CN109683626B - 一种基于自适应rbf神经网络的四旋翼无人机编队控制方法 - Google Patents
一种基于自适应rbf神经网络的四旋翼无人机编队控制方法 Download PDFInfo
- Publication number
- CN109683626B CN109683626B CN201811325915.4A CN201811325915A CN109683626B CN 109683626 B CN109683626 B CN 109683626B CN 201811325915 A CN201811325915 A CN 201811325915A CN 109683626 B CN109683626 B CN 109683626B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- neural network
- error
- follows
- 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
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000005312 nonlinear dynamic Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
在自适应的径向基函数(RBF)神经网络的基础上,研究了具有时滞的非线性多四旋翼无人机系统在存在动态不确定性的情况下的三维编队控制方案。为了得到每个无人机的绝对和局部状态误差,我们设计了一个线性降阶观测器。通过构建一个可以简化控制器设计的李雅普诺夫函数,抵消无人机动态模型中存在的时滞。为了处理非线性动态不确定性和不可避免的干扰,采用了自适应的RBF神经网络。
Description
技术领域
本发明涉及一种基于自适应RBF神经网络的四旋翼无人机编队控制方法,进行四旋翼无人机系统编队控制。
背景技术
当前,随着航空航电技术的不断发展,无人机无论在营救任务、森林火灾、快递运输等民用领域还是军事侦察、地面打击等军事领域都有着巨大的作用。尽管如此,单个无人机能完成的任务非常有限。例如:单无人机由于受到自身传感器数量或者传感器角度限制等因素,不能够完整的获取目标区域环境的整体环境信息。因此,多无人机群编队的研究引起了巨大的关注。其中,结合机器学习的多智能体编队研究被广泛应用于无人机编队中。
神经网络由大量神经元组成。每个神经元获得线性组合的输入,经过非线性的激活函数,然后得到非线性的输出。随着机器学习的发展,人们发现神经网络具有拟合任意非线性函数的能力。人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。而RBF神经网络是在BP神经网络的基础上,对隐含层激励函数进行了修改。RBF的泛化能力在多个方面都优于BP网络,但是在解决具有相同精度要求的问题时,BP网络的结构要比RBF网络简单。RBF网络的逼近精度要明显高于BP网络,它几乎能实现完全逼近,而且设计起来极其方便,网络可以自动增加神经元直到满足精度要求为止。但是在训练样本增多时,RBF网络的隐层神经元数远远高于前者,使得RBF网络的复杂度大增加,结构过于庞大,从而运算量也有所增加。
多智能体编队控制的目的是使一群智能体形成并保持预期的几何队形。从这一方面考虑,设计一个实用的几何图形对于编队控制是很重要的。裘智峰提出一种针对多个智能体的编队方法(裘智峰,叶华文,李思明.一种针对多个智能体的编队方法以及装置:中国,105467981A[P].2016-04-06),实现了多智能体的编队,但是只能针对二维图形编队,使得多智能体编队的实用性受到了一定的限制。曹科才提出基于快速有限时间一致性协议的多智能体系统的编队方法(曹科才,柴运.基于快速有限时间一致性协议的多智能体系统的编队方法:中国,108181926A[P].2018-06-19),并把该方法应用于三维编队,但是该方法只能用于对线性的多智能体系统进行编队。王磊提出多无人机网络编队的一致性控制方法(王磊.多无人机网络编队的一致性控制方法:中国,103777638A[P].2014-05-07),可以用来对非线性的受控模型进行一致性控制,但是需要能提前知道智能体的状态方程。据作者所知,据我们所知,非线性多智能体系统的三维编队控制中的时滞问题尚未得到充分研究,仍然是一项具有挑战性的任务。因此,本文提出了一种基于自适应RBF神经网络的三维编队协同控制方法,本方法能在智能体模型未知且带有时滞的前提下,使智能体在有限时间内形成保持编队。
发明内容
本发明要克服现有技术的上述问题,提供一种基于自适应RBF神经网络的四旋翼无人机编队控制方法。
