CN111897215B - 基于数据驱动学习的滚动优化控制方法 - Google Patents

基于数据驱动学习的滚动优化控制方法 Download PDF

Info

Publication number
CN111897215B
CN111897215B CN202010627592.5A CN202010627592A CN111897215B CN 111897215 B CN111897215 B CN 111897215B CN 202010627592 A CN202010627592 A CN 202010627592A CN 111897215 B CN111897215 B CN 111897215B
Authority
CN
China
Prior art keywords
quad
rotor
unmanned aerial
aerial vehicle
representing
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
Application number
CN202010627592.5A
Other languages
English (en)
Other versions
CN111897215A (zh
Inventor
吕强
胡晨
仲朝亮
石厅
林伟杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010627592.5A priority Critical patent/CN111897215B/zh
Publication of CN111897215A publication Critical patent/CN111897215A/zh
Application granted granted Critical
Publication of CN111897215B publication Critical patent/CN111897215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)

Abstract

本发明公开了基于数据驱动学习的滚动优化控制方法。本发明首先将连续的搜寻环境离散化，根据收集到的大量信号强度数据，采用高斯过程回归预测信号源的可能位置；然后，基于信号源可能的位置，设计成本函数，采用滚动优化的方法，产生四旋翼无人机最优的控制序列；最后，根据最优控制序列，进而获得四旋翼无人机的最优运动轨迹，并将第一个位置输入到四旋翼无人机的控制器中，实现对信号源的搜索和定位。本发明弥补了现有技术的不足，通过基于数据驱动学习的滚动优化控制方法，不但使四旋翼无人机利用检测到的信号强度信息预测出信号源的可能位置，而且产生的最优参考轨迹，能够很好的管理不确定事件的发生，快速定位信号源。

