CN110109357B - 针对非标准型非线性航空器的半全局自适应控制方法 - Google Patents
针对非标准型非线性航空器的半全局自适应控制方法 Download PDFInfo
- Publication number
- CN110109357B CN110109357B CN201910406256.5A CN201910406256A CN110109357B CN 110109357 B CN110109357 B CN 110109357B CN 201910406256 A CN201910406256 A CN 201910406256A CN 110109357 B CN110109357 B CN 110109357B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- fuzzy
- adaptive
- model
- dynamics
- 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
Images
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
- G05B13/042—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种针对非标准型非线性航空器的半全局自适应控制方法。其包括如下步骤:1)给出了刚性航空器纵向动力学系统模型;2)确定稳定操作点并获得航空器系统的局部线性化系统模型,利用T‑S模糊智能逼近技术建立T‑S模糊智能航空器动力学模型;3)对T‑S模糊智能航空器动力学模型进行动态重构,推导出T‑S模糊智能航空器系统的基于相对阶的标准型;4)设计有效的自适应控制器,实现被控系统的理想性能:闭环稳定和渐近输出跟踪。
Description
技术领域
本发明涉及一种针对非标准型非线性航空器的半全局自适应控制方法,属于刚性航空器纵向动力学系统的自适应控制领域。
背景技术
由于大操作范围,外部环境变化和系统故障的影响,航空器系统通常具有大参数或结构不确定性。自适应控制作为航空器系统的一个重要问题已得到广泛研究,取得了重要进展。
现有的航空器飞行控制方法主要局限于局部线性化航空器系统或标准型的非线性系统。例如,文献“Multivariable adaptive algorithms for reconfigurable flightcontrol”中,研究了F/A-18C/D航空器的局部线性化模型的模型参考自适应控制问题。然而,使用局部线性化航空器系统模型的这种控制方法可以用于控制小邻域上相应操作点的航空器系统,通常不能用于更大的操作范围,这是这种控制方法的主要限制。
事实上,实际的航空器系统一般是非标准型的,具有大的参数或结构不确定性。以一种刚性航空器动力学模型举例说明:
其中m是航空器的质量,go是重力加速度,u,v,w是质心速度的体轴分量,X,Y,Z是关于质心的体轴气动力,L,M,N是围绕质心的体轴气动扭矩,Ii是体轴的惯性,T是推力,κ是推力与体轴x之间的角度,φ,θ,ψ是航空器机身体轴相对于水平面的侧倾角,欧拉俯仰角和偏航角,而p,q,r是相应的侧倾率,俯仰率和偏航率。对于这样的模型,可以在每个操作点导出其线性化系统模型,线性化动态系统矩阵A具有以下结构:
从A的参数和结构可知,A具有不确定参数aij,而且航空器系统模型是高度非线性的并且是非标准型的。特别是,由于装置的复杂性和其他问题(大的操作范围,外部环境变化,系统故障等)的影响,此类系统的动态函数是不可参数化的。智能逼近技术已经成功地用于处理控制航空器系统的不可参数化不确定性。然而,现有方法主要集中在标准型的航空器系统上,并且不能扩展用于控制非标准型的航空器系统。
发明内容
本发明目的是提供了一种针对非标准型非线性航空器的半全局自适应控制方法。
本发明为实现上述目的,通过以下技术方案实现:
一种针对非标准型非线性航空器的半全局自适应控制方法,包括如下步骤:
1)给出刚性航空器纵向动力学系统模型,线性化矩阵如下:
