CN111857171B - 一种基于质量自适应多层神经网络的无人机控制方法 - Google Patents
一种基于质量自适应多层神经网络的无人机控制方法 Download PDFInfo
- Publication number
- CN111857171B CN111857171B CN202010753738.0A CN202010753738A CN111857171B CN 111857171 B CN111857171 B CN 111857171B CN 202010753738 A CN202010753738 A CN 202010753738A CN 111857171 B CN111857171 B CN 111857171B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- coordinate system
- controller
- quality
- 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
- 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
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Abstract
本发明提供了一种基于质量自适应多层神经网络的无人机控制方法,包括如下步骤:获取无人机自身的飞行实时运行数据;建立无人机动力学模型,并通过无人机动力学模型和地面坐标系RG以及无人机机体坐标系RU之间的坐标变换得到无人机系统的状态方程;根据状态方程,设计基于质量自适应多层神经网络控制器,并设计关于输出控制量的基于质量自适应多层神经网络的姿态角控制器、高度控制器和位置控制器;求解无人机输出控制量;将求解得到的控制量,传递给无人机电机调速器,以控制无人机运动。本发明可快速、准确、实时地求解出无人机所需的控制量,且具有强大的稳定性和抗干扰能力,能够估计质量的变化并实现稳定控制。
Description
技术领域
本发明属于无人机的飞行控制领域,特别涉及一种基于质量自适应多层神经网络的无人机控制方法。
背景技术
无人机可应用于多种领域(如军事、农业、监视任务和探雷等),近年来引起了许多研究人员和工程师的关注。在各种不同结构的无人机中,多旋翼无人机具有飞行性强、垂直起降、稳定悬停等诸多优点。但是,无人机不仅是一种结构简单、飞行性能强的飞行器,也是一种非线性和耦合性较强的低速系统。伴随着无人无人机的广泛应用,如何设计出具有较强抗干扰特性的稳定控制器,解决欠动、非线性和耦合性问题,成为无人机控制器设计的关键点。此外,在无人机控制任务中存在两种控制目标:(1)无人机保持在一个期望的极限姿态(即方向和位置);(2)无人机沿一个轨道飞行,并有一个预期的目标姿态。第一种情况要求无人机的控制器应具有较强的稳态响应。第二种情况主要是设计无人机的控制器,用于跟踪时变轨迹,动态响应较快。实际上,解决上述两种情况的控制器需要具有良好的稳定性、快速收敛速度、低过冲和较强的鲁棒性。一些传统的控制方法,如基于比例积分差分(PID)的控制方法,可以很好地解决第一种情况,但相应的PID控制器不能跟踪运动(时变)对象,不能处理一些复杂的控制任务。因此,需要设计性能更加良好的控制器。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于质量自适应多层神经网络的无人机控制方法,根据神经动力学方法设计的多层神经网络控制器可用于实现无人机的时变跟踪控制,可以实现无人机的快速响应,同时,为处理参数不确定性问题,采用自适应控制方法,将质量自适应控制融入到基于神经动力学的多层神经网络控制器,更好地执行多种不确定环境下的时变跟踪控制任务。