Description

基于数据驱动学习的滚动优化控制方法
技术领域
本发明属于自动化技术领域，具体涉及一种面向信号源检测与定位的基于数据驱动学习的滚动优化控制方法。
背景技术
信号源检测与定位对人类安全有着非常重要的意义，如环境监测、传感器定位、遇险者营救等等。针对上述问题，通常采用四旋翼无人机完成信号源的检测与定位。传统的信号源检测与定位方法，通常根据信号强度和方向信息，采用径向基函数网络、Kalman滤波器或者粒子滤波器等方法完成简单环境中信号源的位置评估，但这些方法难以完成复杂环境多信号源位置的同时评估。此外，由于复杂环境中不确定事件可能发生，会对传统的控制方法产生较大的干扰，从而使四旋翼无人机飞行定位产生较大影响，在这一背景下，本发明弥补了现有技术的不足。
发明内容
针对现有技术的不足之处，本发明提出基于数据驱动学习的滚动优化控制方法，可以控制四旋翼无人机同时对复杂环境中多个信号源的位置进行评估，在保证信号源检测和定位精度的前提下，可以有效得管理不确定事件，提高抗干扰能力。
为实现上述发明目的，本发明的技术方案如下：
第一步：建立四旋翼无人机动力学模型，具体步骤如下：
a.四旋翼无人机动力学模型如公式(1)所示；
Figure BDA0002565370800000011
X、Y、Z分别表示在惯性坐标系下四旋翼无人机的位置；φ、θ、ψ分别表示在惯性坐标系下四旋翼无人机的横滚角，俯仰角和偏航角；
Figure BDA0002565370800000012
分别为X、Y、Z的二阶导数；g是重力加速度；m是四旋翼无人机的机体质量；
Figure BDA0002565370800000013
表示四旋翼无人机的总推力；
Figure BDA0002565370800000014
和
Figure BDA0002565370800000015
代表四个电机的速度；kF表示转子推力系数；sin(·)和cos(·)分别为正弦函数和余弦函数；
b.四旋翼无人机惯性坐标系下姿态动力学模型如(2)所示：
Figure BDA0002565370800000021
其中：Ix，Iy，和Iz表示三个轴上的惯性矩；
Figure BDA0002565370800000022
分别为φ、θ、ψ的一阶导数；
Figure BDA0002565370800000023
分别为φ、θ、ψ的二阶导数；
Figure BDA0002565370800000024
和
Figure BDA0002565370800000025
Figure BDA0002565370800000026
表示四旋翼的扭矩；l表示从转子到四旋翼无人机质量中心的距离；kM表示转子转矩系数；
第二步：基于收集到的信号强度数据，采用高斯过程回归预测出环境内信号源的位置，具体步骤如下：
a.在四旋翼无人机位置数据集Ω上定义理想的信号强度值f(x)，对位置数据x1，x2，…，xn∈Ω，n是样本数据的个数，f(x)满足条件(3)；
f(x)～GP(m(x)，K(x，x)) (3)
其中：f(x)＝[f(x1)，f(x2)，...，f(xn)]T表示由信号强度组成的向量；m(x)＝[m(x1)，m(x2)，...，m(xn)]T表示由均值函数定义的位置向量；GP(·，·)表示高斯过程回归模型，K(x，x)表示协方差矩阵，如公式(4)所示；
Figure BDA0002565370800000027
其中：
Figure BDA0002565370800000028
其中：xi和xj是四旋翼无人机的位置，i，j＝1，…，n；ζ，σf，和σy是三个调节参数；
Figure BDA0002565370800000029
是克罗内克函数，如果xi＝xj，则为1，否则为0；exp(·)是指数函数；||·||2表示2范数；
b.给定一个样本数据集
Figure BDA00025653708000000210
xi和yi分别表示已经收集到的四旋翼无人机的位置和信号强度；M是样本数据的数量；R是实数集；样本数据集中的信号强度满足公式(6)；
Figure BDA00025653708000000211
其中：ε表示独立噪声；N表示正态分布；
Figure BDA00025653708000000212
为超参数集，根据样本数据，采用公式(7)计算；
Figure BDA0002565370800000031