首先,本发明的核心是在无人机的状态方程未知且带有时滞的情况下,引入具有时滞的二阶非线性框架来统一描述具有不确定性的四旋翼无人机系统。为了获得每个无人机的绝对和局部状态误差,设计了降阶观察器。然后基于矩阵理论,图论和带自适应核的RBF神经网络,构造了李雅普诺夫函数。李雅普诺夫函数描述了带有未知非线性函数和时滞的无人机系统。由于时滞可能导致形成控制器设计的困难,因此设计了构造了另一个李雅普诺夫函数用于抵消时滞。由于神经网络具有良好的逼近能力,因此设计了具有自适应核的RBF神经网络来逼近无人机系统中的未知非线性函数。从而构造了一种用于无人机系统的分布式编队控制器,将具有时滞的不确定非线性系统转化为一个简单的系统。
本发明为解决现有技术问题所采用的技术方案是:
1.一种基于自适应RBF神经网络的四旋翼无人机编队控制方法,其特征在于:在无人机的状态空间模型未知且带有时滞的情况下,先设计一个李雅普诺夫函数用于抵消无人机状态空间模型中的时滞项。然后为了使系统能渐进稳定,需要设计一个带有未知非线性函数的控制器,使得李雅普诺夫函数的导数小于零。最后再利用神经网络识别出无人机的状态空间模型;具体步骤如下:
步骤1:定义无人机系统的局部误差和绝对误差;
假设四旋翼无人机的状态状态空间模型具有如下形式:
其中i=1,2,…,n代表无人机的个数,xi(t)和vi(t)分别表示第i个四旋翼无人机在t时刻的位置和速度信息,gi(·)是未知的非线性函数,fi(·)是带有时滞项的有界函数,τi是第i个无人机的时滞项,ui(t)是该无人机状态方程的输入。该无人机系统的拉普拉斯矩阵为L。
绝对误差是指无人机的当前状态和形成编队后的状态之间的误差。一个二阶时滞四旋翼无人机编队系统的绝对误差定义如下:
exi=xi(t)-xd-hi (2)
局部误差是指无人机与无人机之间的当前状态误差。一个二阶时滞四旋翼无人机编队系统的局部误差定义如下:
bxij=exi-exj (4)
bvij=evi-evj (5)
其中bxij和bvij分别代表第i个无人机和第j个无人机之间的位置局部误差和速度局部误差。合并上述两个误差,分别得到位置和速度的跟踪误差如下:
其中lij是拉普拉斯矩阵中第i行第j列的元素,kp和ki是常数。将(6)和(7)写成矩阵形式如下:
其中Im为m阶的单位矩阵
σ1=(σ11,σ21,…σn1)
σ2=(σ12,σ22,…σn2)
ex=(ex1,…,exn)T
ev=(ev1,…,evn)T
为了简化编队控制器的设计,第i个无人机的跟踪误差定义如下:
σi(t)=σ1i(t)+σ2i(t) (10)
步骤2:设计一个降阶误差观测器;
为了更方便的在实际应用中得到步骤1中涉及到的两个误差,需要设计一个降阶误差观测器。状态观测器设计如下:
步骤3:设计系统的李雅普诺夫函数;
李雅普诺夫函数可用来描述系统的稳定性。如果一个系统任何初始条件在平衡态附近的轨迹均能维持在平衡态附近,那么可以称为在处李雅普诺夫稳定。若任何初始条件在平衡态附近的轨迹最后都趋近,那么该系统可以称为在此处渐近稳定。设该系统的李雅普诺夫函数如下:
其中B(t)=V(t)+X(t)=[v1(t)+x1(t),…,vn(t)+xn(t)]∈Rm。由于P是一个实对称矩阵,所以P一定可以被分解成如下等式:
其中M=(ξ1,…,ξnm)是由矩阵P的特征向量组成的矩阵,D是一个对角矩阵。由于D是对角矩阵,因此D可以被分解成如下形式:
因此,式(13)可以改写成如下等式:
其中T=MTD-1M。如上分析,不难得出
其中σ=σ1(t)+σ2(t)是由跟踪信号组成的矩阵。
对Vx(t)求导,可以得到下式:
根据柯西不等式以及杨氏不等式,由式(18)可以得到如下不等式:
接着,设计另一个用于抵消时滞项的李雅普诺夫函数,如下式:
其中ρi是一个恒大于fi(·)的有界函数。
将两个李雅普诺夫函数相加,形成新的李雅普诺夫函数如下:
可以看到,新的李雅普诺夫函数中已经没有时滞项了,但是仍然存在一个未知的非线性函数;
步骤4:利用改进RBF神经网络拟合非线性函数;
因为神经网络具有拟合非线性函数的能力,所以式(21)中的未知非线性函数可以如下表示:
为了保证李雅普诺夫函数的导数小于零,可以设计权值更新矩阵如下:
其中υi>0是常数;
步骤5:对自适应RBF神经网络的核函数初始化
设计自适应RBF神经网络的核函数如下:
步骤6:设计编队控制器
为了使式(21)李雅普诺夫函数的导数小于零,控制器设计如下:
本发明的优点是:在四旋翼无人机的状态空间模型带有时滞的情况下,通过设计一个李雅普诺夫函数用于抵消无人机状态方程中的时滞项。并且在四旋翼无人机的状态空间模型带有未知非线性函数的情况下,能够通过自适应的RBF神经网络对未知非线性函数进行实时识别。
附图说明
图1为本发明的四旋翼无人机预期编队形状。
图2为四旋翼无人机之间的通讯拓扑图
图3为四旋翼无人机编队形成过程图
图4为四旋翼无人机编队在x轴方向上的误差
图5为四旋翼无人机编队在y轴方向上的误差
图6为四旋翼无人机编队在z轴方向上的误差
具体实施方式
以下为结合附图对本发明的实施做进一步详述。
一种基于自适应RBF神经网络的四旋翼无人机编队控制方法。本实验对6个四旋翼无人机进行编队控制,使其形成如附图1所示的正六面体。
首先,定义该四旋翼无人机系统的状态方程如下:
其中