其中u,ω,q和θ分别是前进速度即x轴方向速度,竖直速度即z轴方向速度,俯仰角速率即y轴方向速率和俯仰角速度即y轴方向速度,Xu,Xω,分别是相对于u,ω,δe正向的气动力偏导数,Zu,Zω,分别是相对于u,ω,δe垂直方向的气动力偏导数,Mu,Mω,Mq,分别是相对于u,ω,q,δe的俯仰方向气动力矩的偏导数,Uo,Wo,θo分别是参考前进速度、参考垂直速度和参考俯仰角,δe表示升降舵面位置,作为航空器系统输入信号;对于航空器飞行控制,选择状态变量的线性组合作为系统输出,即
y=C[u,ω,q,θ]T
其中,C∈R1×4为未知常数矩阵;注意Xu,Xω,Zu,Zω,Mu,Mω,Mq,M通常包含系统状态变量,且具有复杂的信号耦合;本发明中,提出利用T-S模糊智能逼近技术解决航空器系统存在的大范围不确定性,由于本发明是非标准型的,利用T-S模糊智能逼近技术建模的航空器系统也是非标准型的,这仍然不是自适应控制设计所期望的;因此需要进行动态重构,具体如下:
1)确定稳定操作点并获得航空器系统的局部线性化系统模型,利用T-S模糊智能逼近技术建立T-S模糊智能航空器动力学模型;
2)对T-S模糊智能航空器动力学模型进行动态重构,推导出T-S模糊智能航空器系统的基于相对阶的标准型;
3)设计有效的自适应控制器,实现被控系统的理想性能:闭环稳定和渐近输出跟踪。
所述针对非标准型非线性航空器的半全局自适应控制方法优选方案,非线性航空器系统建立T-S模糊智能航空器动力学模型具体包括如下步骤
1)基于标准的T-S模糊智能建模程序,构造模糊逻辑规则,选择u,ω和θ作为先验变量,则模糊逻辑规则定义为:
2)结合模糊逻辑规则,推导出一个半全局T-S模糊智能逼近模型:
所述针对非标准型非线性航空器的半全局自适应控制方法优选方案,利用反馈线性化技术对T-S模糊智能航空器系统进行动态重构,推导出T-S模糊智能航空器系统的基于相对阶的标准型,结果如下:
其中Rρ(x)和Gρ(x)是状态x的光滑函数q(ξ,η)是ξ和η的光滑函数,特别的,
所述针对非标准型非线性航空器的半全局自适应控制方法优选方案,相对阶ρ为1的航空器系统的自适应控制
①参数化模型推导出跟踪动力学的参数化模型
ω1=ω1(t)=[μ1xT,μ2xT,...,μNxT]T∈RnN
ω2=ω2(t)=[μ1,μ2,...,μN]T∈RN
②自适应控制器结构自适应控制器设计为如下形式:
③跟踪误差方程定义跟踪误差e(t)=y(t)-ym(t),将自适应控制器带入系统模型中,得到跟踪误差方程:
④参数更新律从自适应控制器结构可得,如果自适应控制器将是奇异的,这对于控制是不利的,因此,引入参数投影来修改参数自适应以避免控制器奇异问题,对于参数投影,做出以下假设:CBi,i=1,2,...,N的符号是已知的,并且存在已知的常数参数区域使得其中和与CBi,i=1,2,...,N具有相同的符号,
在该假设下,开发了k1(t)和k2(t)的参数更新定律为:
其中Γi={γi1,γi2,...,γiN}>0,γij>0,i=1,2,j=1,...,N是自适应增益,对于参数投影,选择初始估计为对于f(t)=[f1(t),...,fN(t)]T,投影函数分量设置为
所述针对非标准型非线性航空器的半全局自适应控制方法优选方案,相对阶为2的航空器系统的自适应控制
①参数化模型当系统相对阶为2时,将Ai,Bi,C和CAi标记为
则系统输出动态表示为参数化模型如下:
其中θi *是未知参数向量,由形式为(CAiAj)T的9个基本向量组成,由形式为CAiBj的9个基本元素组成,由形式为的27个基本元素组成,由形式为的144个基本元素组成,ωi是已知的回归矢量,其中ω1由形式为μiμjx的9个基本向量组成,ω2由形式为μiμjδe的9个基本元素组成,ω3由形式为的576个基本元素组成,ω4由形式为的144个基本元素组成,i,j,p=1,2,3;k,l,q=1,2,3,4;
②自适应控制器基于参数化模型(19),设计自适应控制器为:
其中αi,i=1,2,是设计参数,满足s2+α1s+α2是稳定多项式,是G2的估计,是已知向量并且由形式为μiμj,i,j=1,2,3和的153个元素组成,是未知参数向量的估计值,θ5是未知参数向量的估计值,ω5=[μ1xT,μ1xT,μ3xT]T;
③跟踪误差方程将自适应控制器代入输出动态的参数化模型,得到以下跟踪误差方程:
其中σ(t)=θT(t)ζ(t)-Wm(s)[θTω](t),ζ(t)=Wm(s)[ω](t).
