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

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R_G以及无人机机体坐标系R_U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

一种基于质量自适应多层神经网络的无人机控制方法

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R_G以及无人机机体坐标系R_U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R_G以及无人机机体坐标系R_U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R_G以及无人机机体坐标系R_U，其中地面坐标系和机体坐标系之间存在以下转换关系：R_U＝KR_G，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S_P和C_p分别代表sin(p)和cos(p)，缩写S_θ和C_θ分别代表sin(θ)和cos(θ)，缩写S_ψ和C_ψ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R_G以及无人机机体坐标系R_U的线性速度向量，x、y和z是地面坐标系R_G中无人机的位置变量，v_X、v_Y、v_Z是对应于地面坐标系R_G的x、y、z三个轴上的速度变量，s_X、s_Y、s_Z是无人机机体坐标系R_U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R_G和无人机机体坐标系R_U之间的角速度变换矩阵可忽略，则地面坐标系R_G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J_x，J_y和J_z组成，而F＝K^T[0 0 F_Z]^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＝[lF_φ lF_θ T_ψ]^T为无人机转动力矩矢量，F_φ和F_θ是偏航角φ和俯仰角θ的旋转力，T_ψ是横滚角ψ的旋转扭矩，无人机的电机臂长度定义为l；

最后，根据上述动力学方程(1)和两个坐标系之间的旋转变换，得到具有无人机质量的估计值

的无人机系统的状态方程，写成如下形式：

其中，

u₁：＝F_Z，u₂：F_φ，u₃：＝F_θ，u₄：＝T_ψ.

式中，N₁、N₃、N₅分别是地面坐标系R_G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R_G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R_G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，a_θ、a_φ、a_ψ、β_φ、β_θ、β_ψ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-N_1T满足

则N₁收敛到目标值N_1T，将e₁及其时间导数

代入(4)可得

显然，

在控制过程中不总成立，进一步定义偏差函数

将e₂及其时间导数

代入

可得

其中，

是N₁对时间的二阶导数，

是

的目标值，

是

的目标值，N_1T是N₁的目标值，N₁、N₂为系统(3)的状态变量，将(3)代入(6)可得

其中

则上述方程(7)可改写为au+b＝0，根据神经动力学控制器设计方法，令E＝au+b，代入

可得

式中，

表示基于质量自适应多层神经网络控制器，γ是用于调整收敛速度的常数参数，u是控制量，b是为简化形式而设定的参数，无特殊物理意义，

是参数b对时间的导数。

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，b_φ、b_θ、b_ψ是为简化形式而设定的参数，无特殊物理意义，

是参数b_φ、b_θ、b_ψ对时间的导数，N_7T、N_8T、N_9T、N_10T、N_11T、N_12T是N₇、N₈、N₉、N₁₀、N₁₁、N₁₂的目标值，

是目标值N_7T、N_8T、N_9T、N_10T、N_11T、N_12T对时间的导数；

使用所提出的姿态角控制器(9)-(11)，姿态角φ、θ和ψ及它们的时间导数

将分别收敛至目标值φ_T、θ_T、ψ_T、

进一步地，所述高度控制器为：

其中，

利用提出的基于质量自适应多层神经网络的高度控制器(12)，可将高度值z及其时间导数

分别收敛到目标值z_T、

上式中，

代表高度控制器，b_Z是为简化形式而设定的参数，无特殊物理意义，

是参数b_Z对时间的导数，N_5T、N_6T是N₅、N₆的目标值，

是目标值N_5T、N_6T对时间的导数。

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u_X和u_Y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

通过控制器(15)和(16)，输入值u_X和u_Y将收敛到目标值

和

其次，通过逆解法求解方程(14)，有

意味着当

和

时，得到理论目标状态变量N_7T和姿态角控制器的目标值N_9T，此外，位置x和y即状态变量N₁和N₃的控制问题可以转化为目标值N_7T和N_9T的选择，因此，最终的位置控制器为

其中，u_X、u_Y通过方程(15)和(16)解出；

式中，b_X、b_Y是为简化形式而设定的参数，无特殊物理意义，

分别是参数b_X、b_Y对时间的导数，N_1T、N_2T、N_3T、N_4T分别是N₁、N₂、N₃、N₄的目标值，

分别是目标值N_2T、N_4T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：

其中参数γ，δ，κ_m需要满足

η₁＝1-δ²γκ_m/m，

是

对时间的导数，ε是

的上界限，即

采用该自调整率，

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将收敛至目标值。

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κ_m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R_G以及无人机机体坐标系R_U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R_G以及无人机机体坐标系R_U，其中地面坐标系和机体坐标系之间存在以下关系：R_U＝KR_G，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S_p和C_p代表sin(p)和cos(p)，缩写S_θ和C_θ分别代表sin(θ)和cos(θ)，缩写S_ψ和C_ψ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R_G以及无人机机体坐标系R_U的线性速度向量。x、y和z是地面坐标系R_G中无人机的位置变量。v_X、v_Y、v_Z是对应于地面坐标系R_G的x、y、z三个轴上的速度变量，s_X、s_Y、s_Z是无人机机体坐标系R_U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R_G和无人机机体坐标系R_U之间的角速度变换矩阵可忽略，则地面坐标系R_G的角速度向量ω可写为：