本发明目的通过如下技术方案实现。
一种基于质量自适应多层神经网络的无人机控制方法,包括如下步骤:
通过机载的传感器获取无人机自身的飞行实时运行数据;
根据无人机物理参数的估计值,建立无人机动力学模型,并通过无人机动力学模型和地面坐标系RG以及无人机机体坐标系RU之间的坐标变换得到无人机系统的状态方程;
根据所述状态方程,设计基于质量自适应多层神经网络控制器,并设计关于输出控制量的基于质量自适应多层神经网络的姿态角控制器、高度控制器和位置控制器;
利用所述无人机自身的飞行实时运行数据,通过所述质量自适应多层神经网络控制器求解无人机输出控制量;
将所述无人机输出控制量,传递给无人机电机调速器,以控制无人机运动。
进一步地,所述通过机载的传感器获取无人机自身的飞行实时运行数据,具体包括:
通过机载的陀螺仪以及加速度计获取无人机的实时姿态数据俯仰角θ、偏航角φ以及横滚角ψ,
通过机载的高度传感器以及位置传感器获取无人机在三维空间中的位置数据x、y和z。
进一步地,所述根据无人机物理参数的估计值,建立无人机动力学模型,并通过无人机动力学模型和地面坐标系RG以及无人机机体坐标系RU之间的坐标变换得到无人机系统的状态方程,具体包括:
首先,建立地面坐标系RG以及无人机机体坐标系RU,其中地面坐标系和机体坐标系之间存在以下转换关系:RU=KRG,转换关系中,K为地面坐标系以及机体坐标系之间的旋转变换矩阵,可以表示为
其中,θ为俯仰角,φ为偏航角,ψ为横滚角;缩写SP和Cp分别代表sin(p)和cos(p),缩写Sθ和Cθ分别代表sin(θ)和cos(θ),缩写Sψ和Cψ分别代表sin(ψ)和cos(ψ),
其次,在速度层有如下关系:
其中v和s是对应于地面坐标系RG以及无人机机体坐标系RU的线性速度向量,x、y和z是地面坐标系RG中无人机的位置变量,vX、vY、vZ是对应于地面坐标系RG的x、y、z三个轴上的速度变量,sX、sY、sZ是无人机机体坐标系RU中的x、y、z三个轴上的速度变量;
假设无人机低速飞行,地面坐标系RG和无人机机体坐标系RU之间的角速度变换矩阵可忽略,则地面坐标系RG的角速度向量ω可写为:
再次,忽略无人机所受空气阻力作用,针对无人机系统可以建立无人机动力学模型:
其中,由于无人机的真实质量不确定,无人机质量估计值为 是v对时间的导数,J为无人机的转动惯量矩阵,由无人机惯性矩Jx,Jy和Jz组成,而F=KT[0 0 FZ]T为无人机电机输出合力的轴向分力矢量,G=[0 0 mg]T为重力的轴向分力矢量,m表述无人机的真实质量,g表示无人机的重力加速度,T=[lFφ lFθ Tψ]T为无人机转动力矩矢量,Fφ和Fθ是偏航角φ和俯仰角θ的旋转力,Tψ是横滚角ψ的旋转扭矩,无人机的电机臂长度定义为l;
其中,
u1:=FZ,u2:Fφ,u3:=Fθ,u4:=Tψ.
式中,N1、N3、N5分别是地面坐标系RG中无人机的位置变量x、y、z,N2、N4、N6是x、y、z对时间的导数,N7、N9、N11分别是地面坐标系RG中无人机的偏航角φ、俯仰角θ以及横滚角ψ的角度变量,N8、N10、N12是地面坐标系RG中无人机的偏航角φ、俯仰角θ以及横滚角ψ的对时间的导数,分别是N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12对时间的一阶导数,分别是sinN11、sinN7、cosN11、cosN7、cosN9,是含有无人机质量估计值的无人机控制系统参数,aθ、aφ、aψ、βφ、βθ、βψ是为简化形式而设定的参数,无特殊物理意义,控制量由无人机电机的输出推力以及合成转矩构成,u1为无人机垂直上升方向上的合力,u2为偏航角方向合力,u3为俯仰角方向合力,u4为横滚角方向的合成转矩。
