CN112416021A - 一种基于学习的旋翼无人机路径跟踪预测控制方法 - Google Patents
一种基于学习的旋翼无人机路径跟踪预测控制方法 Download PDFInfo
- Publication number
- CN112416021A CN112416021A CN202011288152.8A CN202011288152A CN112416021A CN 112416021 A CN112416021 A CN 112416021A CN 202011288152 A CN202011288152 A CN 202011288152A CN 112416021 A CN112416021 A CN 112416021A
- Authority
- CN
- China
- Prior art keywords
- control
- aerial vehicle
- unmanned aerial
- path
- cmd
- 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.)
- Granted
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
- G05D1/12—Target-seeking control
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B13/045—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 using a perturbation signal
-
- 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
- G05B13/048—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 using a predictor
-
- 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
本发明属于旋翼无人机路径跟踪控制领域,更具体地,涉及一种基于学习的旋翼无人机路径跟踪预测控制方法。通过贝叶斯学习对环境扰动进行建模,基于模型预测控制动态优化路径目标点并获得参考控制量和参考状态,利用无人机微分平坦特征设计自适应反馈线性化控制策略来准确跟踪参考状态。本发明能够根据当前的环境扰动以及无人机系统状态来实现有稳定性保证的高精度路径跟随控制。
Description
技术领域
本发明属于旋翼无人机路径跟踪控制领域,更具体地,涉及一种基于学习的旋翼无人机路径跟踪预测控制方法。
背景技术
随着集成电路和传感技术的发展,旋翼无人机在快递递送、电力巡检、工业监测等方面有着越来越广泛的应用。在不确定的环境扰动下,这些应用要求旋翼无人机路径跟踪控制器保持高精度的跟踪控制性能。如:在户外无人机电力巡检任务中,无人机在未知的变化风扰下应该准确跟踪一条预设定好的参考路径,以完成既定的巡检任务。由于风场等未知的环境扰动往往难以建模,基于模型的轨迹控制器难以在各种环境下保持较高的路径跟踪性能。此外,在不同工况下通过手动调整控制器参数往往不实际。因此,针对不确定环境扰动下的旋翼无人机路径跟踪任务,需设计一种能根据无人机当前状态和路径信息来优化跟踪目标点,并能在线适应未知环境扰动,实现自适应、高精度的路径跟踪控制。
为达到上述目标,现有技术中基于模型的旋翼无人机路径跟踪方法通常需要精确的系统模型,环境扰动的无人机难以进行精确建模,控制器在扰动下通常难以稳定跟踪期望路径,从而难以满足实际应用需求。
发明内容
本发明为克服上述现有技术中的至少一个缺陷,提供一种基于学习的旋翼无人机路径跟踪预测控制方法,实现了准确跟踪。
为解决上述技术问题,本发明采用的技术方案是:一种基于学习的旋翼无人机路径跟踪预测控制方法,包括以下步骤:
S1.构造旋翼无人机平动动力学仿射控制模型,基于高斯过程回归对环境不确定扰动进行建模;
S2.以双积分器作为预测模型,构造模型预测路径跟随控制器,根据当前状态x计算路径上的参考目标点,以及参考状态量xd和参考控制量;
S3.基于反馈线性化非线性控制器,结合高斯过程的扰动预测对扰动进行补偿,将系统转换为线性积分器,并准确跟踪参考状态量xd,提供高概率稳定性保证,输出计算得到的控制量u;
S4.根据微分平坦性质,将计算得到的控制量转换为旋翼无人机的姿态角和推力指令,应用于无人机相应的控制接口,输入到系统;
S5.在线收集无人机与环境交互的状态和控制序列,用于更新高斯过程;
S6.重复步骤S1至步骤S6直至交互结束。
进一步的,所述的步骤S1中,旋翼无人机非线性仿射系统可建模为:
x1=x2
x2=f(x)+G(x)u+d(x), (1)
其中x=[x1,x2]T为系统状态量,分别表示无人机系统的位置和速度,数学常用符号表示方法,表示实数构成向量或矩阵的维度,为系统控制量,为从机体坐标系到世界坐标系的旋转矩阵,fu为总推力;f(x)+G(x)u代表对系统平动动力学建模所得的先验模型,f(x)=[x2,-mg]T,G(x)=[0,1]T,d(x)=[0,fa]T,fa表示不确定的环境扰动,m为无人机质量,g为重力加速度。
进一步的,所述的旋转矩阵R表示为:
式中,c和s分别表示cos和sin,Θ、φ和ψ分别表示无人机俯仰角、横滚角和航向角。