其中，ω_φ、ω_θ、ω_ψ是地面坐标系R_G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J_x，J_y和J_z组成，而F＝K^T[0 0 F_Z]^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＝[lF_φ lF_θ T_ψ]^T为无人机转动力矩矢量；F_φ和F_θ是偏航角φ和俯仰角θ的旋转力；T_ψ是横滚角ψ的旋转扭矩；无人机的电机臂长度定义为l。

最后，根据上述动力学方程(1)和两个坐标系之间的旋转变换，可得到具有无人机质量的估计值

的无人机系统的状态方程写成如下形式：

其中，

u₁：＝F_Z，u₂：＝F_φ，u₃：＝F_θ，u₄:＝T_ψ.

式中，N₁、N₃、N₅分别是地面坐标系R_G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R_G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R_G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，a_θ、a_φ、a_ψ、β_φ、β_θ、β_ψ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-N_1T满足

则N₁收敛到目标值N_1T，将e₁及其时间导数

代入(4)可得

显然，

在控制过程中不总成立，进一步定义偏差函数

将e₂及其时间导数

代入

可得

其中，

是N₁对时间的二阶导数，

是

的目标值，

是

的目标值，N_1T是N₁的目标值，N₁、N₂为系统(3)的状态变量，将(3)代入(6)可得

其中

则上述方程(7)可改写为au+b＝0。

根据神经动力学控制器设计方法，令E＝au+b，代入

可得

式中，

表示基于质量自适应多层神经网络控制器，γ是用于调整收敛速度的常数参数，u是控制量，b是为简化形式而设定的参数，无特殊物理意义，

是参数b对时间的导数。

至此，多层神经网络控制器的设计过程已经完成，获得基于质量自适应多层神经网络控制器

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，b_φ、b_θ、b_ψ是为简化形式而设定的参数，无特殊物理意义，

是参数b_φ、b_θ、b_ψ对时间的导数，N_7T、N_8T、N_9T、N_10T、N_11T、N_12T是N₇、N₈、N₉、N₁₀、N₁₁、N₁₂的目标值，

是目标值N_7T、N_8T、N_9T、N_10T、N_11T、N_12T对时间的导数；

使用所提出的姿态角控制器(9)-(11)，姿态角φ、θ和ψ及它们的时间导数

将分别收敛到目标值φ_T、θ_T、ψ_T、

使得无人机行驶时稳定在目标姿态角，而不会偏离目标值或发生振荡，保持无人机飞行的稳定性。

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，

上式中，

代表高度控制器，b_Z是为简化形式而设定的参数，无特殊物理意义，

是参数b_Z对时间的导数，N_5T、N_6T是N₅、N₆的目标值，

是目标值N_5T、N_6T对时间的导数。

利用提出的基于质量自适应多层神经网络的高度控制器(12)，可将高度值z及其时间导数

收敛到目标值z_T、

使得无人机可以在高度目标值上稳定飞行，不会偏离目标值或发生振荡。

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，

u_X、u_Y是为简化形式而设定的参数，无特殊物理意义；选择u_X和u_Y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

通过使用控制器(15)和(16)，输入值u_X和u_Y将收敛到目标值

和

使得位置变量不会偏离目标值或发生振荡，无人机可以在目标位置上稳定飞行。

其次，通过逆解法求解方程(14)，有

这意味着当

和

时，得到了理论目标状态变量N_7T和N_9T(姿态角控制器的目标值)。此外，位置x和y(即状态变量N₁和N₃)的控制问题可以转化为目标值N_7T和N_9T的选择。

因此，最终的位置控制器为

其中，u_X、u_Y能在方程(15)和(16)中被解出。

式中，b_X、b_Y是为简化形式而设定的参数，无特殊物理意义，

分别是参数b_X、b_Y对时间的导数，N_1T、N_2T、N_3T、N_4T分别是N₁、N₂、N₃、N₄的目标值，

分别是目标值N_2T、N_4T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N_5T的差值，

为

对时间的一阶导数，

为N₆与目标值N_6T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：

其中参数γ，δ，κ_m需要满足

η₁＝1-δ²γκ_m/m，

是

对时间的导数，ε是

的上界限，即

若采用上述自调整率(19)，如下正定李雅普诺夫函数V_m能够保证导数为负定，

其中，κ_m和δ为可调整的常量参数，e_Z1为偏差函数。

正定李雅普诺夫函数V_m的时间导数为：

将(19)代入(21)，得

即李雅普诺夫函数V_m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N_5T、N_6T。

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。

所跟踪的李萨如图方程为

由图6可以看出，无人机的目标轨迹和状态轨迹重合，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。

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R_G以及无人机机体坐标系R_U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：