进一步地,所述根据所述状态方程,利用神经动力学设计方法,设计基于质量自适应多层神经网络控制器,具体包括:
无人机每一个状态子系统都能够表述为一个二阶系统,为设计无人机控制器,考虑如下二阶系统:
其中,N1为位置层的状态量,N2为速度层的状态量,如果偏差函数e1=N1-N1T满足
可得
进一步地,所述姿态角控制器为:
其中,
式中,是控制量u2、u3、u4对时间的导数,bφ、bθ、bψ是为简化形式而设定的参数,无特殊物理意义,是参数bφ、bθ、bψ对时间的导数,N7T、N8T、N9T、N10T、N11T、N12T是N7、N8、N9、N10、N11、N12的目标值,是目标值N7T、N8T、N9T、N10T、N11T、N12T对时间的导数;
进一步地,所述高度控制器为:
其中,
进一步地,所述位置控制器通过以下步骤设计得到:
首先,将状态方程(2)的位置部分重新写成
其中,
选择uX和uY作为状态方程(13)的输入值,根据基于质量自适应多层神经网络控制器(8),可得以下具有质量自适应多层神经网络的位置控制器:
其中
其次,通过逆解法求解方程(14),有
其中,uX、uY通过方程(15)和(16)解出;
式中,bX、bY是为简化形式而设定的参数,无特殊物理意义,分别是参数bX、bY对时间的导数,N1T、N2T、N3T、N4T分别是N1、N2、N3、N4的目标值,分别是目标值N2T、N4T对时间的导数。
进一步地,所述基于质量自适应多层神经网络控制器的自调整率为:
与现有技术相比,本发明能够实现的有益效果至少如下:
本控制方法中的质量自适应多层神经网络控制器,使用κm可获得较快的无人机质量收敛速度,引入具有不同γ的自适应控制器的自适应质量估计可快速、准确、实时地求解出无人机所需的控制量,且具有强大的稳定性和抗干扰能力,能够估计质量的变化并实现稳定控制,控制器控制下的无人机系统能够有效地实现轨迹跟踪任务。所跟踪的李萨如图验证了所提出的质量自适应多层神经网络控制器能够克服参数不确定性问题,有效、稳定、可靠地控制无人机跟踪时变轨迹。所设计的质量自适应多层神经网络控制器具有质量自适应的控制效果。
附图说明
图1为本发明实施例的无人机的控制方法流程图。
图2为本发明的多旋翼无人机结构侧视图。
图3为本发明的多旋翼无人机结构俯视图。
图4为本发明的多旋翼无人机结构三维视图。
图5为多旋翼无人机机体坐标系图。
图6为质量自适应多层神经网络控制器的轨迹跟踪性能仿真图。
具体实施方式
下面结合附图对本发明做进一步的说明。
图2,图3以及图4所示的机构为多旋翼无人机中的一种旋翼无人机结构。该结构为六旋翼无人机机构模型,该机构模型由多旋翼无人机螺旋桨1、无刷电机2、旋翼臂3与机身4组成,此种无人机机构模型是现有技术,在此对其具体的连接关系以及工作原理不做赘述。其中六个电机的输出合力以及合成旋转转矩构成多旋翼无人机的控制量u1~u4。而本发明的控制设计在于通过所设计的质量自适应多层神经网络控制器求解无人机的控制量,从而控制无人机飞行,实现无人机的稳定控制。其中,图3和图4中的旋转箭头方向指示电机的旋转方向,而图示旋转方向顺时针与逆时针组合目的为实现电机转矩的相互抵消,实现稳定的转向控制。
图1为本实施例提供的一种基于质量自适应多层神经网络的无人机控制方法,通过图示步骤能够实现对无人机的控制。包括如下步骤:
步骤1、通过机载的传感器获取无人机自身的飞行实时运行数据;
步骤2、根据无人机物理参数的估计值,建立无人机动力学模型,并通过无人机动力学模型和地面坐标系RG以及无人机机体坐标系RU之间的坐标变换得到无人机系统的状态方程;