④参数更新律选择自适应参数更新律为:
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明方法将操作范围从局部扩展到任何大的闭集,利用局部线性化航空器系统模型和T-S模糊智能逼近技术,为非标准非线性航空器系统开发了一种新的自适应控制方案,开发的自适应控制器可以确保T-S模糊智能逼近航空器系统的闭环稳定性和渐近输出跟踪性能。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1是本发明非标准型非线性航空器的半全局自适应控制方法的结构框图。
图2案例(i)的系统控制输入u,输出y和常值参考输出ym的响应曲线。
图3案例(i)的参数自适应响应曲线。
图4案例(ii)的装置控制输入u,输出y,时变参考输出ym的响应曲线。
图5案例(ii)的参数自适应响应曲线。
具体实施方式
正如背景技术所介绍的,现有技术中航空器系统模型是高度非线性的并且是非标准型的。特别是,由于装置的复杂性和其他问题(大的操作范围,外部环境变化,系统故障等)的影响,此类系统的动态函数是不可参数化的。智能逼近技术已经成功地用于处理控制航空器系统的不可参数化不确定性。然而,现有方法主要集中在标准型的航空器系统上,并且不能扩展用于控制非标准型的航空器系统。
为了解决上述问题,本发明提供了一种针对非标准型非线性航空器的半全局自适应控制方法,包括如下步骤:
1)确定稳定操作点并获得航空器系统的局部线性化系统模型,利用T-S模糊智能逼近技术建立T-S模糊智能航空器动力学模型;
2)对T-S模糊智能航空器动力学模型进行动态重构,推导出T-S模糊智能航空器系统的基于相对阶的标准型;
3)设计有效的自适应控制器,实现被控系统的理想性能:闭环稳定和渐近输出跟踪。
进一步地,非标准型非线性航空器建立T-S模糊智能航空器动力学模型包括如下步骤
1)基于标准的T-S模糊智能建模程序,构造模糊逻辑规则,选择u,ω和θ作为先验变量,则模糊逻辑规则定义为:
2)结合模糊逻辑规则,推导出一个半全局T-S模糊智能逼近模型:
实施例
下面结合一组线性化的波音737纵向动力学模型及附图来演示所提出的控制方法,对本发明做进一步详细说明。
本实施例中半全局自适应控制方法,包括如下步骤:
1.非标准非线性航空器系统的T-S模糊智能建模
1)局部线性化航空器系统模型,使用三个局部线性化的波音737纵向动力学模型,涵盖了航空器攀爬,巡航和下降的三个模态;
在爬升的情况下,线性化矩阵是
在下降的情况下,线性化矩阵是
在巡航的情况下,线性化矩阵是
对于此仿真中的每个操作点(爬升、巡航、下降),系统输出矩阵选择为
C=[0,1,0,0]
2)T-S模糊智能逼近航空器系统:基于给出的T-S模糊建模程序,建立了T-S模糊智能逼近航空器系统
2.T-S模糊智能航空器的动态重构
1)相对阶:从局部线性化模型可得,CB1=-0.52028,CB2=-0.52021,CB3=-0.54579,得出结论为T-S模糊智能逼近航空器系统的相对阶为1;
2)标准型推导:由于T-S模糊智能逼近航空器系统具有相对阶1,因此存在微分同胚变换T(x)=[ξT,ηT]T,其中ξ=Cx,使得T-S模糊智能系统可以转换成两个子系统:跟踪动力学和内部动力学,跟踪动力学是
eig(A1)=-0.9210+1.8806i,-0.9210-1.8806i,-0.0007+0.0834i,-0.0007-0.0834i
eig(A2)=-0.9185+1.8789i,-0.9185-1.8789i,-0.0039+0.0939i,-0.0039-0.0939i
eig(A3)=-0.7242+1.9444i,-0.7242-1.9444i,-0.0031+0.1038i,-0.0031-0.1038i
可以看到Ai都是稳定的矩阵,基于这一观察,结合航空器系统和T-S模糊系统建模特性以及微分同态转换不会改变系统稳定性的事实,得出系统内部动态满足有界输入有界输出稳定;
3.自适应控制器结构
为实现T-S模糊智能航空器系统的理想性能,选择自适应控制器为:
其中k1是
4.仿真结果
根据参数更新定律并将初始估计k1(0)和k2(0)设置为和的标称值的百分之八十,使用两种情况来验证所提出的控制设计方法:(i)跟踪恒定参考信号ym=28ft/s;(ii)跟踪时变参考信号ym(t)=28+sin(0.1t)ft/s。
对于情况(i),图2表示系统输入信号δe和输出信号y对恒定参考输出信号ym的响应曲线。图3表示k1(t)中的部分参数和k2(t)中的所有参数的响应曲线。
对于(ii)情况,图4表示输入信号δe(t)和输出信号y对时变参考输出信号ym的响应曲线。图5表示k1(t)中的部分参数和k2(t)中的所有参数的响应曲线。
如图2和图4所示,两种情况的输出信号y均渐近地跟踪参考输出信号ym。在图3和图5中,参数估计收敛到某些常数值,仿真结果证实了控制算法的有效性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种针对非标准型非线性航空器的半全局自适应控制方法,其特征在于:包括如下步骤:
1)确定稳定操作点并获得航空器系统的局部线性化系统模型,利用T-S模糊智能逼近技术建立T-S模糊智能航空器动力学模型,所述航空器系统的局部线性化系统模型包括航空器攀爬,巡航和下降的三个模态,其中:
在爬升的情况下,线性化矩阵是:
在下降的情况下,线性化矩阵是:
在巡航的情况下,线性化矩阵是:
对于每个操作点,系统输出矩阵选择为:
C=[0,1,0,0];
所述T-S模糊智能航空器动力学模型包括:
2)对T-S模糊智能航空器动力学模型进行动态重构,推导出T-S模糊智能航空器系统的基于相对阶的标准型,所述T-S模糊智能航空器系统的基于相对阶的标准型包括跟踪动力学和内部动力学,所述跟踪动力学为:
eig(A1)=-0.9210+1.8806i,-0.9210-1.8806i,-0.0007+0.0834i,-0.0007-0.0834i
eig(A2)=-0.9185+1.8789i,-0.9185-1.8789i,-0.0039+0.0939i,-0.0039-0.0939i
eig(A3)=-0.7242+1.9444i,-0.7242-1.9444i,-0.0031+0.1038i,-0.0031-0.1038i;
3)设计有效的自适应控制器,实现被控系统的理想性能:闭环稳定和渐近输出跟踪。
2.根据权利要求1所述针对非标准型非线性航空器的半全局自适应控制方法,其特征在于:非标准型非线性航空器建立T-S模糊智能航空器动力学模型包括如下步骤
1)基于标准的T-S模糊智能建模程序,构造模糊逻辑规则,选择u,ω和θ作为先验变量,则模糊逻辑规则定义为:
R:如果则y=Cx,i=1,2,...,N,其中分别是u,ω,θ的模糊区间,是基于稳定操作点处的值(xoi,δeoi),i=1,2,...,N而确定的,并且存在隶属度函数来量化中的先验变量,选为高斯函数:
2)结合模糊逻辑规则,推导出一个半全局T-S模糊智能逼近模型:
4.权利要求3所述的针对非标准型非线性航空器的半全局自适应控制方法,其特征在于:相对阶ρ为1的航空器系统的自适应控制
①参数化模型推导出跟踪动力学的参数化模型
ω1=[μ1xT,μ2xT,...,μNxT]T∈RnN
ω2=[μ1,μ2,...,μN]T∈RN
②自适应控制器结构自适应控制器设计为如下形式:
③跟踪误差方程定义跟踪误差e(t)=y(t)-ym(t),将自适应控制器带入系统模型中,得到跟踪误差方程:
④参数更新律从自适应控制器结构可得,如果自适应控制器将是奇异的,这对于控制是不利的,因此,引入参数投影来修改参数自适应以避免控制器奇异问题,对于参数投影设计,做出以下假设:CBi,i=1,2,...,N的符号是已知的,并且存在已知的常数参数区域使得其中和与CBi,i=1,2,...,N具有相同的符号,在该假设下,开发了k1(t)和k2(t)的参数更新定律为:
其中,Γi={γi1,γi2,...,γiN}>0,γij>0,i=1,2,j=1,...,N是自适应增益。对于参数投影,选择初始估计为对于f(t)=[f1(t),...,fN(t)]T,投影函数分量设置为:
5.权利要求3所述的针对非标准型非线性航空器的半全局自适应控制方法,其特征在于:相对阶为2的航空器系统的自适应控制:
①参数化模型当系统相对阶为2时,将Ai,Bi,C和CAi标记为:
则系统输出动态表示为参数化模型如下:
其中是未知参数向量,由形式为(CAiAj)T的9个基本向量组成,由形式为CAiBj的9个基本元素组成,由形式为的27个基本元素组成,由形式为的144个基本元素组成;ωi是已知的回归矢量,其中ω1由形式为μiμjx的9个基本向量组成,ω2由形式为μiμjδe的9个基本元素组成,ω3由形式为的576个基本元素组成,ω4由形式为的144个基本元素组成,i,j,p=1,2,3;k,l,q=1,2,3,4;
②自适应控制器基于参数化模型(19),设计自适应控制器为:
其中αi,i=1,2,是设计参数,满足s2+α1s+α2是稳定多项式,是G2的估计,是已知向量并且由形式为μiμj,i,j=1,2,3和l,k=1,2,3,4的153个元素组成,是未知参数向量的估计值,θ5是未知参数向量的估计值,ω5=[μ1xT,μ1xT,μ3xT]T;
③跟踪误差方程将自适应控制器代入输出动态的参数化模型,得到以下跟踪误差方程:
∈(t)=e(t)-σ(t)
其中σ(t)=θT(t)ζ(t)-Wm(s)[θTω](t),ζ(t)=Wm(s)[ω](t);
④参数更新律选择自适应参数更新律为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910406256.5A CN110109357B (zh) | 2019-05-15 | 2019-05-15 | 针对非标准型非线性航空器的半全局自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910406256.5A CN110109357B (zh) | 2019-05-15 | 2019-05-15 | 针对非标准型非线性航空器的半全局自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109357A CN110109357A (zh) | 2019-08-09 |