其中：θ(Θ)＝-log p(y|D，Θ)表示样本条件概率的负对数似然函数；y＝[y1，...，yM]T；函数arg minΘθ(Θ)表示在θ(Θ)取最小值时，Θ的取值；
d.给定预测集
Figure BDA0002565370800000032
M*是预测样本的数量；x*和f(x*)分别表示待预测的四旋翼无人机的位置和信号强度，后验概率如公式(8)所示：
Figure BDA0002565370800000033
其中：
Figure BDA0002565370800000034
Figure BDA0002565370800000035
其中：cov(·)为方差；I是单位矩阵。
e.使用公式(8)，可以获得环境内每一位置信号强度的概率分布，即建立信号强度分布地图，进一步把信号强度均值最大的位置确定为信号源的可能位置；
第三步：根据信号源的可能位置，对四旋翼无人机路径进行滚动优化，步骤如下：
a.成本函数设计如公式(11)所示：
Figure BDA0002565370800000036
其中：Jk是成本函数；Nc是预测长度；xk+n|k表示第k时刻预测的第k+Nc步的位置变量；xk+i|k是在第k时刻预测的第k+i步的位置变量；uk+i|k是在第k时刻预测的第k+i步控制变量；xd是信号源的可能位置；α，β，γ表示非负加权因子；
b.采用滚动优化控制方法产生四旋翼无人机最优控制序列，如公式(12)所示：
Figure BDA0002565370800000037
Figure BDA0002565370800000038
其中：min表示取最小值；
Figure BDA0002565370800000039
表示最优控制序列
Figure BDA00025653708000000310
s.t.表示约束条件；Ω和U是位置变量x和控制变量u的可行区域；因此，通过求解优化问题(12)获得了最优控制序列
Figure BDA00025653708000000311
c.根据最优控制序列，获得最优轨迹
Figure BDA00025653708000000312
并将第一个位置
Figure BDA00025653708000000313
输入到控制器中；
第四步：如果信号源没有定位，则直接返回第二步；如果信号源已经定位，则先标记该信号源，然后返回第二步，检测其它信号源；如果给定的最大搜索时间已经达到，则无人机停止运行，并输出环境内所有信号源的位置。
本发明具有以下有益效果：本发明采用高斯过程回归，能够同时评估复杂环境中多个信号源的位置。此外，运用的滚动优化方法可以有效管理不确定事件的发生，提高信号源检测和定位精度，以及抗干扰能力更强。
具体实施方式
以下结合一个实施例对本发明的技术方案作进一步的阐述说明。
以无线传感器网络为例，设定需监测的环境范围长为10米，宽为10米，建立坐标系统，将该监测环境分为50×50的小区域。其中，每个传感器节点在短时间内发送信号序列，并假定两个发送间隔5秒。具体实施步骤如下：
第一步：建立四旋翼无人机动力学模型，具体步骤如下：
a.四旋翼无人机动力学模型如公式(13)所示。
Figure BDA0002565370800000041
其中：X、Y、Z分别表示在惯性坐标系下四旋翼无人机的位置。φ、θ、ψ分别表示在惯性坐标系下四旋翼无人机的横滚角，俯仰角和偏航角；
Figure BDA0002565370800000042
分别为X、Y、Z的二阶导数；g为9.8m/s2，是重力加速度；m为1.2kg，是四旋翼无人机的机体质量；
Figure BDA0002565370800000043
Figure BDA0002565370800000044
表示四旋翼无人机的总推力；
Figure BDA0002565370800000045
和
Figure BDA0002565370800000046
代表四个电机的速度；kF为10-4Ns2，表示转子推力系数；sin(·)和cos(·)分别为正弦函数和余弦函数。
b.四旋翼无人机惯性坐标系下姿态动力学模型如公式(14)所示：
Figure BDA0002565370800000047
其中：Ix、Iy和Iz表示三个轴上的惯性矩，取值分别为0.05kgm2、0.05kgm2和0.1kgm2；
Figure BDA0002565370800000048
分别为φ、θ、ψ的一阶导数；
Figure BDA0002565370800000049
分别为φ、θ、ψ的二阶导数；
Figure BDA00025653708000000410