步骤3、根据所述状态方程,利用神经动力学设计方法,设计基于质量自适应多层神经网络控制器,并设计关于输出控制量的基于质量自适应多层神经网络的姿态角控制器、高度控制器和位置控制器;
步骤4、利用所述无人机自身的飞行实时运行数据,通过所述质量自适应多层神经网络控制器求解无人机输出控制量;
步骤5、将所述无人机输出控制量,经过动力学分配,传递给无人机电机调速器,以控制无人机运动。所述动力学分配指将求解得到4个控制量根据无人机机械结构以及电机数目,分配到每个电机上,计算需要多大的转速。
图5所示为多旋翼无人机所在的机体坐标系示意图。根据机体坐标系做出如下定义:
(1)、按照顺时针方向定义六旋翼无人机六个电机分别为①号到⑥号;
(2)、X轴沿①号旋翼臂方向,通过机体重心指向无人机前进方向;
(3)、Y轴沿②、③号旋翼臂的对称轴方向,通过机体重心指向无人机右侧运动方向;
(4)、Z轴垂直于六旋翼平面向上,通过机体重心指向无人机爬升方向;
(5)、俯仰角θ为机体X轴与大地水平面间所夹角度,设定向下为正;
(6)、横滚角ψ为机体Z轴与过机体X轴的大地竖直平面之间的夹角,飞机向右时为正;
(6)、偏航角φ为机体X轴在大地水平面上的投影与大地坐标系中X轴之间所夹角度,机头向左为正。
根据流程图的相关步骤,针对本发明进行详细的算法解析。首先,通过上述无人机姿态变量的定义,本发明利用四元素算法以及卡尔曼滤波算法,可以实现利用多旋翼无人机上搭载的姿态传感器如陀螺仪与加速度计等,获取无人机的实时姿态数据θ,φ以及ψ,利用高度传感器以及位置传感器获取无人机在三维空间中的位置数据x,y和z。以上即为通过机载的传感器获取无人机自身的飞行实时运行数据。
基于前面的物理模型分析过程,根据不同旋翼飞行器模型以及根据无人机物理参数的估计值,建立针对该飞行器的物理模型等式以及动力学方程,可以通过如下飞行器动力学建模步骤完成动力学分析:
首先,建立地面坐标系RG以及无人机机体坐标系RU,其中地面坐标系和机体坐标系之间存在以下关系:RU=KRG,转换关系中,K为地面坐标系以及机体坐标系之间的旋转变换矩阵,可以表示为
其中,θ为俯仰角,φ为偏航角,ψ为横滚角;缩写Sp和Cp代表sin(p)和cos(p),缩写Sθ和Cθ分别代表sin(θ)和cos(θ),缩写Sψ和Cψ分别代表sin(ψ)和cos(ψ)。
其次,在速度层有如下关系:
其中v和s是对应于地面坐标系RG以及无人机机体坐标系RU的线性速度向量。x、y和z是地面坐标系RG中无人机的位置变量。vX、vY、vZ是对应于地面坐标系RG的x、y、z三个轴上的速度变量,sX、sY、sZ是无人机机体坐标系RU中的x、y、z三个轴上的速度变量;
假设无人机低速飞行,地面坐标系RG和无人机机体坐标系RU之间的角速度变换矩阵可忽略,则地面坐标系RG的角速度向量ω可写为:
其中,ωφ、ωθ、ωψ是地面坐标系RG的角速度向量ω中关于偏航角φ、俯仰角θ以及横滚角ψ的角速度。
再次,忽略无人机所受空气阻力作用,针对无人机系统可以建立无人机动力学模型:
其中,由于无人机的真实质量不确定,无人机质量估计值为 是v对时间的导数,J为无人机的转动惯量矩阵,由无人机惯性矩Jx,Jy和Jz组成,而F=KT[0 0 FZ]T为无人机电机输出合力的轴向分力矢量,G=[0 0 mg]T为重力的轴向分力矢量,m表示无人机的真实质量,g表示无人机的重力加速度,T=[lFφ lFθ Tψ]T为无人机转动力矩矢量;Fφ和Fθ是偏航角φ和俯仰角θ的旋转力;Tψ是横滚角ψ的旋转扭矩;无人机的电机臂长度定义为l。
其中,
u1:=FZ,u2:=Fφ,u3:=Fθ,u4:=Tψ.
