CN110347036B - 基于模糊滑模控制的无人机自主抗风智能控制方法 - Google Patents
基于模糊滑模控制的无人机自主抗风智能控制方法 Download PDFInfo
- Publication number
- CN110347036B CN110347036B CN201811155131.1A CN201811155131A CN110347036B CN 110347036 B CN110347036 B CN 110347036B CN 201811155131 A CN201811155131 A CN 201811155131A CN 110347036 B CN110347036 B CN 110347036B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- sliding mode
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000013459 approach Methods 0.000 claims abstract description 4
- 238000013461 design Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000001258 synovial membrane Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 40
- 238000004088 simulation Methods 0.000 abstract description 9
- 230000004044 response Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了基于模糊滑模控制的无人机自主抗风智能控制方法,属于飞行器地面仿真领域。本发明智能控制方法为:建立引入风速因子的无人机动力学公式;滑模变结构控制器的设计:通过设计一个滑动模态面s,以误差e和误差变化率为滑模面的变量,由李雅普诺夫定理验证滑模面的收敛性,保证无人机状态变量收敛到目标处;采用RBF神经网络对无人机模型中的近似项实现逼近;将角度θ、角速度作为神经网络的输入,并实时调整神经网络权值函数;通过模糊控制降低滑膜控制器的抖振。本发明利用神经网络的学习能力,实现对无人机模型中的近似项的动态跟踪,提高了准确性;针对控制器中的抖振现象,引入模糊控制提高了符号函数系数的线性化程度,提升了稳定性。
Description
技术领域
本发明涉及基于模糊滑模控制的无人机自主抗风智能控制方法,属于飞行器地面仿真领域。
背景技术
论文“四旋翼无人机仿真控制系统设计”(电光与控制,江杰、冯旭光、苏建彬,201502)中提出了一种在飞行器模型解耦的四个通道上分别设计PID控制器的方法实现飞行器的稳定控制。该方法在准LPV(Linear Parameter Varying)法的基础上,对无人机强耦合非线性模型进行了改进和简化,对模型进行线性化处理,根据稳定边界法设计PID控制器,经仿真实验验证可以有效的提高无人机悬停时的稳定性和抗大风干扰能力,虽然实现了控制无人机悬停的目的,但无人机的非线性动力学模型被简化为线性模型,且未考虑风速对无人机的影响,模型过于理想化,实际应用中抗干扰能力差,不利于工程实现。
论文“四旋翼无人机设计与滑模控制仿真”(现代电子技术,尤元、李闻先,20150801)中提出的滑模变结构控制器,虽然可直接应用于无人机的非线性模型,但无法实现对外界扰动的估计,控制器设计存在一定误差,且滑模变结构控制器存在抖阵现象,影响了控制器的稳定性。论文针对无人机控制系统复杂、鲁棒性差的缺点,提出了滑模变结构的控制方法。该方法利用滑模变结构控制器对于非线性系统具有很好的应用的优点,实现了针对无人机非线性模型的控制器设计,提高了控制系统的鲁棒性。经仿真实验验证,有效的提高了无人机控制系统的响应速度、鲁棒性和抗风能力。
基于此,考虑到风速对无人机的影响,本专利提出了具有风速因子的无人机动力学模型,将风速对无人机的扰动并入模型中,并将神经网络与模糊滑模变结构控制器的优点相结合。利用滑模变结构控制器可直接应用于非线性模型、鲁棒性强的优点,针对无人机非线性模型设计控制器;利用RBF(Radical Basis Function)神经网络的学习能力,设计合适的神经网络模型,实现对无人机模型中的近似项的动态跟踪,提高了控制器的准确性;针对控制器中的抖振现象,引入模糊控制实时调整滑模控制器中的符号函数系数,提高了符号函数系数的线性化程度,降低了抖振,提升了控制器的稳定性。
发明内容
本发明的目的是为了解决上述现有技术存在的问题,进而提供一种基于模糊滑模控制的无人机自主抗风智能控制方法。
本发明的目的是通过以下技术方案实现的:
一种基于模糊滑模控制的无人机自主抗风智能控制方法,所述基于模糊滑模控制的无人机自主抗风智能控制方法包括:
第一步:建立引入风速因子的无人机动力学公式;
第三步:采用RBF神经网络对无人机模型中的近似项实现逼近;