fi1(xi(t),vi(t))=βi1xi1cos(vi2),fi2(xi(t),vi(t))=βi2xi2sin(vi1),fi3(xi(t),vi(t))=βi3xi2sin(vi3)。并且gi(·)在实际编队过程中是未知的,参数α和β的值如表1和表2所示。6个四旋翼无人机之间的通讯拓扑图如图2所示。每个无人机在编队中的位置坐标以及无人机状态方程中的时滞分别如下所示:
h1(0)=(1,0,0)T,h2(0)=(-1,0,0)T,h3(0)=(0,-1,0)T
h4(0)=(0,1,0)T,h5(0)=(0,0,-1)T,h6(0)=(0,0,1)T
τ1=1.4,τ2=1.5,τ3=1.6,τ4=1.7,τ5=1.8,τ6=1.9
拉普拉斯矩阵L如下所示:
L矩阵的特征值如下λ1=0,λ2=-0.6557,λ3=-0.7373,λ4=-1.9283,λ5=-2.2060,λ6=-3.0727,特征向量为
ξ1=[0.4082,0.4082,0.4082,0.4082,0.4082,0.4082]
ξ2=[0.3388,-0.3954,-0.5752,-0.1905,0.3022,0.5200]
ξ3=[-0.4998,-0.5293,0.0965,0.5312,0.4220,-0.0208]
ξ4=[-0.4999,0.6025,-0.4152,-0.1437,0.4403,0.0161]
ξ5=[0.3624,0.1228,-0.5284,0.5786,-0.0483,-0.4872]
ξ6=[0.2959,-0.1371,0.2040,-0.3993,-0.6064,-0.5700]
i | α<sub>i1</sub> | α<sub>i2</sub> |
1 | 0.6 | 0.3 |
2 | -0.6 | 0.4 |
3 | 7 | -5 |
4 | -10 | -11 |
5 | 10 | 11 |
6 | 5 | 10 |
表1
表2
按照步骤1定义四旋翼无人机系统的位置和速度跟踪误差如下,设kp=1,ki=1:
其中
σ1=(σ11,σ21,…σ61)
σ2=(σ12,σ22,…σ62)
ex=(ex1,…,ex6)T
ev=(ev1,…,ev6)T
xd=2(cos(t),sin(t),cos(t))T
定义第i个四旋翼无人机的跟踪误差如下:
σi(t)=σ1i(t)+σ2i(t) (4)
接着,根据步骤2设计第i个四旋翼无人机的降阶误差观测器,设θ=0.5:
由步骤3,设计四旋翼无人机系统的李雅普诺夫方程如下:
其中B(t)=V(t)+X(t)=[v1(t)+x1(t),…,v6(t)+x6(t)]∈R6,D=diag{2I6,λ2I6,…λ6I6},T=MTD-1M,M=(ξ1,…,ξ6),σ=σ1(t)+σ2(t)。由步骤3中的(19)可以得到如下不等式:
设计新的李雅普诺夫函数如下:
将两个李雅普诺夫函数相加,形成新的李雅普诺夫函数:
接下来,利用自适应的RBF神经网络拟合无人机状态方程中的非线性函数
设计神经网络的权值更新率如下:
其中γi=diag(4),υ=2。对设计完的神经网络核函数进行初始化,分别令η1(0)=0.5,η2(0)=0.5。
最后,设计四旋翼无人机的编队控制器如下:
通过如上设计过程,由6个四旋翼无人机组成的多智能体群体能在一定时间内形成并保持编队。编队形成过程如图3所示,各个方向上的跟踪误差收敛过程如图4、5、6所示。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种基于自适应RBF神经网络的四旋翼无人机编队控制方法,其特征在于:在无人机的状态空间模型未知且带有时滞的情况下,先设计一个李雅普诺夫函数用于抵消无人机状态空间模型中的时滞项;然后为了使系统能渐进稳定,需要设计一个带有未知非线性函数的控制器,使得李雅普诺夫函数的导数小于零;最后再利用神经网络识别出无人机的状态空间模型;具体步骤如下:
步骤1:定义无人机系统的局部误差和绝对误差;
假设四旋翼无人机的状态空间模型具有如下形式:
其中i=1,2,…,n代表无人机的个数,xi(t)和vi(t)分别表示第i个四旋翼无人机在t时刻的位置和速度信息,gi(·)是未知的非线性函数,fi(·)是带有时滞项的有界函数,τi是第i个无人机的时滞项,ui(t)是该无人机状态方程的输入,该无人机系统的拉普拉斯矩阵为L;
绝对误差是指无人机的当前状态和形成编队后的状态之间的误差,一个二阶时滞四旋翼无人机编队系统的绝对误差定义如下:
exi=xi(t)-xd-hi (2)
局部误差是指无人机与无人机之间的当前状态误差,一个二阶时滞四旋翼无人机编队系统的局部误差定义如下:
bxij=exi-exj (4)
bvij=evi-evj (5)
其中bxij和bvij分别代表第i个无人机和第j个无人机之间的位置局部误差和速度局部误差;分别合并上述位置局部误差和速度局部误差,分别得到位置和速度的跟踪误差如下:
其中lij是拉普拉斯矩阵中第i行第j列的元素,kp和ki是常数;将(6)和(7)写成矩阵形式如下:
其中Im为m阶的单位矩阵
σ1=(σ11,σ21,…σn1)
σ2=(σ12,σ22,…σn2)
ex=(ex1,…,exn)T
ev=(ev1,…,evn)T