Figure BDA00025653708000000411
和
Figure BDA00025653708000000412
表示四旋翼的扭矩；l为0.2m，表示从转子到四旋翼无人机质量中心的距离；kM为0.1Nms2，表示转子转矩系数。
第二步：基于收集到的信号强度数据，采用高斯过程回归预测出环境内传感器的位置，具体步骤如下：
a.在四旋翼无人机位置数据集Ω上定义理想的信号强度值f(x)，对位置数据x1，x2，…，xn∈Ω，n是样本数据的个数，f(x)满足公式(15)。
f(x)～GP(m(x)，K(x，x)) (15)
其中：f(x)＝[f(x1)，f(x2)，...，f(xn)]T表示由信号强度组成的向量；m(x)＝[m(x1)，m(x2)，...，m(xn)]T由均值函数定义的位置向量；GP(·，·)表示高斯过程回归模型，K(x，x)表示协方差矩阵，如(4)所示。
Figure BDA0002565370800000051
其中：
Figure BDA0002565370800000052
其中：xi和xj是四旋翼无人机的位置(i，j＝1，…，n)；ζ，σf，和σy是三个调节参数；
Figure BDA0002565370800000053
是克罗内克函数，如果xi＝xj，则为1，否则为0；exp(·)是指数函数；||·||2表示2范数。
b.给定一个样本数据集
Figure BDA0002565370800000054
xi和yi分别表示已经收集到的四旋翼无人机的位置和信号强度。M是样本数据的数量；R是实数集。样本数据集中的信号强度满足(18)。
Figure BDA0002565370800000055
其中：ε表示独立噪声；σy是噪声方差；N表示正态分布；
Figure BDA0002565370800000056
为超参数集，采用公式(19)计算。
Θ＝argminΘθ(Θ) (19)
其中：θ(Θ)＝-logp(y|D，Θ)表示样本条件概率的负对数似然函数；y＝[y1，...，yM]T；函数arg minΘθ(Θ)表示在θ(Θ)取最小值时，Θ的取值。
d.给定预测集
Figure BDA0002565370800000057
M*是预测位置的数量；x*和f(x*)分别表示待预测的四旋翼无人机的位置和信号强度，后验概率如公式(20)所示：
Figure BDA0002565370800000058
其中：
Figure BDA0002565370800000059
Figure BDA00025653708000000510
其中：cov(·)为方差；I是单位矩阵。
e.使用公式(20)，可以获得环境内每一位置信号强度的概率分布，即建立信号强度分布地图，进一步把信号强度均值最大的位置确定为传感器节点的可能位置。
第三步：根据传感器节点的可能位置，对四旋翼无人机路径进行滚动优化，步骤如下：
a.成本函数设计如公式(23)所示：
Figure BDA0002565370800000061
其中：Jk是成本函数；Nc是预测长度；
Figure BDA0002565370800000062
表示第k时刻预测的第k+Nc步的位置变量；xk+i|k是在第k时刻预测的第k+i步的位置变量；uk+i|k是在第k时刻预测的第k+i步控制变量；xd是传感器节点的可能位置；α为1、β为0.01、γ为1。
b.采用滚动优化控制方法产生四旋翼无人机最优控制序列，如公式(24)所示：
Figure BDA0002565370800000063
Figure BDA0002565370800000064
其中：min表示取最小值；
Figure BDA0002565370800000065
表示最优控制序列
Figure BDA0002565370800000066
s.t.表示约束条件；Ω和U是位置变量x和控制变量u的可行区域。因此，通过求解优化问题(24)获得了最优控制序列
Figure BDA0002565370800000067
c.根据最优控制序列，获得最优轨迹
Figure BDA0002565370800000068
并将第一个位置
Figure BDA0002565370800000069
输入到控制器中。
第四步：如果信号源没有定位，则直接返回第二步；如果信号源已经定位，则先标记该信号源，然后返回第二步，检测其它信号源；如果给定的最大搜索时间已经达到，则无人机停止运行，并输出环境内所有信号源的位置。

