转角、目标俯仰角和目标偏航角;
步骤2)确定小型无人直升机姿态动力学模型;
通过分析小型无人直升机作用原理,用拉格朗日方程来描述其姿态动力学模型为:
其中M(η)代表惯性矩阵,代表科氏力矩阵,G(η)为重力力矩向量,d代表未知扰动向量,S代表角速度变换矩阵,A,B代表旋翼动力学相关矩阵,D代表旋翼挥舞角动力学相关矩阵,δ(t)=[δlat(t) δlon(t) δped(t)]T代表控制输入,δlat(t)代表横向周期变距,δlon(t)代表纵向周期变距,δped(t)代表尾桨总距,角速度变换矩阵S表示为:
步骤3)定义姿态角跟踪误差并整理动力学误差模型;
定义系统姿态跟踪误差r1(t)及其滤波误差r2(t)和r3(t)为:
其中λ=[λ1,λ2,λ3]T和α=[α1,α2,α3]T为正常数阵,引入辅助变量Ω=S-TAD=Ω0+Ω△,Ω0为Ω的最佳估计,Ω△为Ω的剩余不确定部分,对r3(t)求一阶时间导数,并将式(1)代入整理,得到滤波误差的开环动态方程为:
式(4)中,状态辅助函数N(x),定义为:
步骤4)神经网络近似;
使用神经网络算法来估计系统不确定部分N(x),表示为:
N(x)=WTσ(VTx)+ε(x) (6)
其中,V和W代表神经网络隐含层和输出层理想权重,σ(·)代表激励函数,ε(x)为神经网络逼近误差,将式(6)代入式(4)中,得到:
设计神经网络来估计系统不确定函数N(x),表示为:
其中,和表示对理想权重V和W的估计,估计误差和为:
选取激励函数σ(·)为正选双曲函数,定义中间变量z=VTx,有双曲函数则激励函数输出向量σ(z)为:
Nn为节点个数,隐含层输出误差定义为:
将激励函数输出σ(VTx)进行泰勒展开,得到:
定义引入二阶项O2(z),将式(12)变换为:
其中,二阶项O2(z)有界;
步骤5)控制律设计;
以误差符号函数积分的鲁棒控制算法RISE(Robust Integral of the Signum ofError)为基础,结合神经网络算法,设计一种连续的非线性鲁棒控制算法,通过神经网络补偿建模不确定性的影响,通过RISE算法来抑制外界扰动,同时补偿神经网络估计误差。
步骤5)具体地,设计控制输入δ(t)为:
其中增益矩阵Ks=diag{[Ks1,Ks2,Ks3]T},Γ(t)为变增益矩阵,I3是单位矩阵,sgn(·)为标准符号函数,设计式(15)中和的更新律为:
其中,Λ和△为正定矩阵,kω为正常数,设计自适应变增益阵Γ(t)为:
Γ(t)=Γ△(t)+Γ0 (17)
其中,Γ△(t)为Γ(t)的时变部分,Γ0为Γ(t)的正常数阵部分,设计Γ△(t)及其关于时间的一阶导数为:
以上述控制律进行小型无人直升机的姿态控制。
本发明的特点及有益效果是:
1.本发明采用基于神经网络的系统不确定性补偿方法,对系统模型依赖性较低,减少了无人直升机未建模动态和模型不确定参数的影响;
2.本发明实现简单,可满足大部分的飞行情况。
3.本发明使用连续鲁棒控制和自适应变增益,提高控制律对外界扰动的鲁棒性,并降低了颤振的影响。
附图说明:
图1是本发明控制系统结构图;
图2是本发明所采用的实验平台;
图3是镇定实验时无人直升机的姿态角曲线;
图4是镇定实验时无人直升机的控制输入曲线图;
图5是镇定实验时无人直升机的变增益Γ变化曲线图;
图6是镇定实验时无人直升机的神经网络函数逼近曲线图。
具体实施方式
本发明旨在提供一种连续的非线性鲁棒控制方法,实现在小型直升机具有系统参数不确定性和外界扰动的情况下,仍能保持飞行姿态稳定。为此,本发明采用的技术方案是,以误差符号函数积分的鲁棒控制算法为基础,结合神经网络算法,用于小型无直升人机的姿态系统控制中,包括以下步骤:
步骤1)确定小型无人直升机的坐标系定义;
小型无人直升机坐标系定义主要涉及两个坐标系,惯性坐标系{I}={OI,xI,yI,zI}和机体坐标系{B}={OB,xB,yB,zB},其中Oi(i=I,B)表示坐标系原点,xi,yi,zi(i=I,B)分别对应坐标系三个主轴方向的单位矢量,各坐标系的定义均遵循右手定则。同时定义直升机姿态角在坐标系{I}下表示为η=[φ,θ,ψ]T,φ,θ,ψ分别对应滚转角、俯仰角和偏航角。目标轨迹姿态角在坐标系{I}下表示为ηd=[φd,θd,ψd]T,φd,θd,ψd分别对应目标旋转角、目标俯仰角和目标偏航角。
步骤2)确定小型无人直升机姿态动力学模型;
通过分析小型无人直升机作用原理,用拉格朗日方程来描述其姿态动力学模型为:
其中M(η)代表惯性矩阵,代表科氏力矩阵,G(η)为重力力矩向量,d代表未知扰动向量,S代表角速度变换矩阵,A,B代表旋翼动力学相关矩阵,D代表旋翼挥舞角动力学相关矩阵。δ(t)=[δlat(t) δlon(t) δped(t)]T代表控制输入,δlat(t)代表横向周期变距,δlon(t)代表纵向周期变距,δped(t)代表尾桨总距。角速度变换矩阵S表示为:
步骤3)定义姿态角跟踪误差并整理动力学误差模型;
定义系统姿态跟踪误差r1(t)及其滤波误差r2(t)和r3(t)为:
其中λ=[λ1,λ2,λ3]T和α=[α1,α2,α3]T为正常数阵。引入辅助变量Ω=S-TAD=Ω0+Ω△,Ω0为Ω的最佳估计,Ω△为Ω的剩余不确定部分。对r3(t)求一阶时间导数,并将式(1)代入整理,可得滤波误差的开环动态方程为:
式(4)中,状态辅助函数N(x),定义为:
步骤4)神经网络近似;
使用神经网络算法来估计系统不确定部分N(x),表示为:
N(x)=WTσ(VTx)+ε(x) (6)
其中,V和W代表神经网络隐含层和输出层理想权重。σ(·)代表激励函数,ε(x)为神经网络逼近误差。将式(6)代入式(4)中,可得:
设计神经网络来估计系统不确定函数N(x),表示为:
其中,和表示对理想权重V和W的估计,估计误差和为:
选取激励函数σ(·)为正选双曲函数,定义中间变量z=VTx,有双曲函数则激励函数输出向量σ(z)为:
Nn为节点个数,隐含层输出误差定义为:
将激励函数输出σ(VTx)进行泰勒展开,可得:
定义引入二阶项O2(z),可将式(12)变换为:
其中,二阶项O2(z)有界。
步骤5)控制律设计;
本步骤以误差符号函数积分的鲁棒控制算法(Robust Integral of the Signumof Error,RISE)为基础,结合神经网络算法,设计一种连续的非线性鲁棒控制算法。具体而言,通过神经网络补偿建模不确定性的影响,通过RISE算法来抑制外界扰动,同时补偿神经网络估计误差。
设计控制输入δ(t)为:
其中增益矩阵Ks=diag{[Ks1,Ks2,Ks3]T},Γ(t)为变增益矩阵,I3是单位矩阵,sgn(·)为标准符号函数。可设计式(15)中和的更新律为:
其中,Λ和△为正定矩阵,kω为正常数。设计自适应变增益阵Γ(t)为:
Γ(t)=Γ△(t)+Γ0 (17)
其中,Γ△(t)为Γ(t)的时变部分,Γ0为Γ(t)的正常数阵部分。设计Γ△(t)及其关于时间的一阶导数为:
以上述控制律进行小型无人直升机的姿态控制。
下面结合实施例和附图对本发明做出详细说明。
本发明旨在提供一种连续的非线性鲁棒控制方法,实现在小型无人直升机具有系统参数不确定性和外界扰动的情况下,仍能保持飞行姿态稳定。
本发明的小型无人直升机姿态非线性鲁棒控制采用的技术方案是,以误差符号函数积分的鲁棒控制算法为基础,结合神经网络算法,用于小型无直升人机的姿态系统控制中,包括以下步骤:
步骤1)确定小型无人直升机的坐标系定义;
小型无人直升机坐标系定义主要涉及两个坐标系,惯性坐标系{I}={OI,xI,yI,zI}和机体坐标系{B}={OB,xB,yB,zB},其中Oi(i=I,B)表示坐标系原点,xi,yi,zi(i=I,B)分别对应坐标系三个主轴方向的单位矢量,各坐标系的定义均遵循右手定则。同时定义直升机姿态角在坐标系{I}下表示为η=[φ,θ,ψ]T,φ,θ,ψ分别对应滚转角、俯仰角和偏航角。目标轨迹姿态角在坐标系{I}下表示为ηd=[φd,θd,ψd]T,φd,θd,ψd分别对应目标旋转角、目标俯仰角和目标偏航角。
步骤2)确定小型无人直升机姿态动力学模型;
通过分析小型无人直升机作用原理,用拉格朗日方程来描述其姿态动力学模型为:
其中M(η)代表惯性矩阵,代表科氏力矩阵,G(η)为重力力矩向量,d代表未知扰动向量,S代表角速度变换矩阵,A,B代表旋翼动力学相关矩阵,D代表旋翼挥舞角动力学相关矩阵。δ(t)=[δlat(t) δlon(t) δped(t)]T代表控制输入,δlat(t)代表横向周期变距,δlon(t)代表纵向周期变距,δped(t)代表尾桨总距。角速度变换矩阵S表示为:
步骤3)定义姿态角跟踪误差并整理动力学误差模型;
定义系统姿态跟踪误差r1(t)及其滤波误差r2(t)和r3(t)为:
其中λ=[λ1,λ2,λ3]T和α=[α1,α2,α3]T为正常数阵。引入辅助变量Ω=S-TAD=Ω0+Ω△,Ω0为Ω的最佳估计,Ω△为Ω的剩余不确定部分。对r3(t)求一阶时间导数,并将式(1)代入整理,可得滤波误差的开环动态方程为:
式(4)中,状态辅助函数N(x),定义为:
步骤4)神经网络近似;
使用神经网络算法来估计系统不确定部分N(x),表示为:
N(x)=WTσ(VTx)+ε(x) (6)
其中,V和W代表神经网络隐含层和输出层理想权重。σ(·)代表激励函数,ε(x)为神经网络逼近误差。将式(6)代入式(4)中,可得:
设计神经网络来估计系统不确定函数N(x),表示为:
其中,和表示对理想权重V和W的估计,估计误差和为:
选取激励函数σ(·)为正选双曲函数,定义中间变量z=VTx,有双曲函数则激励函数输出向量σ(z)为:
Nn为节点个数,隐含层输出误差定义为:
将激励函数输出σ(VTx)进行泰勒展开,可得:
定义引入二阶项O2(z),可将式(12)变换为:
其中,二阶项O2(z)有界。
步骤5)控制律设计;
本步骤以误差符号函数积分的鲁棒控制算法(Robust Integral of the Signumof Error,RISE)为基础,结合神经网络算法,设计一种连续的非线性鲁棒控制算法。具体而言,通过神经网络补偿建模不确定性的影响,通过RISE算法来抑制外界扰动,同时补偿神经网络估计误差。
设计控制输入δ(t)为:
其中增益矩阵Ks=diag{[Ks1,Ks2,Ks3]T},Γ(t)为变增益矩阵,I3是单位矩阵,sgn(·)为标准符号函数。可设计式(15)中和的更新律为:
其中,Λ和△为正定矩阵,kω为正常数。设计自适应变增益阵Γ(t)为:
Γ(t)=Γ△(t)+Γ0 (17)
其中,Γ△(t)为Γ(t)的时变部分,Γ0为Γ(t)的正常数阵部分。设计Γ△(t)及其关于时间的一阶导数为:
控制结构框图如图1所示。
下面给出具体的实例:
一、半实物仿真平台介绍
为验证本文设计控制律的有效性,使用本研究组设计开发的无人直升机飞行实验平台,进行了实时镇定飞行实验。实验平台如图2所示,该实验平台以基于MATLAB-RTW工具箱的xPC作为实时仿真环境,采用自主设计的以ARM Cortex-M3为内核的惯性导航单元作为传感器,该机载传感器最高更新频率为500Hz,可提供三轴角速度及三轴姿态角信息,其中滚转角和俯仰角测量精度为±0.2°,偏航角的测量精度为±0.5°。
二、镇定飞行实验
为了验证本发明中控制器的有效性及实用性,利用本研究组自主设计开发的无人直升机姿态飞行实验平台,进行了实时的镇定飞行实验。通过图3可知,23秒时通过遥控器切换到自动飞行状态,切换后该无人直升机在5秒左右实现镇定飞行。在姿态镇定实验中,滚转和俯仰角的控制误差保持在±1.5°内,偏航角控制误差保持在±1.2°内,图4是正则化后的控制输入变化曲线,图5是自适应变增益Γ的变化曲线,图6分别为神经网络对未知函数的逼近曲线。控制输入及自适应参数均保持在合理的范围内,验证了本文所设计控制器的合理性。
Claims (3)
1.一种用于小型无人直升机姿态控制的非线性鲁棒控制方法,其特征是,以误差符号函数积分的鲁棒控制算法为基础,结合神经网络算法,用于小型无直升人机的姿态系统控制中。
2.如权利要求1所述的用于小型无人直升机姿态控制的非线性鲁棒控制方法,其特征是,具体步骤如下:
步骤1)确定小型无人直升机的坐标系定义;
小型无人直升机坐标系定义主要涉及两个坐标系,惯性坐标系{I}={OI,xI,yI,zI}和机体坐标系{B}={OB,xB,yB,zB},其中Oi表示坐标系原点,xi,yi,zi分别对应坐标系三个主轴方向的单位矢量,i=I,B,各坐标系的定义均遵循右手定则,同时定义直升机姿态角在坐标系{I}下表示为η=[φ,θ,ψ]T,φ,θ,ψ分别对应滚转角、俯仰角和偏航角,目标轨迹姿态角在坐标系{I}下表示为ηd=[φd,θd,ψd]T,φd,θd,ψd分别对应目标滚转角、目标俯仰角和目标偏航角;
步骤2)确定小型无人直升机姿态动力学模型;
通过分析小型无人直升机作用原理,用拉格朗日方程来描述其姿态动力学模型为:
其中M(η)代表惯性矩阵,代表科氏力矩阵,G(η)为重力力矩向量,d代表未知扰动向量,S代表角速度变换矩阵,A,B代表旋翼动力学相关矩阵,D代表旋翼挥舞角动力学相关矩阵,δ(t)=[δlat(t) δlon(t) δped(t)]T代表控制输入,δlat(t)代表横向周期变距,δlon(t)代表纵向周期变距,δped(t)代表尾桨总距,角速度变换矩阵S表示为:
步骤3)定义姿态角跟踪误差并整理动力学误差模型;
定义系统姿态跟踪误差r1(t)及其滤波误差r2(t)和r3(t)为:
r1(t)=ηd-η
其中λ=[λ1,λ2,λ3]T和α=[α1,α2,α3]T为正常数阵,引入辅助变量Ω=S-TAD=Ω0+Ω△,Ω0为Ω的最佳估计,Ω△为Ω的剩余不确定部分,对r3(t)求一阶时间导数,并将式(1)代入整理,得到滤波误差的开环动态方程为:
式(4)中,状态辅助函数N(x),定义为:
步骤4)神经网络近似;
使用神经网络算法来估计系统不确定部分N(x),表示为:
N(x)=WTσ(VTx)+ε(x) (6)
其中,V和W代表神经网络隐含层和输出层理想权重,σ(·)代表激励函数,ε(x)为神经网络逼近误差,将式(6)代入式(4)中,得到:
设计神经网络来估计系统不确定函数N(x),表示为:
其中,和表示对理想权重V和W的估计,估计误差和为:
选取激励函数σ(·)为正选双曲函数,定义中间变量z=VTx,有双曲函数则激励函数输出向量σ(z)为:
Nn为节点个数,隐含层输出误差定义为:
将激励函数输出σ(VTx)进行泰勒展开,得到:
定义引入二阶项O2(z),将式(12)变换为:
其中,二阶项O2(z)有界;
步骤5)控制律设计;