其中参数γ，δ，κ_m需要满足

η₁＝1-δ²γκ_m/m,

是

对时间的导数，ε是

的上界限，即

表示自调整率，

是实际质量与估计质量之间的误差,

e_Z2为偏差函数，

e_Z2＝N₆-N_6T+γ(N₅-N_5T)，b_Z是为简化形式而设定的参数，无特殊物理意义，N₅、N₆是状态变量，N_5T、N_6T分别是N₅、N₆的目标值，u₁为控制量。

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R_G以及无人机机体坐标系R_U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R_G以及无人机机体坐标系R_U，其中地面坐标系R_G和机体坐标系R_U之间存在以下转换关系：R_U＝KR_G，转换关系中，K为地面坐标系R_G以及机体坐标系R_U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S_p和C_p分别代表sin(p)和cos(p)，缩写S_θ和C_θ分别代表sin(θ)和cos(θ)，缩写S_ψ和C_ψ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R_G以及无人机机体坐标系R_U的线性速度向量，x、y和z是地面坐标系R_G中无人机的位置变量，v_X、v_Y、v_Z是对应于地面坐标系R_G的x、y、z三个轴上的速度变量，s_X、s_Y、s_Z是无人机机体坐标系R_U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R_G和无人机机体坐标系R_U之间的角速度变换矩阵可忽略，则地面坐标系R_G的角速度向量ω可写为：

其中，ω_φ、ω_θ、ω_ψ是地面坐标系R_G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J_x，J_y和J_z组成，而F＝K^T[0 0 F_Z]^T为无人机电机输出合力的轴向分力矢量，F_Z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＝[lF_φ lF_θ T_ψ]^T为无人机转动力矩矢量，F_φ和F_θ是偏航角φ和俯仰角θ的旋转力，T_ψ是横滚角ψ的旋转扭矩，无人机的电机臂长度定义为l；

最后，根据上述动力学方程(1)和两个坐标系之间的旋转变换，得到具有无人机质量的估计值

的无人机系统的状态方程，写成如下形式：

其中，

u₁：＝F_Z，u₂：＝F_φ，u₃：＝F_θ，u₄：＝T_ψ

式中，N₁、N₃、N₅分别是地面坐标系R_G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R_G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R_G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，a_θ、a_φ、a_ψ、β_φ、β_θ、β_ψ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-N_1T满足

则N₁收敛到目标值N_1T，将e₁及其时间导数

代入(4)可得

显然，

在控制过程中不总成立，进一步定义偏差函数

将e₂及其时间导数

代入

可得

其中，

是N₁对时间的二阶导数，

是

的目标值，

是

的目标值，N_1T是N₁的目标值，N₁、N₂为系统(3)的状态变量，将(3)代入(6)可得

其中

则上述方程(7)可改写为au+b＝0，

根据神经动力学控制器设计方法，令E＝au+b，代入

可得

式中，

表示基于质量自适应多层神经网络控制器，γ是用于调整收敛速度的常数参数，u是控制量，b是为简化形式而设定的参数，无特殊物理意义，

是参数b对时间的导数。

5.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，所述姿态角控制器为：

其中，

式中，

是控制量u₂、u₃、u₄对时间的导数，b_φ、b_θ、b_ψ是为简化形式而设定的参数，无特殊物理意义，

是参数b_φ、b_θ、b_ψ对时间的导数，N_7T、N_8T、N_9T、N_10T、N_11T、N_12T是N₇、N₈、N₉、N₁₀、N₁₁、N₁₂的目标值，

是目标值N_7T、N_8T、N_9T、N_10T、N_11T、N_12T对时间的导数；

使用所提出的姿态角控制器(9)-(11)，姿态角φ、θ和ψ及它们的时间导数

将分别收敛至目标值φ_T、θ_T、ψ_T、

6.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，所述高度控制器为：

其中，

利用所述高度控制器将高度值z及其时间导数

分别收敛到目标值z_T、

上式中，

代表高度控制器，b_Z是为简化形式而设定的参数，无特殊物理意义，

是参数b_Z对时间的导数，N_5T、N_6T是N₅、N₆的目标值，

是目标值N_5T、N_6T对时间的导数。

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，u_X、u_Y是为简化形式而设定的参数，无特殊物理意义；

选择u_X和u_Y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

通过位置控制器(15)和(16)，输入值u_X和u_Y将收敛到目标值

和

其次，通过逆解法求解方程(14)，有

意味着当

和

时，得到理论目标状态变量N_7T和N_9T，即姿态角控制器的目标值，此外，位置x和y即状态变量N₁和N₃的控制问题可以转化为目标值N_7T和N_9T的选择，因此，最终的位置控制器为

其中，u_X、u_Y通过方程(15)和(16)解出；

式中，b_X、b_Y是为简化形式而设定的参数，无特殊物理意义，

分别是参数b_X、b_Y对时间的导数，N_1T、N_2T、N_3T、N_4T分别是N₁、N₂、N₃、N₄的目标值，

分别是目标值N_2T、N_4T对时间的导数。

Images