进一步的,在所述的步骤S1中,通过在线收集的数据集作为训练集,高斯过程回归通过贝叶斯推理得到状态x*的下偏差d(x*)的均值μ(x)和方差σ(x);得到关于d(x*)的高置信区间:D(x*)={d|μ(x*)-cδσ(x*)≤d≤μ(x*)+cδσ(x*)},cδ>0是高斯分布中(1-δ)置信度对应的常数。
进一步的,在所述的步骤S2中,给定以参数θ参数化的空间路径P(θ),利用双积分器作为预测模型,在当前tk时刻求解非线性模型预测控制问题;求解非线性模型预测控制问题具体包括:
式中,T为预测时域,半正定矩阵正定矩阵和Rθ>0均为权系数矩阵;为轨迹参数的变化速度,和分别为系统和轨迹参数控制输入;和分别表示和的可行域;求解得到的最优解和分别作为参考轨迹参考控制量和参考控制输入 dt为控制周期。
进一步的,所述的步骤S3中,反馈线性化控制率为:
u=G(x)-1(a-f(x)),
a=ad+KP(x1d-x1)+KD(x2d-x2)+r,
r=-μ(x)-kc·BTPe,
其中,xd=[x1d,x2d]T和ad为求解所述的步骤S2中非线性预测控制问题获得的参考状态和参考输入,e=x-xd为系统对参考状态的跟踪误差,矩阵满足ATP+PA=-Q,矩阵构成李雅普诺夫函数V(e)=eTQe的正定矩阵,矩阵A和B对应使用反馈线性化控制律所得到线性系统方程中的转移矩阵和控制矩阵其中单位矩阵 KP和KD为PD控制矩阵,kc为可调系数。
进一步的,所述的步骤S4中,根据旋翼无人机的微分平坦性质,将计算得到的控制量u=[ux,uy,uz]T=Rfu转换为旋翼无人机的姿态角Θcmd,φcmd,ψcmd和推力指令Tcmd:
其中,βa=-uxcosψcmd-uysinψcmd,βb=-uz+g,βc=-uxsinψcmd+uycosψcmd,ψcmd为偏航角指令,无特殊要求时通常可取值为0。
与现有技术相比,有益效果是:本发明提供的一种基于学习的旋翼无人机路径跟踪预测控制方法,解决了旋翼无人机系统在不确定环境下执行路径跟踪任务,无法适应外部扰动、路径跟踪不准确的问题。通过高斯过程对先验旋翼无人机动力学模型所未建模的外部环境不确定性进行建模,利用此模型设计反馈线性控制器,并通过构造非线性模型预测控制器优化路径上的跟踪目标点,实现自适应、具备控制预测性的旋翼无人机路径跟随的方法。本发明基于高斯过程通过在线收集交互数据及贝叶斯推理在高置信度下实现对环境的扰动进行在线估计和补偿,以建模系统与环境交互环节存在的不确定性,并保证模型局部李普希兹连续;基于反馈线性化控制器和高斯过程,在高置信度下保证跟踪控制的概率稳定性;基于非线性模型预测控制,根据路径信息与路径跟踪误差自适应优化路径上的期望跟踪目标点,使得无人机在风扰偏离路径后能够调节跟踪控制目标,并进行准确跟踪。
附图说明
图1是本发明方法流程示意图。
图2是利用本发明提供的方法所得到的的仿真效果示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
如图1所示,一种基于学习的旋翼无人机路径跟踪预测控制方法,包括以下步骤:
步骤1.本实例根据旋翼无人机动力学的先验知识和实际的任务场景,构建无人机仿射动力学系统模型,基于高斯过程回归对环境不确定扰动进行建模,并设置期望的参数化跟踪路径P(θ),初始化无人机状态x与参数θ。其中,旋翼无人机非线性仿射系统可建模为:
x1=x2
x2=f(x)+G(x)u+d(x), (1)
其中x=[x1,x2]T为系统状态量,分别表示无人机系统的位置和速度,为系统控制量,为从机体坐标系到世界坐标系的旋转矩阵,fu为总推力;f(x)+G(x)u代表对系统平动动力学建模所得的先验模型,f(x)=[x2,-mg]T,G(x)=[0,1]T,d(x)=[0,fa]T,fa表示不确定的环境扰动,m为无人机质量,g为重力加速度;旋转矩阵R表示为:
式中,c和s分别表示cos和sin,Θ、φ和ψ分别表示无人机俯仰角、横滚角和航向角。
另外,通过在线收集的数据集作为训练集,高斯过程回归通过贝叶斯推理得到状态x*的下偏差d(x*)的均值μ(x)和方差σ(x);得到关于d(x*)的高置信区间:D(x*)={d|μ(x*)-cδσ(x*)≤d≤μ(x*)+cδσ(x*)},cδ>0是高斯分布中(1-δ)置信度对应的常数。
步骤2.利用传感器反馈得到的无人机状态x,根据当前状态x使用非线性数值优化器求解非线性模型预测控制问题,获得参考路径上的跟踪目标点xd和参考加速度ad;其中,给定以参数θ参数化的空间路径P(θ),利用双积分器作为预测模型,在当前tk时刻求解非线性模型预测控制问题;求解非线性模型预测控制问题具体包括:
式中,T为预测时域,半正定矩阵正定矩阵和Rθ>0均为权系数矩阵;为轨迹参数的变化速度,和分别为系统和轨迹参数控制输入;和分别表示和的可行域;求解得到的最优解和分别作为参考轨迹参考控制量和参考控制输入 dt为控制周期。
步骤3.本实例中,选取径向基函数核和线性核为高斯过程核函数,初始化相应高斯过程模型。高斯回归模型有3个,分别对应x,y,z三个方向的环境扰动。本发明选取当前无人机状态x为模型输入,环境扰动d为输出,通过在线收集数据集更新高斯过程模型,实现对无人机动力学进行建模,得出交互不确定性的高斯分布(μ,σ)。
利用传感器反馈得到的无人机状态,根据反馈线性化控制率,输入期望的跟踪目标点xd和参考加速度ad,结合作为扰动估计的高斯分布(μ,σ),计算控制量u,反馈线性化控制率为:
u=G(x)-1(a-f(x)),
a=ad+KP(x1d-x1)+KD(x2d-x2)+r,
r=-μ(x)-kc·BTPe,