CN110109357B true CN110109357B (zh) | 2022-02-18 |
Family
ID=67490236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910406256.5A Active CN110109357B (zh) | 2019-05-15 | 2019-05-15 | 针对非标准型非线性航空器的半全局自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109357B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147896B (zh) * | 2020-09-28 | 2021-09-03 | 中国科学院数学与系统科学研究院 | 一种非标准型mimo离散非线性系统的自适应控制方法及系统 |
CN112506045B (zh) * | 2020-09-28 | 2022-04-01 | 中国科学院数学与系统科学研究院 | 非标准型离散时间非线性系统的自适应控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354104A (zh) * | 2005-09-19 | 2012-02-15 | 克利夫兰州立大学 | 控制器、观测器及其应用 |
CN104483835A (zh) * | 2014-11-06 | 2015-04-01 | 中国运载火箭技术研究院 | 一种基于t-s模糊模型的柔性航天器多目标综合控制方法 |
CN108333944A (zh) * | 2018-02-27 | 2018-07-27 | 北京控制工程研究所 | 基于框架角自适应调整的cmg操纵方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101355975B1 (ko) * | 2010-10-19 | 2014-01-29 | 한국전자통신연구원 | 스케일러블 위성방송의 적응적 재생장치 및 방법 |
CN102411735A (zh) * | 2011-09-09 | 2012-04-11 | 河海大学常州校区 | 可重构装配系统重构规划方案评价方法 |
-
2019
- 2019-05-15 CN CN201910406256.5A patent/CN110109357B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354104A (zh) * | 2005-09-19 | 2012-02-15 | 克利夫兰州立大学 | 控制器、观测器及其应用 |
CN104483835A (zh) * | 2014-11-06 | 2015-04-01 | 中国运载火箭技术研究院 | 一种基于t-s模糊模型的柔性航天器多目标综合控制方法 |
CN108333944A (zh) * | 2018-02-27 | 2018-07-27 | 北京控制工程研究所 | 基于框架角自适应调整的cmg操纵方法及系统 |
Non-Patent Citations (1)
Title |
---|
非标准型非线性系统的自适应逼近控制技术;张言军;《万方学位论文数据库》;20190408;第1-7、33-53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110109357A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Path following of a surface vessel with prescribed performance in the presence of input saturation and external disturbances | |
Sun et al. | Fixed-time sliding mode disturbance observer-based nonsmooth backstepping control for hypersonic vehicles | |
Bu et al. | A prescribed performance control approach guaranteeing small overshoot for air-breathing hypersonic vehicles via neural approximation | |