式中,N1、N3、N5分别是地面坐标系RG中无人机的位置变量x、y、z,N2、N4、N6是x、y、z对时间的导数,N7、N9、N11分别是地面坐标系RG中无人机的偏航角φ、俯仰角θ以及横滚角ψ的角度变量,N8、N10、N12是地面坐标系RG中无人机的偏航角φ、俯仰角θ以及横滚角ψ的对时间的导数,分别是N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12对时间的一阶导数,分别是sinN11、sinN7、cosN11、cosN7、cosN9,是含有无人机质量估计值的无人机控制系统参数,aθ、aφ、aψ、βφ、βθ、βψ是为简化形式而设定的参数,无特殊物理意义,控制量由无人机电机的输出推力以及合成转矩构成,u1为无人机垂直上升方向上的合力,u2为偏航角方向合力,u3为俯仰角方向合力,u4为横滚角方向的合成转矩。
具体而言,步骤3中,根据步骤2所述状态方程,利用神经动力学设计方法,设计多层神经网络控制器和关于输出控制量u1~u4的基于质量自适应多层神经网络的姿态角控制器、高度控制器、位置控制器;再根据所设计的关于输出控制量u1~u4的基于质量自适应多层神经网络的姿态角控制器、高度控制器、位置控制器,针对具有不确定质量参数m的无人机模型,设计质量自适应多层神经网络控制器的自调整率。
其中,所述根据所述状态方程,利用神经动力学设计方法,设计基于质量自适应多层神经网络控制器,具体包括:
根据无人机系统的状态方程,无人机每一个状态子系统都能够表述为一个二阶系统,为设计无人机控制器,考虑如下二阶系统:
其中,N1为位置层的状态量,N2为速度层的状态量。如果偏差函数e1=N1-N1T满足
可得
其中,所述设计关于输出控制量u1~u4的基于质量自适应多层神经网络的姿态角控制器、高度控制器、位置控制器,步骤具体包括:
1)设计姿态角控制器:状态方程(2)的姿态角度φ、θ和ψ的二阶子系统均满足控制器的设计要求。基于多层神经网络控制器(8),无人机的姿态角控制器为
其中,
式中,是控制量u2、u3、u4对时间的导数,bφ、bθ、bψ是为简化形式而设定的参数,无特殊物理意义,是参数bφ、bθ、bψ对时间的导数,N7T、N8T、N9T、N10T、N11T、N12T是N7、N8、N9、N10、N11、N12的目标值,是目标值N7T、N8T、N9T、N10T、N11T、N12T对时间的导数;
2)设计高度控制器:考虑状态方程(2)的高度控制部分,将控制值u1用作二阶子系统的输入值。同样,基于多层神经网络控制器(8),得到以下基于质量自适应多层神经网络的高度控制器,即:
其中,
3)设计位置控制器:位置x和y可以通过俯仰角θ,偏航角φ来控制,设计以下基于质量自适应多层神经网络的位置控制器,步骤具体包括:
首先,状态方程(2)的位置部分被重新写成
其中,
uX、uY是为简化形式而设定的参数,无特殊物理意义;选择uX和uY作为状态方程(13)的输入值。基于多层神经网络控制器(8),可得以下具有质量自适应位置控制器
其中
其次,通过逆解法求解方程(14),有
因此,最终的位置控制器为
其中,uX、uY能在方程(15)和(16)中被解出。
式中,bX、bY是为简化形式而设定的参数,无特殊物理意义,分别是参数bX、bY对时间的导数,N1T、N2T、N3T、N4T分别是N1、N2、N3、N4的目标值,分别是目标值N2T、N4T对时间的导数。
其中,所述根据设计的关于输出控制量u1~u4的基于质量自适应多层神经网络的姿态角控制器、高度控制器、位置控制器,针对具有不确定质量参数m的无人机模型,设计控制器的自调整率,具体包括:
x、y、z的控制器都含有质量参数m,但高度控制器与姿态角相互影响较小,用于设计质量参数的自适应控制比较合适。定义为未知的真实质量和估计质量之间的偏差和定义含有质量估计值的高度控制器的偏差函数为其中是偏差函数的理论解(即)。由得 同理有可得控制量u1的偏差 结合可得根据关于偏差函数的定义可有偏差函数和偏差函数 为N5与目标值N5T的差值,为对时间的一阶导数,为N6与目标值N6T的差值,为对时间的一阶导数,为控制量u1的偏差对时间的一阶导数。
所设计的控制器的自调整率为:
其中,κm和δ为可调整的常量参数,eZ1为偏差函数。
正定李雅普诺夫函数Vm的时间导数为:
将(19)代入(21),得
即李雅普诺夫函数Vm的时间导数负定。采用具有自调整率(19)的质量自适应的神经网络高度控制器(12),将收敛于目标值无人机质量估计值将收敛到真实值m,无人机系统的状态变量N5、N6将收敛到目标值N5T、N6T。
图6显示了本实施例提供的无人机的质量自适应多层神经网络控制器跟踪图(Lissajous-Figure)的性能仿真图。