为了简化编队控制器的设计,第i个无人机的跟踪误差定义如下:
σi(t)=σ1i(t)+σ2i(t) (10)
步骤2:设计一个降阶误差观测器;
为了更方便的在实际应用中得到步骤1中涉及到的两个误差,设计一个降阶误差观测器;降阶误差观测器设计如下:
步骤3:设计系统的李雅普诺夫函数;
设该系统的李雅普诺夫函数如下:
其中B(t)=V(t)+X(t)=[v1(t)+x1(t),…,vn(t)+xn(t)]∈Rm;由于P是一个实对称矩阵,所以P一定可以被分解成如下等式:
其中M=(ξ1,…,ξnm)是由矩阵P的特征向量组成的矩阵,D是一个对角矩阵;由于D是对角矩阵,因此D可以被分解成如下形式:
因此,(13)可以改写成如下等式:
其中T=MTD-1M;如上分析,不难得出
其中σ=σ1(t)+σ2(t)是由跟踪信号组成的矩阵;
对Vx(t)求导,可以得到下式:
根据柯西不等式以及杨氏不等式,由(18)可以得到如下不等式:
接着,设计另一个用于抵消时滞项的李雅普诺夫函数,如下式:
其中ρi是一个恒大于fi(·)的有界函数;
将两个李雅普诺夫函数相加,形成新的李雅普诺夫函数如下:
步骤4:利用改进RBF神经网络拟合非线性函数;
式(21)中的未知非线性函数可以如下表示:
为了保证李雅普诺夫函数的导数小于零,可以设计权值更新矩阵如下:
其中υi>0是常数;
步骤5:对自适应RBF神经网络的核函数初始化;
设计自适应RBF神经网络的核函数如下:
步骤6:设计编队控制器;
为了使式(21)李雅普诺夫函数的导数小于零,控制器设计如下:
2.根据权利要求1所述的一种基于自适应RBF神经网络的四旋翼无人机编队控制方法,其特征在于:在四旋翼无人机的状态空间模型带有时滞的情况下,通过设计一个李雅普诺夫函数用于抵消无人机状态方程中的时滞项。
3.根据权利要求1所述的一种基于自适应RBF神经网络的四旋翼无人机编队控制方法,其特征在于:在四旋翼无人机的状态空间模型带有未知非线性函数的情况下,能够通过自适应的RBF神经网络对未知非线性函数进行实时识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325915.4A CN109683626B (zh) | 2018-11-08 | 2018-11-08 | 一种基于自适应rbf神经网络的四旋翼无人机编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325915.4A CN109683626B (zh) | 2018-11-08 | 2018-11-08 | 一种基于自适应rbf神经网络的四旋翼无人机编队控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109683626A CN109683626A (zh) | 2019-04-26 |
CN109683626B true CN109683626B (zh) | 2022-03-15 |
Family
ID=66184631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811325915.4A Active CN109683626B (zh) | 2018-11-08 | 2018-11-08 | 一种基于自适应rbf神经网络的四旋翼无人机编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109683626B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377049B (zh) * | 2019-06-29 | 2022-05-17 | 天津大学 | 基于脑-机接口的无人机集群编队队形重构控制方法 |
CN111123971B (zh) * | 2019-12-02 | 2022-08-16 | 中国电子科技集团公司第二十八研究所 | 一种基于多智能体在有界陌生地域编队部署的方法 |
CN110928189B (zh) * | 2019-12-10 | 2022-04-29 | 中山大学 | 一种基于强化学习和李雅普诺夫函数的鲁棒控制方法 |
CN111240365A (zh) * | 2020-03-12 | 2020-06-05 | 北京航空航天大学 | 带有指定性能的无人机编队自适应执行器故障补偿方法 |
CN112083719B (zh) * | 2020-08-19 | 2022-04-01 | 东北大学秦皇岛分校 | 一种基于预设性能函数的有限时间车队控制方法 |
CN112256054B (zh) * | 2020-10-09 | 2022-03-29 | 北京邮电大学 | 一种无人机轨迹规划方法及装置 |
CN112925346A (zh) * | 2021-01-28 | 2021-06-08 | 广东工业大学 | 基于人在回路的高层消防多无人机容错控制方法及系统 |