Ramirez-Rodriguez et al. | Robust backstepping control based on integral sliding modes for tracking of quadrotors | |
Tee et al. | Adaptive neural network control for helicopters in vertical flight | |
Alothman et al. | Using iterative LQR to control two quadrotors transporting a cable-suspended load | |
Wu et al. | Adaptive terminal sliding mode control for hypersonic flight vehicles with strictly lower convex function based nonlinear disturbance observer | |
Yan et al. | Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control | |
Eliker et al. | Practical finite time adaptive robust flight control system for quad-copter UAVs | |
CN111650832B (zh) | 一种水下多足步行机器人机械足姿态跟踪控制方法 | |
Sendi et al. | Robust fuzzy tracking control of flexible spacecraft via a T–S fuzzy model | |
CN107203138B (zh) | 一种输入输出饱和的飞行器鲁棒控制方法 | |
CN113031446A (zh) | 不确定时滞非线性系统非奇异性神经自适应跟踪控制方法 | |
An et al. | Differentiator based full-envelope adaptive control of air-breathing hypersonic vehicles | |
Ma et al. | A fuzzy model predictive control based upon adaptive neural network disturbance observer for a constrained hypersonic vehicle | |
CN110109357B (zh) | 针对非标准型非线性航空器的半全局自适应控制方法 | |
CN114047773A (zh) | 一种基于扩张状态观测器的水下集矿机器人反步滑模自适应姿态控制方法 | |
Ye et al. | Anti-windup robust backstepping control for an underactuated reusable launch vehicle | |
Lakshmikanth et al. | Adaptive flight-control design using neural-network-aided optimal nonlinear dynamic inversion | |
Joukhadar et al. | Advanced UAVs nonlinear control systems and applications | |
Wang et al. | Intelligent control of air-breathing hypersonic vehicles subject to path and angle-of-attack constraints | |
Prach et al. | Development of a state dependent riccati equation based tracking flight controller for an unmanned aircraft | |
Yu et al. | Reduced-complexity active disturbance rejection controller for quadrotor-slung-load transportation | |
Cai et al. | Model predictive controller for quadcopter trajectory tracking based on feedback linearization | |
Ansari et al. | Quadrotor motion control using adaptive generalized dynamic inversion |
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 |