上述基于质量自适应多层神经网络的姿态角控制器、高度控制器和位置控制器可以解决无人机控制的关于质量的不确定性问题,所设计的质量自适应多层神经网络控制器具有质量自适应效果。根据上述质量自适应多层神经网络控制器求解出的控制量u1~u4,针对不同飞行器的结构以及电机数目,经过动力学分配,传递给无人机电机调速器,完成电机控制量分配以及电机控制。本发明基于质量自适应多层神经网络控制器,可快速、准确、实时地求解出无人机所需的控制量,且具有强大的稳定性和抗干扰能力,能够估计质量的变化并实现稳定控制,控制器控制下的无人机系统能够有效地实现轨迹跟踪任务。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于质量自适应多层神经网络的无人机控制方法,其特征在于,包括如下步骤:
通过机载的传感器获取无人机自身的飞行实时运行数据;
根据无人机物理参数的估计值,建立无人机动力学模型,并通过无人机动力学模型和地面坐标系RG以及无人机机体坐标系RU之间的坐标变换得到无人机系统的状态方程;
根据所述状态方程,设计基于质量自适应多层神经网络控制器,并设计关于输出控制量的基于质量自适应多层神经网络的姿态角控制器、高度控制器和位置控制器;
利用所述无人机自身的飞行实时运行数据,通过所述质量自适应多层神经网络控制器求解无人机输出控制量;
将求解得到的所述控制量,传递给无人机电机调速器,以控制无人机运动;
其中,所述基于质量自适应多层神经网络控制器的自调整率为:
2.根据权利要求1所述的一种基于质量自适应多层神经网络的无人机控制方法,其特征在于,所述通过机载的传感器获取无人机自身的飞行实时运行数据,具体包括:
通过机载的陀螺仪以及加速度计获取无人机的实时姿态数据俯仰角θ、偏航角φ以及横滚角ψ,通过机载的高度传感器以及位置传感器获取无人机在三维空间中的位置数据x、y和z。
3.根据权利要求1所述的一种基于质量自适应多层神经网络的无人机控制方法,其特征在于,所述根据无人机物理参数的估计值,建立无人机动力学模型,并通过无人机动力学模型和地面坐标系RG以及无人机机体坐标系RU之间的坐标变换得到无人机系统的状态方程,具体包括:
首先,建立地面坐标系RG以及无人机机体坐标系RU,其中地面坐标系RG和机体坐标系RU之间存在以下转换关系:RU=KRG,转换关系中,K为地面坐标系RG以及机体坐标系RU之间的旋转变换矩阵,可以表示为
其中,θ为俯仰角,φ为偏航角,ψ为横滚角;缩写Sp和Cp分别代表sin(p)和cos(p),缩写Sθ和Cθ分别代表sin(θ)和cos(θ),缩写Sψ和Cψ分别代表sin(ψ)和cos(ψ),
其次,在速度层有如下关系:
其中v和s分别是对应于地面坐标系RG以及无人机机体坐标系RU的线性速度向量,x、y和z是地面坐标系RG中无人机的位置变量,vX、vY、vZ是对应于地面坐标系RG的x、y、z三个轴上的速度变量,sX、sY、sZ是无人机机体坐标系RU中的x、y、z三个轴上的速度变量;
假设无人机低速飞行,地面坐标系RG和无人机机体坐标系RU之间的角速度变换矩阵可忽略,则地面坐标系RG的角速度向量ω可写为:
其中,ωφ、ωθ、ωψ是地面坐标系RG的角速度向量ω中关于偏航角Φ、俯仰角θ以及横滚角ψ的角速度;
再次,忽略无人机所受空气阻力作用,针对无人机系统可以建立所述无人机动力学模型:
其中,由于无人机的真实质量不确定,无人机质量估计值为是υ对时间的导数,J为无人机的转动惯量矩阵,由无人机惯性矩Jx,Jy和Jz组成,而F=KT[0 0 FZ]T为无人机电机输出合力的轴向分力矢量,FZ为无人机电机输出合力在机体坐标系上z轴的轴向分力,G=[00 mg]T为重力的轴向分力矢量,m表示无人机的真实质量,g表示无人机的重力加速度,T=[lFφ lFθ Tψ]T为无人机转动力矩矢量,Fφ和Fθ是偏航角φ和俯仰角θ的旋转力,Tψ是横滚角ψ的旋转扭矩,无人机的电机臂长度定义为l;
其中,
u1:=FZ,u2:=Fφ,u3:=Fθ,u4:=Tψ
式中,N1、N3、N5分别是地面坐标系RG中无人机的位置变量x、y、z,N2、N4、N6是x、y、z对时间的导数,N7、N9、N11分别是地面坐标系RG中无人机的偏航角φ、俯仰角θ以及横滚角ψ的角度变量,N8、N10、N12是地面坐标系RG中无人机的偏航角φ、俯仰角θ以及横滚角ψ的对时间的导数,分别是N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12对时间的一阶导数,分别是sin N11、sin N7、cos N11、cos N7、cos N9,是含有无人机质量估计值的无人机控制系统参数,aθ、aφ、aψ、βφ、βθ、βψ是为简化形式而设定的参数,无特殊物理意义,控制量由无人机电机的输出推力以及合成转矩构成,u1为无人机垂直上升方向上的合力,u2为偏航角方向合力,u3为俯仰角方向合力,u4为横滚角方向的合成转矩。