CN114237297B (zh) * | 2021-12-21 | 2023-04-14 | 电子科技大学 | 一种基于神经网络训练学习的无人机群飞行控制方法 |
CN115453888B (zh) * | 2022-10-10 | 2024-07-05 | 黄山学院 | 基于等效输入扰动观测器的多移动机器人编队控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138010A (zh) * | 2015-08-31 | 2015-12-09 | 哈尔滨工业大学 | 一种编队卫星分布式有限时间跟踪控制方法 |
CN107728642A (zh) * | 2017-10-30 | 2018-02-23 | 北京博鹰通航科技有限公司 | 一种无人机飞行控制系统及其方法 |
CN108200175A (zh) * | 2018-01-04 | 2018-06-22 | 浙江大学 | 基于协同云控制的多无人船编队协同控制系统及方法 |
CN108549210A (zh) * | 2018-04-19 | 2018-09-18 | 东华大学 | 基于bp神经网络pid控制的多无人机协同飞行方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10360352B2 (en) * | 2012-10-02 | 2019-07-23 | Banjo, Inc. | System and method for event-based vehicle operation |
US10488510B2 (en) * | 2017-02-02 | 2019-11-26 | Leah La Salla | Predictive probable cause system and unmanned vehicles using the same |
-
2018
- 2018-11-08 CN CN201811325915.4A patent/CN109683626B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138010A (zh) * | 2015-08-31 | 2015-12-09 | 哈尔滨工业大学 | 一种编队卫星分布式有限时间跟踪控制方法 |
CN107728642A (zh) * | 2017-10-30 | 2018-02-23 | 北京博鹰通航科技有限公司 | 一种无人机飞行控制系统及其方法 |
CN108200175A (zh) * | 2018-01-04 | 2018-06-22 | 浙江大学 | 基于协同云控制的多无人船编队协同控制系统及方法 |
CN108549210A (zh) * | 2018-04-19 | 2018-09-18 | 东华大学 | 基于bp神经网络pid控制的多无人机协同飞行方法 |
Non-Patent Citations (2)
Title |
---|
Multi-agent consensus with a time-varying reference state in directed network with switching topology and time-delay;Hui Yu等;《 2009 International Conference on Wavelet Analysis and Pattern Recognition》;20090715;第476-481页 * |
Sliding Mode Control for Electromagnetic Satellite;Kefei Lian等;《 2016 Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC)》;20160723;第532-535页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109683626A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109683626B (zh) | 一种基于自适应rbf神经网络的四旋翼无人机编队控制方法 | |
Zhang et al. | Collision avoidance in fixed-wing UAV formation flight based on a consensus control algorithm | |
Wang et al. | Adaptive dynamic surface control for cooperative path following of marine surface vehicles with input saturation | |
Peng et al. | Robust adaptive formation control of underactuated autonomous surface vehicles with uncertain dynamics | |