第五步:通过模糊控制降低滑膜控制器的抖振。
本发明基于模糊滑模控制的无人机自主抗风智能控制方法,所述建立引入风速因子的无人机动力学公式具体步骤为:
由牛顿第二定律和无人机的力矩方程:
得到引入扰动风速的无人机位移和姿态角的二阶微分方程:
其中,m为无人机的质量,Fi(i=1,2,3)为无人机三个方向的受力,I为惯性矩,Ki(i=1,2,3)为空气阻力系数,φ,θ,ψ分别为与x,y,z轴对应的姿态角,vi(i=x,y,z)为无人机x,y,z方向的风速。Ωr为残余转速,Jr为旋翼转动惯量,l为机体重心到旋翼轴心的距离,C为一正常数,ΔMi(i=φ,θ,ψ)分别为三个姿态角在强风作用下产生的扰动力矩,ui(i=1,2,3,4)为系统的控制输入。
本发明基于模糊滑模控制的无人机自主抗风智能控制方法,所述滑模变结构控制器设计的具体步骤为:
以滑模面s3设计为例说明:
由李雅普诺夫定理可知滑模面s3收敛,无人机的状态变量可随时间变化收敛到目标处。联立上式(2)(3)(4)求解,得到控制器u3的表达式:
取极点为-2,-3,-4,由|λiI-A|=0,并令c7=1求得滑模控制器各系数如下:
本发明基于模糊滑模控制的无人机自主抗风智能控制方法,所述神经网络的具体算法为:
yout=w1h1+…+wnhn=whT (12)
本发明基于模糊滑模控制的无人机自主抗风智能控制方法,所述模糊控制的具体操作为:由滑模面的收敛定理入手,采用三角形隶属度函数,面积重心法反模糊化,将作为模糊控制的输入,模糊控制的输出为符号函数的系数,使符号函数的系数变为连续函数。
本发明基于模糊滑模控制的无人机自主抗风智能控制方法,在无人机动力学模型中引入了风速因子和扰动力矩,使无人机的模型更加精确化,并利用RBF神经网络的学习能力和全局逼近性,实现对无人机模型中的近似项自适应跟踪,提高了控制器的准确性,针对滑模控制器中的抖振现象,引入模糊控制,对控制器中的符号函数进行实时校正,线性化程度大大提高,大幅度降低了控制器中的抖振,提高了实际中的应用能力。
附图说明
图1为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的神经网络逼近曲线。
图2为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的模糊输入隶属度函数。
图3为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的模糊输出隶属度函数。
图4为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的无人机轨迹响应曲线。
图5为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的控制器响应曲线。
具体实施方式
下面将结合附图对本发明做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式,但本发明的保护范围不限于下述实施例。
实施例一:本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法,智能控制方法包括:
第一步:建立引入风速因子的无人机动力学公式;
第三步:采用RBF神经网络对无人机模型中的近似项实现逼近;
第五步:通过模糊控制降低滑膜控制器的抖振。
近年来,无人机的抗风能力得到广泛研究。无人机的扰动主要由风速及其产生的扰动力矩所导致,为了设计抗强风的无人机控制器,由力学理论基础,本专利首先提出了引入风速因子和扰动力矩的无人机非线性模型。本专利提出的无人机控制器是结合了神经网络、滑模变结构和模糊控制三种控制方法的优点设计的四旋翼无人机控制器。
实施例二:本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法,所述建立引入风速因子的无人机动力学公式具体步骤为:
由牛顿第二定律和无人机的力矩方程:
得到引入扰动风速的无人机位移和姿态角的二阶微分方程:
其中,m为无人机的质量,Fi(i=1,2,3)为无人机三个方向的受力,I为惯性矩,Ki(i=1,2,3)为空气阻力系数,φ,θ,ψ分别为与x,y,z轴对应的姿态角,vi(i=x,y,z)为无人机x,y,z方向的风速。Ωr为残余转速,Jr为旋翼转动惯量,l为机体重心到旋翼轴心的距离,C为一正常数,ΔMi(i=φ,θ,ψ)分别为三个姿态角在强风作用下产生的扰动力矩,ui(i=1,2,3,4)为系统的控制输入。
建立了引入风速因子的无人机动力学公式,有利于实现对无人机飞行姿态更加精确的控制。
实施例三:本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法,所述滑模变结构控制器设计的具体步骤为:
以滑模面s3设计为例说明:
由李雅普诺夫定理可知滑模面s3收敛,无人机的状态变量可随时间变化收敛到目标处。联立上式(2)(3)(4)求解,得到控制器u3的表达式:
取极点为-2,-3,-4,由|λiI-A|=0,并令c7=1求得滑模控制器各系数如下:
滑模变结构控制器设计简单、鲁棒性高,具有较强的抗外界干扰能力,特别适用于无人机这种强耦合、欠驱动的抗强风控制系统设计。
实施例四:本实施例所涉及的一种基于模糊滑模控制的无人机自主抗风智能控制方法,所述神经网络的具体算法为:
yout=w1h1+…+wnhn=whT (12)
考虑到无人机模型中近似项的不确定性,利用神经网络的学习能力,对无人机模型中近似项实现逼近,保证所设计控制器的准确性。本专利提出采用RBF(Radical BasisFunction)神经网络对无人机模型中近似项实现逼近,RBF神经网络具有全局逼近性、无局部最小值、输出和连接权值为线性关系以及较快的收敛速度等优点。
实施例五:如图2-5所示,本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法,所述模糊控制的具体操作为:由滑模面的收敛定理入手,采用三角形隶属度函数,面积重心法反模糊化,将作为模糊控制的输入,模糊控制的输出为符号函数的系数,使符号函数的系数变为连续函数。
考虑到在设计滑模面时,为了保证李雅普诺夫稳定性,在滑模面的趋近律中,引入了符号函数,由于符号函数非连续性、实际系统的响应不完全符合理想情况、控制输入存在延迟、无人机本身的惯性等因素,因此在实际情况下,无人机的状态变量难以保证完全收敛于滑模面,而是在滑模面上下穿梭,导致滑模控制器存在抖振现象,为了保证控制器的稳定性,引入模糊控制降低抖振。由滑模面的收敛定理入手,采用三角形隶属度函数,面积重心法反模糊化,将作为模糊控制的输入,模糊控制的输出为符号函数的系数,使符号函数的系数变为连续函数。模糊输入输出隶属度函数分别如图2、3所示,无人机悬停点设为[x y z]=[1.52.510],仿真时间为10秒,图4为无人机轨迹响应曲线,图5为控制器u3响应曲线。
由图4可以看出,本专利所设计的滑模控制器相比于PID控制器,无人机能提前2秒左右到达悬停点,有更快的响应速度。图5上半图中纯滑模控制器u3的响应曲线,下半部分为模糊控制与滑模相结合的控制器u3的响应曲线,通过对比可以看出,加入模糊控制使得滑模面s3中符号函数系数连续化后,大幅度降低了控制器中的抖振,提升了控制器的稳定性。
实施例六:如图1所示,本实施例所涉及的一种基于模糊滑模控制的无人机自主抗风智能控制方法,进一步对实施例一进行说明,滑模面s3的不定项扰动主要由风速导致角速度变化所引起,故将作为神经网络的输入,为保证神经网络逼近无人机模型中近似项的精确性,神经网络权值函数需要实时调整,故对神经网络权值函数设计自适应律,其中γ为自适应律中的权值,设计神经网络的中心向量值、基函数、权值函数以及权函数的自适应律如下所示,图1为仿真结果。
图1中d3曲线为给定扰动曲线,appromimstion d3曲线为神经网络输出曲线,由仿真图可以看出本专利所设计的神经网络模型根据自适应律调整权值函数后,可逐步实现对无人机模型中的近似项的逼近,曲线基本实现拟合,故可用神经网络逼近函数替代原控制器中的函数d3,提高控制器的实际应用能力,控制器u3改进为:
以上所述,仅为本发明较佳的具体实施方式,这些具体实施方式都是基于本发明整体构思下的不同实现方式,而且本发明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揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (1)
1.基于模糊滑模控制的无人机自主抗风智能控制方法,其特征在于,所述基于模糊滑模控制的无人机自主抗风智能控制方法包括:
第一步:建立引入风速因子的无人机动力学公式;
第三步:采用RBF神经网络对无人机模型中的近似项实现逼近;
第五步:通过模糊控制降低滑膜控制器的抖振;
建立引入风速因子的无人机动力学公式具体步骤为:
由牛顿第二定律和无人机的力矩方程:
得到引入扰动风速的无人机位移和姿态角的二阶微分方程:
其中,m为无人机的质量,F1、F2、F3为无人机三个方向的受力,I为惯性矩,k1、k2、k3为空气阻力系数,φ,θ,ψ分别为与x,y,z轴对应的姿态角,vx、vy、vz为无人机x,y,z方向的风速;Ωr为残余转速,Jr为旋翼转动惯量,l为机体重心到旋翼轴心的距离,C为一正常数,ΔMφ、ΔMθ、ΔMψ分别为三个姿态角在强风作用下产生的扰动力矩,u1、u2、u3、u4为系统的控制输入;
滑模变结构控制器设计的具体步骤为:
以滑模面s3设计为例说明:
由李雅普诺夫定理可知滑模面s3收敛,无人机的状态变量可随时间变化收敛到目标处;联立上式(2)(3)(4)求解,得到控制器u3的表达式:
其中d3为扰动;
|λiI-A|=0中的λi的取值为所设计的三个极点值-2,-3,-4,并令c7=1求得滑模控制器各系数如下:
神经网络的具体算法为:
yout=w1h1+…+wnhn=whT (12)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811155131.1A CN110347036B (zh) | 2018-09-30 | 2018-09-30 | 基于模糊滑模控制的无人机自主抗风智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811155131.1A CN110347036B (zh) | 2018-09-30 | 2018-09-30 | 基于模糊滑模控制的无人机自主抗风智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110347036A CN110347036A (zh) | 2019-10-18 |
CN110347036B true CN110347036B (zh) | 2022-12-23 |
Family
ID=68173846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811155131.1A Active CN110347036B (zh) | 2018-09-30 | 2018-09-30 | 基于模糊滑模控制的无人机自主抗风智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347036B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904728B (zh) * | 2021-01-21 | 2023-08-11 | 青岛大学 | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 |
CN114779628B (zh) * | 2022-03-16 | 2024-05-24 | 哈尔滨工业大学 | 基于rbf和多模态切换机制的自抗扰运动控制方法 |
CN114564047B (zh) * | 2022-04-28 | 2022-08-16 | 北京航空航天大学 | 一种考虑气象条件的无人机等速飞行控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419596A (zh) * | 2011-11-20 | 2012-04-18 | 北京航空航天大学 | 一种基于矢量域的小型无人机风场抗扰自适应控制方法 |
CN105607473A (zh) * | 2015-11-20 | 2016-05-25 | 天津大学 | 小型无人直升机的姿态误差快速收敛自适应控制方法 |
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 |
CN108445766A (zh) * | 2018-05-15 | 2018-08-24 | 山东大学 | 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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444368A (zh) * | 2015-11-18 | 2017-02-22 | 南京航空航天大学 | 具有输入非线性的近空间飞行器预设性能姿态跟踪控制方法 |
CN105488296A (zh) * | 2015-12-15 | 2016-04-13 | 中国电子科技集团公司信息科学研究院 | 一种考虑风场扰动的无人机建模方法 |
CN106452242B (zh) * | 2016-07-27 | 2019-02-05 | 浙江工业大学 | 基于串并联估计模型的永磁同步电机混沌模糊控制方法 |
CN107368088B (zh) * | 2017-07-11 | 2019-12-03 | 浙江工业大学 | 一种基于误差指数型函数的四旋翼飞行器非线性滑模位姿控制方法 |
CN107491081B (zh) * | 2017-07-12 | 2020-10-27 | 西北工业大学 | 一种抗干扰四旋翼无人机姿态控制方法 |
-
2018
- 2018-09-30 CN CN201811155131.1A patent/CN110347036B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419596A (zh) * | 2011-11-20 | 2012-04-18 | 北京航空航天大学 | 一种基于矢量域的小型无人机风场抗扰自适应控制方法 |
CN105607473A (zh) * | 2015-11-20 | 2016-05-25 | 天津大学 | 小型无人直升机的姿态误差快速收敛自适应控制方法 |
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 |
CN108445766A (zh) * | 2018-05-15 | 2018-08-24 | 山东大学 | 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 |
Non-Patent Citations (2)