4.根据权利要求3所述的一种基于质量自适应多层神经网络的无人机控制方法,其特征在于,所述根据状态方程,设计基于质量自适应多层神经网络控制器,具体包括:
无人机每一个状态子系统都能够表述为一个二阶系统,为设计无人机控制器,考虑如下二阶系统:
其中,N1为位置层的状态量,N2为速度层的状态量,a、β是无人机控制系统参数,如果偏差函数e1=N1-N1T满足
可得
7.根据权利要求4所述的一种基于质量自适应多层神经网络的无人机控制方法,其特征在于,所述位置控制器通过以下步骤设计得到:
首先,将状态方程(2)的位置部分重新写成
其中,
上式中,uX、uY是为简化形式而设定的参数,无特殊物理意义;
选择uX和uY作为状态方程(13)的输入值,根据基于质量自适应多层神经网络控制器(8),可得以下具有质量自适应多层神经网络的位置控制器:
其中
其次,通过逆解法求解方程(14),有
其中,uX、uY通过方程(15)和(16)解出;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753738.0A CN111857171B (zh) | 2020-07-30 | 2020-07-30 | 一种基于质量自适应多层神经网络的无人机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753738.0A CN111857171B (zh) | 2020-07-30 | 2020-07-30 | 一种基于质量自适应多层神经网络的无人机控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111857171A CN111857171A (zh) | 2020-10-30 |
CN111857171B true CN111857171B (zh) | 2021-09-21 |
Family
ID=72945173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010753738.0A Active CN111857171B (zh) | 2020-07-30 | 2020-07-30 | 一种基于质量自适应多层神经网络的无人机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111857171B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049215B (zh) * | 2021-03-17 | 2022-02-22 | 北京航空航天大学 | 一种旋翼无人机位置抗气流干扰能力量化评估与测试系统 |
CN113359440B (zh) * | 2021-05-24 | 2023-06-20 | 华南理工大学 | 基于多层积分神经动力学的多旋翼无人机控制器设计方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101329199B1 (ko) * | 2011-12-26 | 2013-11-14 | 한국항공우주산업 주식회사 | 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치 |
CN103365296B (zh) * | 2013-06-29 | 2015-12-09 | 天津大学 | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 |
CN103809598B (zh) * | 2014-03-12 | 2016-08-10 | 北京航空航天大学 | 一种基于三层品字形多色降落坪的旋翼无人机自主起降系统 |
CN106155076B (zh) * | 2016-08-23 | 2019-04-09 | 华南理工大学 | 一种多旋翼无人飞行器的稳定飞行控制方法 |
CN107247464B (zh) * | 2017-06-23 | 2019-07-09 | 中国科学院声学研究所 | 一种四旋翼无人飞行器的状态受限控制方法和系统 |
CN107368091B (zh) * | 2017-08-02 | 2019-08-20 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
CN107957730B (zh) * | 2017-11-01 | 2020-02-18 | 华南理工大学 | 一种无人飞行器稳定飞行控制方法 |
CN108638068B (zh) * | 2018-05-18 | 2020-11-24 | 华南理工大学 | 一种携带冗余度机械臂的飞行机器人控制系统设计方法 |