Claims (1)

1.基于数据驱动学习的滚动优化控制方法，该方法具体步骤如下：
第一步：建立四旋翼无人机动力学模型，具体步骤如下：
a.四旋翼无人机动力学模型如公式(1)所示；
Figure FDA0002565370790000011
其中：X、Y、Z分别表示在惯性坐标系下四旋翼无人机的位置；φ、θ、ψ分别表示在惯性坐标系下四旋翼无人机的横滚角，俯仰角和偏航角；
Figure FDA0002565370790000012
分别为X、Y、Z的二阶导数；g是重力加速度；m是四旋翼无人机的机体质量；
Figure FDA0002565370790000013
表示四旋翼无人机的总推力；
Figure FDA0002565370790000014
和
Figure FDA0002565370790000015
代表四个电机的速度；kF表示转子推力系数；sin(·)和cos(·)分别为正弦函数和余弦函数；
b.四旋翼无人机惯性坐标系下姿态动力学模型如(2)所示：
Figure FDA0002565370790000016
其中：Ix，Iy，和Iz表示三个轴上的惯性矩；
Figure FDA0002565370790000017
分别为φ、θ、ψ的一阶导数；
Figure FDA0002565370790000018
分别为φ、θ、ψ的二阶导数；
Figure FDA0002565370790000019
和
Figure FDA00025653707900000110
Figure FDA00025653707900000111
表示四旋翼的扭矩；l表示从转子到四旋翼无人机质量中心的距离；kM表示转子转矩系数；
第二步：基于收集到的信号强度数据，采用高斯过程回归预测出环境内信号源的位置，具体步骤如下：
a.在四旋翼无人机位置数据集Ω上定义理想的信号强度值f(x)，对位置数据x1，x2，…，xn∈Ω，n是样本数据的个数，f(x)满足条件(3)；
f(x)～GP(m(x)，K(x，x)) (3)
其中：f(x)＝[f(x1)，f(x2)，...，f(xn)]T表示由信号强度组成的向量；m(x)＝[m(x1)，m(x2)，...，m(xn)]T表示由均值函数定义的位置向量；GP(·，·)表示高斯过程回归模型，K(x，x)表示协方差矩阵，如公式(4)所示；
Figure FDA0002565370790000021
其中：
Figure FDA0002565370790000022
其中：xi和xj是四旋翼无人机的位置，i，j＝1，…，n；ζ，σf，和σy是三个调节参数；
Figure FDA0002565370790000023
是克罗内克函数，如果xi＝xj，则为1，否则为0；exp(·)是指数函数；||·||2表示2范数；
b.给定一个样本数据集
Figure FDA0002565370790000024
xi和yi分别表示已经收集到的四旋翼无人机的位置和信号强度；M是样本数据的数量；R是实数集；样本数据集中的信号强度满足公式(6)；
Figure FDA0002565370790000025
其中：ε表示独立噪声；N表示正态分布；
Figure FDA0002565370790000026
为超参数集，根据样本数据，采用公式(7)计算；
Figure FDA00025653707900000215
其中：
Figure FDA0002565370790000027
表示样本条件概率的负对数似然函数；y＝[y1，...，yM]T；函数
Figure FDA0002565370790000028
表示在
Figure FDA0002565370790000029
取最小值时，Θ的取值；
d.给定预测集
Figure FDA00025653707900000210
M*是预测样本的数量；x*和f(x*)分别表示待预测的四旋翼无人机的位置和信号强度，后验概率如公式(8)所示：
Figure FDA00025653707900000211
其中：
Figure FDA00025653707900000212
Figure FDA00025653707900000213
其中：cov(·)为方差；I是单位矩阵；
e.使用公式(8)，可以获得环境内每一位置信号强度的概率分布，即建立信号强度分布地图，进一步把信号强度均值最大的位置确定为信号源的可能位置；
第三步：根据信号源的可能位置，对四旋翼无人机路径进行滚动优化，步骤如下：
a.成本函数设计如公式(11)所示：
Figure FDA00025653707900000214
其中：Jk是成本函数；Nc是预测长度；xk+n|k表示第k时刻预测的第k+Nc步的位置变量；xk+i|k是在第k时刻预测的第k+i步的位置变量；uk+i|k是在第k时刻预测的第k+i步控制变量；xd是信号源的可能位置；α，β，γ表示非负加权因子；
b.采用滚动优化控制方法产生四旋翼无人机最优控制序列，如公式(12)所示：
Figure FDA0002565370790000031
Figure FDA0002565370790000032
其中：min表示取最小值；
Figure FDA0002565370790000033
表示最优控制序列
Figure FDA0002565370790000034
s.t.表示约束条件；Ω和U是位置变量x和控制变量u的可行区域；因此，通过求解优化问题(12)获得了最优控制序列
Figure FDA0002565370790000035
c.根据最优控制序列，获得最优轨迹
Figure FDA0002565370790000036
并将第一个位置
Figure FDA0002565370790000037
输入到控制器中；
第四步：如果信号源没有定位，则直接返回第二步；如果信号源已经定位，则先标记该信号源，然后返回第二步，检测其它信号源；如果给定的最大搜索时间已经达到，则无人机停止运行，并输出环境内所有信号源的位置。
CN202010627592.5A 2020-07-01 2020-07-01 基于数据驱动学习的滚动优化控制方法 Active CN111897215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010627592.5A CN111897215B (zh) 2020-07-01 2020-07-01 基于数据驱动学习的滚动优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010627592.5A CN111897215B (zh) 2020-07-01 2020-07-01 基于数据驱动学习的滚动优化控制方法