其中,xd=[x1d,x2d]T和ad为求解所述的步骤S2中非线性预测控制问题获得的参考状态和参考输入,e=x-xd为系统对参考状态的跟踪误差,矩阵满足ATP+PA=-Q,矩阵构成李雅普诺夫函数V(e)=eTQe的正定矩阵,矩阵A和B对应使用反馈线性化控制律所得到线性系统方程中的转移矩阵和控制矩阵其中单位矩阵 KP和KD为PD控制矩阵,kc为可调系数。
步骤4.根据旋翼无人机的微分平坦性质,在内环控制器中,将计算得到的控制量u=[ux,uy,uz]T=Rfu转换为旋翼无人机的姿态角Θcmd,φcmd,ψcmd和推力指令Tcmd:
其中,βa=-uxcosψcmd-uysinψcmd,βb=-uz+g,βc=-uxsinψcmd+uycosψcmd,ψcmd为偏航角指令,无特殊要求时通常可取值为0。
步骤5.将计算获得的姿态角θ,φ,ψ和推力指令T输入到旋翼无人机的控制接口,应用于当前车辆的与环境的交互中;
S6.重复步骤S2至步骤S6,直至完成路径跟随任务或最大实验设定时长。
在本发明中,在无人机路径跟踪任务中,受控无人机能在风扰等环境因素引起的不确定性扰动下,能通过本发明提出的算法基于学习的方法实现对无人机控制进行路径自适应选点和补偿扰动,从而保证高跟踪精度,如图2所示。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
显然,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 (9)
1.一种基于学习的旋翼无人机路径跟踪预测控制方法,其特征在于,包括以下步骤:
S1.构造旋翼无人机平动动力学仿射控制模型,基于高斯过程回归对环境不确定扰动进行建模;
S2.以双积分器作为预测模型,构造模型预测路径跟随控制器,根据当前状态x计算路径上的参考目标点,以及参考状态量xd和参考控制量;
S3.基于反馈线性化非线性控制器,结合高斯过程的扰动预测对扰动进行补偿,将系统转换为线性积分器,并准确跟踪参考状态量xd,提供高概率稳定性保证,输出计算得到的控制量u;
S4.根据微分平坦性质,将计算得到的控制量转换为旋翼无人机的姿态角和推力指令,应用于无人机相应的控制接口,输入到系统;
S5.在线收集无人机与环境交互的状态和控制序列,用于更新高斯过程;
S6.重复步骤S1至步骤S6直至交互结束。
5.根据权利要求4所述的基于学习的旋翼无人机路径跟踪预测控制方法,其特征在于,在所述的步骤S2中,给定以参数θ参数化的空间路径P(θ),利用双积分器作为预测模型,在当前tk时刻求解非线性模型预测控制问题。
7.根据权利要求5所述的基于学习的旋翼无人机路径跟踪预测控制方法,其特征在于,所述的步骤S3中,反馈线性化控制率为:
u=G(x)-1(a-f(x)),
a=ad+KP(x1d-x1)+KD(x2d-x2)+r,
r=-μ(x)-kc·BTPe,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288152.8A CN112416021B (zh) | 2020-11-17 | 2020-11-17 | 一种基于学习的旋翼无人机路径跟踪预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288152.8A CN112416021B (zh) | 2020-11-17 | 2020-11-17 | 一种基于学习的旋翼无人机路径跟踪预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112416021A true CN112416021A (zh) | 2021-02-26 |
CN112416021B CN112416021B (zh) | 2021-12-21 |
Family
ID=74832167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011288152.8A Active CN112416021B (zh) | 2020-11-17 | 2020-11-17 | 一种基于学习的旋翼无人机路径跟踪预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112416021B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093769A (zh) * | 2021-03-29 | 2021-07-09 | 西北工业大学 | 一种针对固定翼无人机栖落的自抗扰控制方法 |
CN113759983A (zh) * | 2021-10-20 | 2021-12-07 | 中山大学 | 基于微分平坦性的抗扰动无人机避碰方法 |
CN114355976A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB875368A (en) * | 1956-09-10 | 1961-08-16 | Lab For Electronics Inc | Improvements in or relating to spectrum tracking apparatus |
US20130158680A1 (en) * | 2011-12-20 | 2013-06-20 | Pratt & Whitney | Hybrid Control System |