以误差符号函数积分的鲁棒控制算法RISE(Robust Integral of the Signum ofError)为基础,结合神经网络算法,设计一种连续的非线性鲁棒控制算法,通过神经网络补偿建模不确定性的影响,通过RISE算法来抑制外界扰动,同时补偿神经网络估计误差。
3.如权利要求1所述的用于小型无人直升机姿态控制的非线性鲁棒控制方法,其特征是,步骤5)进一步具体地,设计控制输入δ(t)为:
其中增益矩阵Ks=diag{[Ks1,Ks2,Ks3]T},Γ(t)为变增益矩阵,I3是单位矩阵,sgn(·)为标准符号函数,设计式(15)中和的更新律为:
其中,Λ和△为正定矩阵,kω为正常数,设计自适应变增益阵Γ(t)为:
Γ(t)=Γ△(t)+Γ0 (17)
其中,Γ△(t)为Γ(t)的时变部分,Γ0为Γ(t)的正常数阵部分,设计Γ△(t)及其关于时间的一阶导数为:
以上述控制律进行小型无人直升机的姿态控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097781.3A CN109683624A (zh) | 2019-01-31 | 2019-01-31 | 用于小型无人直升机姿态控制的非线性鲁棒控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097781.3A CN109683624A (zh) | 2019-01-31 | 2019-01-31 | 用于小型无人直升机姿态控制的非线性鲁棒控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109683624A true CN109683624A (zh) | 2019-04-26 |
Family
ID=66195453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910097781.3A Pending CN109683624A (zh) | 2019-01-31 | 2019-01-31 | 用于小型无人直升机姿态控制的非线性鲁棒控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109683624A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083168A (zh) * | 2019-05-05 | 2019-08-02 | 天津大学 | 基于增强学习的小型无人直升机定高控制方法 |
CN110597054A (zh) * | 2019-05-15 | 2019-12-20 | 浙江华奕航空科技有限公司 | 一种共轴式无人直升机航向的线性变参数鲁棒性控制方法 |
CN111176117A (zh) * | 2020-01-06 | 2020-05-19 | 南京航空航天大学 | 一种无人直升机的模糊自适应弹性控制方法 |
CN111399527A (zh) * | 2020-03-27 | 2020-07-10 | 浙江华奕航空科技有限公司 | 一种基于扩展观测器的无人直升机姿态鲁棒控制方法 |
CN113075882A (zh) * | 2021-03-25 | 2021-07-06 | 浙江大学 | 基于非平衡态线性化的涡扇发动机多变量鲁棒变增益控制方法 |
CN113359473A (zh) * | 2021-07-06 | 2021-09-07 | 天津大学 | 基于迭代学习的微小型无人直升机非线性控制方法 |
CN114089629A (zh) * | 2021-10-26 | 2022-02-25 | 广州大学 | 直升机系统自适应故障容错控制方法、系统、装置及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760906A (zh) * | 2014-01-29 | 2014-04-30 | 天津大学 | 神经网络与非线性连续无人直升机姿态控制方法 |
CN104049640A (zh) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
CN106802570A (zh) * | 2017-04-01 | 2017-06-06 | 广东工业大学 | 一种无人直升机位置跟踪的方法与装置 |
CN107357166A (zh) * | 2017-04-29 | 2017-11-17 | 天津大学 | 小型无人直升机的无模型自适应鲁棒控制方法 |
EP3293549A1 (en) * | 2016-09-09 | 2018-03-14 | Trimble Inc. | Advanced navigation satellite system positioning method and system using delayed precise information |