Publications (2)

Publication Number Publication Date
CN111897215A CN111897215A (zh) 2020-11-06
CN111897215B true CN111897215B (zh) 2022-05-03

Family

ID=73191397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010627592.5A Active CN111897215B (zh) 2020-07-01 2020-07-01 基于数据驱动学习的滚动优化控制方法

Country Status (1)

Country Link
CN (1) CN111897215B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115358B (zh) * 2021-10-19 2024-03-29 杭州电子科技大学 一种基于高斯强化学习的信号源遍历方法
CN116106824B (zh) * 2023-01-06 2023-11-03 南京航空航天大学 一种基于认知学习的无人机多阶段信号源定位方法和系统
CN117110983B (zh) * 2023-10-25 2023-12-22 香港中文大学（深圳） 一种基于无人机螺旋轨迹的信号源定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182998A (zh) * 2015-10-08 2015-12-23 北京航空航天大学 一种基于滚动优化人工物理混合的编队控制器的构建方法
CN107563044A (zh) * 2017-08-29 2018-01-09 武汉科技大学 基于在线安全学习的四旋翼无人机路径跟踪控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182998A (zh) * 2015-10-08 2015-12-23 北京航空航天大学 一种基于滚动优化人工物理混合的编队控制器的构建方法
CN107563044A (zh) * 2017-08-29 2018-01-09 武汉科技大学 基于在线安全学习的四旋翼无人机路径跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
在线滚动优化下的无人自转旋翼机自动起飞控制;王寅 等;《控制理论与应用》;20151130;第32卷(第11期);第1526-1533页 *

Also Published As

Publication number Publication date
CN111897215A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111897215B (zh) 基于数据驱动学习的滚动优化控制方法
Wang et al. Multivariate regression-based fault detection and recovery of UAV flight data
Sun et al. Circular formation control of multiple unicycle-type agents with nonidentical constant speeds
CN112423265B (zh) 基于csi的双循环神经网络的船载环境室内定位方法
Zou et al. A compound control method based on the adaptive neural network and sliding mode control for inertial stable platform
CN103885450A (zh) 无人直升机姿态非线性控制方法及验证平台
CN103365296A (zh) 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
Jiang et al. A novel adaptive unscented Kalman filter for nonlinear estimation
CN102809970A (zh) 一种基于l1自适应控制的飞行器姿态控制方法
Qu et al. Finite-time sideslip observer-based synchronized path-following control of multiple unmanned underwater vehicles
Liu et al. Attitude estimation of unmanned aerial vehicle based on lstm neural network
CN114815861A (zh) 一种基于时空径向基函数神经网络的容错飞行控制方法
Dierks et al. Neural network output feedback control of a quadrotor UAV
Wang et al. Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter
Hemakumara et al. Non-parametric UAV system identification with dependent Gaussian processes
Saif et al. Modelling of quad‐rotor dynamics and Hardware‐in‐the‐Loop simulation
Tang et al. Leader-following consensus control for multiple fixed-wing UAVs’ attitude system with time delays and external disturbances
Thanaraj et al. Actuator fault detection and isolation on multi-rotor UAV using extreme learning neuro-fuzzy systems
Ren et al. Enhanced attitude control of unmanned aerial vehicles based on virtual angular accelerometer
Bingbing et al. A new modeling scheme for powered parafoil unmanned aerial vehicle platforms: Theory and experiments
Chen et al. Robust control of quadrotor MAV using self‐organizing interval type‐II fuzzy neural networks (SOIT‐IIFNNs) controller
Li et al. Nonlinear mpc for quadrotors in close-proximity flight with neural network downwash prediction
Song et al. Modelling a small-size unmanned helicopter using optimal estimation in the frequency domain
Liu et al. A novel hybrid attitude fusion method based on LSTM neural network for unmanned aerial vehicle
CN113359809B (zh) 一种基于rbfnn辅助的桥梁检测无人机自主定位方法

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