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN104881044A (zh) * | 2015-06-11 | 2015-09-02 | 北京理工大学 | 一种姿态未知的多移动机器人系统的自适应跟踪控制方法 |
CN105652891A (zh) * | 2016-03-02 | 2016-06-08 | 中山大学 | 一种旋翼无人机移动目标自主跟踪装置及其控制方法 |
CN106873624A (zh) * | 2017-03-26 | 2017-06-20 | 天津大学 | 基于部分反馈线性化四旋翼无人机吊挂飞行控制方法 |
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 |
CN110928189A (zh) * | 2019-12-10 | 2020-03-27 | 中山大学 | 一种基于强化学习和李雅普诺夫函数的鲁棒控制方法 |
CN111007724A (zh) * | 2019-12-19 | 2020-04-14 | 哈尔滨工业大学 | 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法 |
US20200202723A1 (en) * | 2018-12-20 | 2020-06-25 | Thales | Machine learning in avionics |
US20200202725A1 (en) * | 2018-12-20 | 2020-06-25 | Thales | Optimizing a parametric model of aircraft performance |
CN111766889A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于输出反馈的四旋翼自适应动态面滑模控制器 |
-
2020
- 2020-11-17 CN CN202011288152.8A patent/CN112416021B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB875368A (en) * | 1956-09-10 | 1961-08-16 | Lab For Electronics Inc | Improvements in or relating to spectrum tracking apparatus |
US20130158680A1 (en) * | 2011-12-20 | 2013-06-20 | Pratt & Whitney | Hybrid Control System |
EP2795413A2 (en) * | 2011-12-20 | 2014-10-29 | United Technologies Corporation | Hybrid control system |
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN104881044A (zh) * | 2015-06-11 | 2015-09-02 | 北京理工大学 | 一种姿态未知的多移动机器人系统的自适应跟踪控制方法 |
CN105652891A (zh) * | 2016-03-02 | 2016-06-08 | 中山大学 | 一种旋翼无人机移动目标自主跟踪装置及其控制方法 |
CN106873624A (zh) * | 2017-03-26 | 2017-06-20 | 天津大学 | 基于部分反馈线性化四旋翼无人机吊挂飞行控制方法 |
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 |
US20200202723A1 (en) * | 2018-12-20 | 2020-06-25 | Thales | Machine learning in avionics |
US20200202725A1 (en) * | 2018-12-20 | 2020-06-25 | Thales | Optimizing a parametric model of aircraft performance |
CN110928189A (zh) * | 2019-12-10 | 2020-03-27 | 中山大学 | 一种基于强化学习和李雅普诺夫函数的鲁棒控制方法 |
CN111007724A (zh) * | 2019-12-19 | 2020-04-14 | 哈尔滨工业大学 | 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法 |
CN111766889A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于输出反馈的四旋翼自适应动态面滑模控制器 |
Non-Patent Citations (15)
Title |
---|
BARBOSA, F.S 等: "Discrete LQG/LTR control augmented by integrators applied to a 2-DOF helicopter", 《2016 IEEE CONFERENCE ON CONTROL APPLICATIONS》 * |