CN108942924B (zh) * | 2018-06-25 | 2021-07-13 | 南京理工大学 | 基于多层神经网络的模型不确定性机械臂运动控制方法 |
-
2020
- 2020-07-30 CN CN202010753738.0A patent/CN111857171B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111857171A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957730B (zh) | 一种无人飞行器稳定飞行控制方法 | |
CN111766899B (zh) | 一种基于干扰观测器的四旋翼无人机集群抗干扰编队控制方法 | |
Zuo et al. | Augmented L 1 adaptive tracking control of quad-rotor unmanned aircrafts | |
Sabatino | Quadrotor control: modeling, nonlinearcontrol design, and simulation | |
Omari et al. | Nonlinear control of VTOL UAVs incorporating flapping dynamics | |
Bouadi et al. | Sliding mode control based on backstepping approach for an UAV type-quadrotor | |
Madani et al. | Backstepping control for a quadrotor helicopter | |
Voos | Nonlinear state-dependent Riccati equation control of a quadrotor UAV | |
Madani et al. | Backstepping control with exact 2-sliding mode estimation for a quadrotor unmanned aerial vehicle | |
CN108873929B (zh) | 一种固定翼飞机自主着舰方法及系统 | |
CN107491083B (zh) | 一种基于饱和自适应滑模控制的四旋翼自主着船方法 | |
CN111026146B (zh) | 一种复合翼垂直起降无人机的姿态控制方法 | |
CN111857171B (zh) | 一种基于质量自适应多层神经网络的无人机控制方法 | |
CN112558621A (zh) | 一种基于解耦控制的飞行机械臂系统 | |
CN110703603B (zh) | 一种无人机多层递归收敛神经网络控制器的控制方法 | |
CN107678442B (zh) | 一种基于双模型下的四旋翼自主着船控制方法 | |
CN114237270B (zh) | 一种考虑输入饱和的无人直升机跟踪控制方法 | |
Pollini et al. | Simulation and robust backstepping control of a quadrotor aircraft | |
CN113110593B (zh) | 基于虚拟结构和估计信息传输的飞行编队协同自适应控制方法 | |
Watanabe et al. | Modeling and simulation of nonlinear dynamics of a powered paraglider | |
Tahar et al. | Control of an under-actuated x4-flyer using integral backstepping controller | |
Mokhtari et al. | Sliding mode control for a small coaxial rotorcraft UAV | |
Yang et al. | A decentralised control strategy for formation flight of unmanned aerial vehicles | |
Kumar et al. | Position and attitude control by rotor tilt and rotor speed synchronization for single axis tilting-rotor quadcopter | |
CN114489094A (zh) | 一种基于加速度反馈增强的旋翼无人机抗风扰控制方法 |
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 |