CN108181920A (zh) * | 2018-01-31 | 2018-06-19 | 天津大学 | 基于给定时间的四旋翼无人机高精度姿态跟踪控制方法 |
CN108313271A (zh) * | 2018-02-07 | 2018-07-24 | 渤海大学 | 一种实现姿态和位置解耦控制的八旋翼飞行器 |
CN109116860A (zh) * | 2018-08-29 | 2019-01-01 | 天津大学 | 三旋翼无人机的非线性鲁棒控制方法 |
-
2019
- 2019-01-31 CN CN201910097781.3A patent/CN109683624A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760906A (zh) * | 2014-01-29 | 2014-04-30 | 天津大学 | 神经网络与非线性连续无人直升机姿态控制方法 |
CN104049640A (zh) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
EP3293549A1 (en) * | 2016-09-09 | 2018-03-14 | Trimble Inc. | Advanced navigation satellite system positioning method and system using delayed precise information |
CN106802570A (zh) * | 2017-04-01 | 2017-06-06 | 广东工业大学 | 一种无人直升机位置跟踪的方法与装置 |
CN107357166A (zh) * | 2017-04-29 | 2017-11-17 | 天津大学 | 小型无人直升机的无模型自适应鲁棒控制方法 |
CN108181920A (zh) * | 2018-01-31 | 2018-06-19 | 天津大学 | 基于给定时间的四旋翼无人机高精度姿态跟踪控制方法 |
CN108313271A (zh) * | 2018-02-07 | 2018-07-24 | 渤海大学 | 一种实现姿态和位置解耦控制的八旋翼飞行器 |
CN109116860A (zh) * | 2018-08-29 | 2019-01-01 | 天津大学 | 三旋翼无人机的非线性鲁棒控制方法 |
Non-Patent Citations (3)
Title |
---|
S.PUGA-GUZMÁN等: "Adaptive Neural Network Motion Control of Manipulators with Experimental Evaluations", 《THE SCIENTIFICWORLD JOURNAL》 * |
鲜斌等: "基于神经网络前馈的无人直升机非线性鲁棒控制设计", 《传感器与微系统》 * |
鲜斌等: "基于神经网络的小型无人直升机非线性鲁棒控制设计", 《控制与决策》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083168A (zh) * | 2019-05-05 | 2019-08-02 | 天津大学 | 基于增强学习的小型无人直升机定高控制方法 |
CN110597054A (zh) * | 2019-05-15 | 2019-12-20 | 浙江华奕航空科技有限公司 | 一种共轴式无人直升机航向的线性变参数鲁棒性控制方法 |
CN111176117A (zh) * | 2020-01-06 | 2020-05-19 | 南京航空航天大学 | 一种无人直升机的模糊自适应弹性控制方法 |
CN111176117B (zh) * | 2020-01-06 | 2021-05-28 | 南京航空航天大学 | 一种无人直升机的模糊自适应弹性控制方法 |
CN111399527A (zh) * | 2020-03-27 | 2020-07-10 | 浙江华奕航空科技有限公司 | 一种基于扩展观测器的无人直升机姿态鲁棒控制方法 |
CN111399527B (zh) * | 2020-03-27 | 2023-08-04 | 浙江华奕航空科技有限公司 | 一种基于扩展观测器的无人直升机姿态鲁棒控制方法 |
CN113075882A (zh) * | 2021-03-25 | 2021-07-06 | 浙江大学 | 基于非平衡态线性化的涡扇发动机多变量鲁棒变增益控制方法 |
CN113359473A (zh) * | 2021-07-06 | 2021-09-07 | 天津大学 | 基于迭代学习的微小型无人直升机非线性控制方法 |