CARRON, ANDREA 等: "Data-Driven Model Predictive Control for Trajectory Tracking With a Robotic Arm", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 * |
CHENG HUI 等: "Decentralized Navigation of Multiple Agents Based on ORCA and Model Predictive Control", 《IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 * |
DHARMAWAN, A 等: "Translation movement stability control of quad tiltrotor using LQR and LQG", 《INTERNATIONAL JOURNAL OF INTELLIGENT SYSTEMS AND APPLICATIONS》 * |
JOSÉ L. V. P. DA SILVA 等: "A new approach on the target feedback loop parameterization in the discrete-time LQG/LTR control", 《2015 IEEE 24TH INTERNATIONAL SYMPOSIUM ON INDUSTRIAL ELECTRONICS》 * |
LEI ZHENG 等: "Learning-Based Safety-Stability-Driven Control for Safety-Critical Systems under Model Uncertaintiess", 《 2020 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 * |
MOHIT MEHNDIRATTA 等: "Gaussian Process-based Learning Control of Aerial Robots for Precise Visualization of Geological Outcrops", 《2020 EUROPEAN CONTROL CONFERENCE (ECC)》 * |
PENGLANG SHUI 等: "Range-Spread Target Detection using Consecutive HRRPs", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
YANHUA YANG 等: "Quadrotor helicopters trajectory tracking with stochastic model predictive control", 《 2017 AUSTRALIAN AND NEW ZEALAND CONTROL CONFERENCE (ANZCC)》 * |
刘丽丽 等: "基于RBF-ARX模型的四旋翼飞行器的预测控制", 《计算机测量与控制》 * |
彭程: "共轴八旋翼无人飞行器姿态与航迹跟踪控制研究", 《中国优秀博硕士论文全文数据库(博士)工程科技Ⅱ辑》 * |
徐海柱: "基于GPS/INS组合导航的智能车路径跟踪控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
成慧 等: "基于视觉的无人机地面目标自主跟踪系统", 《人工智能》 * |
李昕 等: "基于586-Engine的无人机飞控系统的设计与实现", 《航空电子技术》 * |
杨晓骞: "不确定条件下高超声速飞行器轨迹优化与控制方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093769A (zh) * | 2021-03-29 | 2021-07-09 | 西北工业大学 | 一种针对固定翼无人机栖落的自抗扰控制方法 |
CN113759983A (zh) * | 2021-10-20 | 2021-12-07 | 中山大学 | 基于微分平坦性的抗扰动无人机避碰方法 |
CN114355976A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 |
CN114355976B (zh) * | 2021-12-31 | 2023-12-05 | 中山大学 | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112416021B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112416021B (zh) | 一种基于学习的旋翼无人机路径跟踪预测控制方法 | |
CN108594837A (zh) | 基于pd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN114761966A (zh) | 用于以轨迹为中心的基于模型的强化学习的稳健优化的系统及方法 | |
Li et al. | A Siamese hybrid neural network framework for few-shot fault diagnosis of fixed-wing unmanned aerial vehicles | |
Han et al. | Motion planning and coordinated control of underwater vehicle-manipulator systems with inertial delay control and fuzzy compensator | |
Zaitceva et al. | Methods of intelligent control in mechatronics and robotic engineering: A survey | |
CN114527795B (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
Zhang et al. | Low-level control technology of micro autonomous underwater vehicle based on intelligent computing | |
Wang et al. | Improved linear quadratic regulator lateral path tracking approach based on a real-time updated algorithm with fuzzy control and cosine similarity for autonomous vehicles | |
CN112462608B (zh) | 一种高速列车离散滑模轨迹及速度跟踪控制方法 | |
Pham et al. | Robust adaptive finite-time synergetic tracking control of delta robot based on radial basis function neural networks | |
Li et al. | Event-triggered-based cooperative game optimal tracking control for modular robot manipulator with constrained input | |
Sanyal et al. | Ramp-net: A robust adaptive mpc for quadrotors via physics-informed neural network | |
CN111216126A (zh) | 基于多模态感知的足式机器人运动行为识别方法及系统 | |
Zhong et al. | Adaptive anti-noise least-squares algorithm for parameter identification of unmanned marine vehicles: Theory, simulation, and experiment | |
CN116880184A (zh) | 无人船轨迹追踪预测控制方法、系统及存储介质 | |
Yu et al. | Re-planning of quadrotors under disturbance based on meta reinforcement learning | |
Ma et al. | Model free position-force control of environmental constrained reconfigurable manipulators based on adaptive dynamic programming | |
CN113910218B (zh) | 一种基于运动学与深度神经网络融合的机器人标定方法和装置 | |
Esfahani et al. | Sliding mode controller design based on state estimation for underactuated AUVs in the presence of time-varying disturbances and uncertainties | |
Yang et al. | Time-Domain Identification Method Based on Data-Driven Intelligent Correction of Aerodynamic Parameters of Fixed-Wing UAV | |
Chen et al. | An improved nonlinear model for a helicopter and its self-repairing control with multiple faults via quantum information technique | |
Mkhoyan et al. | On-line black-box aerodynamic performance optimization for a morphing wing with distributed sensing and control | |
Herman | A quasi-velocity-based tracking controller for a class of underactuated marine vehicles | |
CN113985732B (zh) | 针对飞行器系统的自适应神经网络控制方法及装置 |
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 |