Title |
---|
Periodic Behaviors for Discrete-Time;Tao Yang.etc;《 IEEE Transactions on Circuits and Systems II: Express Briefs 》;20160218;第63卷(第7期);第663-667页 * |
弹性飞翼无人机自适应反步终端滑模姿态控制;冯引安等;《华 中 科 技 大 学 学 报(自 然 科 学 版)》;20180331;第46卷(第6期);第42-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110347036A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189087B (zh) | 一种垂直起降重复使用运载器的自适应容错控制方法 | |
Shen et al. | Prescribed performance dynamic surface control for trajectory tracking of quadrotor UAV with uncertainties and input constraints | |
CN110347170B (zh) | 可重复使用运载器再入段鲁棒容错制导控制系统及工作方法 | |
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 | |
CN110347036B (zh) | 基于模糊滑模控制的无人机自主抗风智能控制方法 | |
CN111290421A (zh) | 一种考虑输入饱和的高超声速飞行器姿态控制方法 | |
CN111367182A (zh) | 考虑输入受限的高超声速飞行器抗干扰反步控制方法 | |
CN110488875B (zh) | 基于动态逆的无人机跟踪目标初始段航向误差修正方法 | |
CN106200665A (zh) | 携带不确定负载的四轴飞行器的建模与自适应控制方法 | |
CN111831002B (zh) | 一种基于预设性能的超高声速飞行器姿态控制方法 | |
CN109164708B (zh) | 一种高超声速飞行器神经网络自适应容错控制方法 | |
CN111665855A (zh) | 一种机器人预设性编队控制方法 | |
CN112631316B (zh) | 变负载四旋翼无人机的有限时间控制方法 | |
CN107817818B (zh) | 一种模型不确定飞艇航迹跟踪有限时间控制方法 | |
CN113867374A (zh) | 基于滑模控制的四旋翼无人机参数预测和扰动的自适应轨迹跟踪控制器及其设计方法 | |
Sun et al. | Flight quality characteristics and observer-based anti-windup finite-time terminal sliding mode attitude control of aileron-free full-wing configuration UAV | |
Akbar et al. | Adaptive modified super-twisting control for a quadrotor helicopter with a nonlinear sliding surface | |
CN108459611B (zh) | 一种近空间飞行器的姿态跟踪控制方法 | |
Ma et al. | Disturbance observer-based inverse optimal tracking control of the unmanned aerial helicopter | |
CN116560232A (zh) | 基于rbf神经网络的变体飞行器自适应反演控制方法 | |
CN116225043A (zh) | 一种基于干扰观测器的四旋翼无人机预定性能控制方法 | |
Ma et al. | Finite-time trajectory tracking control of quadrotor UAV via adaptive RBF neural network with lumped uncertainties | |
CN112835372B (zh) | 四旋翼无人机的固定时间控制方法 | |
Wang et al. | Performance-Guaranteed Neuroadaptive Docking Control for UAV Aerial Recovery Under Carrier Maneuvering Flight | |
Shen et al. | Backstepping sliding mode RBF network adaptive control for quadrotor UAV |
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 |