Lungu | Auto-landing of UAVs with variable centre of mass using the backstepping and dynamic inversion control | |
Zhao et al. | Integrating vector field approach and input-to-state stability curved path following for unmanned aerial vehicles | |
CN108388270A (zh) | 面向安全域的集群无人机轨迹姿态协同控制方法 | |
Kayacan et al. | Learning Control of Fixed‐Wing Unmanned Aerial Vehicles Using Fuzzy Neural Networks | |
Yu et al. | Physics-based learning for aircraft dynamics simulation | |
Shin et al. | Model predictive flight control using adaptive support vector regression | |
Zhang et al. | Finite-time formation control for unmanned aerial vehicle swarm system with time-delay and input saturation | |
Ali et al. | A Leader‐Follower Formation Control of Multi‐UAVs via an Adaptive Hybrid Controller | |
Tran et al. | Hybrid adaptive negative imaginary-neural-fuzzy control with model identification for a quadrotor | |
Bhatia et al. | Robust adaptive preview control design for autonomous carrier landing of F/A-18 aircraft | |
Barghi et al. | On the finite horizon Nash equilibrium solution in the differential game approach to formation control | |
Muslimov et al. | UAV formation flight using non-uniform vector field and fuzzy self-tuning PD-control | |
Chen et al. | Leader-Follower UAV formation flight control based on feature modelling | |
Lavín-Delgado et al. | Controlling a quadrotor UAV by means of a fractional nested saturation control | |
Ou et al. | Dynamic Obstacle Avoidance of Fixed-wing Aircraft in Final Phase via Reinforcement Learning | |
Emaletdinova et al. | Methods of constructing the neural network models of regulators for controlling a dynamic object with smooth monotonous behavior | |
CN110162084A (zh) | 基于一致性理论的飞航导弹集群系统编队控制方法 | |
Bhandari et al. | Nonlinear control of uavs using multi-layer perceptrons with off-line and on-line learning | |
Lou et al. | Multi-UAV optimal formation control via actor-critic reinforcement learning algorithm | |
Zhang et al. | AI-based Adaptive Nonlinear MPC for Quadrotors | |
Zhang et al. | The collision avoidance control algorithm of the UAV formation flight |
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 |