CN113359473B (zh) * | 2021-07-06 | 2022-03-11 | 天津大学 | 基于迭代学习的微小型无人直升机非线性控制方法 |
CN114089629A (zh) * | 2021-10-26 | 2022-02-25 | 广州大学 | 直升机系统自适应故障容错控制方法、系统、装置及介质 |
CN114089629B (zh) * | 2021-10-26 | 2023-04-25 | 广州大学 | 直升机系统自适应故障容错控制方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109683624A (zh) | 用于小型无人直升机姿态控制的非线性鲁棒控制方法 | |
Hou et al. | Nonsingular terminal sliding mode control for a quadrotor UAV with a total rotor failure | |
Zhang et al. | A novel control scheme for quadrotor UAV based upon active disturbance rejection control | |
Li et al. | Adaptive RBFNNs/integral sliding mode control for a quadrotor aircraft | |
Islam et al. | Robust control of four-rotor unmanned aerial vehicle with disturbance uncertainty | |
CN109696830A (zh) | 小型无人直升机的强化学习自适应控制方法 | |
CN107357166B (zh) | 小型无人直升机的无模型自适应鲁棒控制方法 | |
CN105607473B (zh) | 小型无人直升机的姿态误差快速收敛自适应控制方法 | |
CN110908281A (zh) | 无人直升机姿态运动有限时间收敛强化学习控制方法 | |
CN104950901B (zh) | 无人直升机姿态误差有限时间收敛非线性鲁棒控制方法 | |
CN107563044B (zh) | 基于在线安全学习的四旋翼无人机路径跟踪控制方法 | |
CN103412488B (zh) | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 | |
CN108445766A (zh) | 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN104932514B (zh) | 小型无人直升机的姿态非线性自适应控制方法 | |
CN111650830A (zh) | 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法 | |
CN108594837A (zh) | 基于pd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN105785762A (zh) | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 | |
CN110377044B (zh) | 一种无人直升机的有限时间高度和姿态跟踪控制方法 | |
CN113759979B (zh) | 基于事件驱动的无人机吊挂系统在线轨迹规划方法 | |
Mohammadi et al. | PSO tuned FLC for full autopilot control of quadrotor to tackle wind disturbance using bond graph approach | |
Jiao et al. | Analysis and design the controller for quadrotors based on PID control method | |
CN109991992A (zh) | 基于浸入不变集的小型无人直升机无模型自适应控制方法 | |
CN108445768A (zh) | 空间机器人操作空间轨迹跟踪的增广自适应模糊控制方法 | |
Islam et al. | Adaptive sliding mode control of unmanned four rotor flying vehicle | |
Wang et al. | Optimal trajectory-tracking guidance for reusable launch vehicle based on adaptive dynamic programming |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |