CN113253610B - 飞行器控制方法及装置 - Google Patents

飞行器控制方法及装置 Download PDF

Info

Publication number
CN113253610B
CN113253610B CN202110422539.6A CN202110422539A CN113253610B CN 113253610 B CN113253610 B CN 113253610B CN 202110422539 A CN202110422539 A CN 202110422539A CN 113253610 B CN113253610 B CN 113253610B
Authority
CN
China
Prior art keywords
order subsystem
subsystem
order
tracking error
determining
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
CN202110422539.6A
Other languages
English (en)
Other versions
CN113253610A (zh
Inventor
刘振
周志明
吴士广
蒲志强
丘腾海
易建强
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110422539.6A priority Critical patent/CN113253610B/zh
Publication of CN113253610A publication Critical patent/CN113253610A/zh
Application granted granted Critical
Publication of CN113253610B publication Critical patent/CN113253610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Abstract

本发明实施例提供一种飞行器控制方法及装置，该方法综合应用参数估计误差和状态跟踪误差来设计自适应律，并在自适应律中进一步加入鲁棒修正项，不仅实现了对非线性系统的参数不确定性和非参数不确定性的同时处理，而且能够提高对参数化不确定性项的收敛速度，增强对非参数化不确定性项的鲁棒抑制，有利于减小跟踪误差，提高控制精度，进而提高了飞行器的控制效果。

Description

飞行器控制方法及装置
技术领域
本发明涉及自动控制技术领域，尤其涉及一种飞行器控制方法及装置。
背景技术
目前，对飞行器的飞行控制可以包括对飞行器的飞行参数进行控制，飞行参数可以包括飞行加速度、飞行速度、飞行距离以及飞行器姿态等，飞行器姿态可以包括飞行器倾斜角等。
由于飞行器是一个复杂的非线性系统，在对飞行器的飞行控制中也必不可少的掺杂着控制饱和、迟滞、摩擦等现象，所以经典的线性控制理论直接在飞行器上应用比较困难。而且，由于控制误差以及飞行器的飞行条件等原因，会导致飞行器的飞行参数发生变化的。而飞行参数一旦变化就会影响飞行品质，严重情况还可能造成坠机，所以对飞行器的非线性系统进行控制至关重要。
现有技术中提供的非线性系统的控制方法，仅限于处理参数化不确定性系统，考虑到飞行器的非线性系统中，参数化不确定性和非参数化不确定性都是广泛存在的不确定形式，若依然采用现有技术中的控制方法进行控制，则无法保证控制效果。
发明内容
本发明实施例提供一种飞行器控制方法及装置，用以解决现有技术中对飞行器的非线性系统仅限于处理参数化不确定性的缺陷，实现同时处理非线性系统的参数化不确定性和非参数化不确定性的功能。
本发明实施例提供一种飞行器控制方法，包括：
获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；
对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；
基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于所述复合自适应律，对所述参数不确定性项进行在线估计；
基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应率修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；
基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制。
根据本发明一个实施例的飞行器控制方法，所述基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差，具体包括：
基于所述任一阶子系统的实际跟踪误差，确定所述任一阶子系统的参数估计误差；
基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
根据本发明一个实施例的飞行器控制方法，所述基于所述任一阶子系统的实际跟踪误差，确定所述任一阶子系统的参数估计误差，具体包括：
对所述任一阶子系统的实际跟踪误差的动态方程进行滤波；
基于滤波结果及所述滤波结果的估计量，确定所述参数估计误差。
根据本发明一个实施例的飞行器控制方法，所述基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差，具体包括：
基于所述任一阶子系统的实际跟踪误差的动态方程，确定所述任一阶子系统的高一阶子系统的中间虚拟控制量；所述中间虚拟控制量用于表征所述任一阶子系统的实际跟踪误差、指令值以及所述任一阶子系统的低一阶子系统的状态跟踪误差之间的关系；
基于所述中间虚拟控制量以及所述任一阶子系统的实际跟踪误差、未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
根据本发明一个实施例的飞行器控制方法，所述基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应率，具体包括：
基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律；
基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律；
基于所述浸入与不变自适应律以及所述参数估计误差自适应律，确定所述复合自适应率。
根据本发明一个实施例的飞行器控制方法，所述基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律，具体包括：
基于所述高一阶子系统的状态变量，确定所述任一阶子系统的调节函数；
基于所述调节函数关于所述任一阶子系统的状态跟踪误差的一阶偏微分、所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差以及所述任一阶子系统的高一阶子系统的状态跟踪误差，确定所述浸入与不变自适应律。
根据本发明一个实施例的飞行器控制方法，所述基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律，具体包括：
对所述任一阶子系统的实际跟踪误差的动态方程进行滤波；
基于滤波结果以及所述任一阶子系统的参数估计误差，确定所述参数估计误差自适应律。
本发明实施例还提供一种飞行器控制装置，包括：
获取模块，用于获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；
确定模块，用于对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；
估计模块，用于基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应率，并基于所述复合自适应率，对所述参数不确定性项进行在线估计；
抑制模块，用于基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应率修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；
控制模块，用于基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述飞行器控制方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述飞行器控制方法的步骤。
本发明实施例提供的飞行器控制方法及装置，通过获取非线性系统的任一阶子系统的参数估计误差以及状态跟踪误差，确定任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于复合自适应律对参数不确定性项进行在线估计；基于鲁棒修正项对复合自适应律进行修正，得到浸入与不变鲁棒复合自适应律，并基于浸入与不变鲁棒复合自适应律，对非参数不确定性项进行鲁棒抑制。本发明实施例中综合应用参数估计误差和状态跟踪误差来设计自适应律，并在自适应律中进一步加入鲁棒修正项，不仅实现了对非线性系统的参数不确定性和非参数不确定性的同时处理，而且能够提高对参数化不确定性项的收敛速度，增强对非参数化不确定性项的鲁棒抑制，有利于减小跟踪误差，提高控制精度，进而提高了飞行器的控制效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的飞行器控制方法的流程示意图；
图2是本发明实施例提供的飞行器控制方法的具体流程示意图；
图3是本发明实施例提供的飞行器控制装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于飞行器是一个非常复杂的非线性系统，对飞行器的控制可以影响到飞行品质，因此对飞行器的非线性系统进行控制至关重要。在现有技术中，非线性系统的控制方法仅限于处理参数化不确定性，但在飞行器的非线性系统中，参数化不确定性和非参数化不确定性都是广泛存在的不确定形式，若依然采用现有技术中的控制方法进行控制，则控制效果无法保证。因此，本发明提出一种可以同时处理参数化不确定性和非参数化不确定性的飞行器控制方法。
图1是本发明实施例提供的飞行器控制方法的流程示意图。如图1所示，该方法包括：
S1，获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；
S2，对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；
S3，基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于所述复合自适应律，对所述参数不确定性项进行在线估计；
S4，基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应律修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；
S5，基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制。
具体地，本发明实施例中提供的飞行器控制方法，其执行主体为服务器，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机、平板电脑以及智能手机等，本发明实施例中对此不作具体限定。
首先执行步骤S1。飞行器是一个复杂的非线性模型，为了实现对飞行器的控制，可以获取飞行器的非线性系统，对该非线性系统进行控制，进而实现对飞行器的控制。
其中，非线性系统是指，一个系统的输出和输入是不成正比的，即对于非线性系统来说，叠加原理不再成立。在实际工程中，由于各种原因无法对一个实际工程对象进行精确建模，因此，任何一个实际的物理系统都是非线性的。
本发明实施例中，在获取飞行器的非线性系统时，可以先获取飞行器的非线性模型，飞行器的非线性模型可以是如下形式：
Figure 520746DEST_PATH_IMAGE001
（1）
其中，
Figure 359389DEST_PATH_IMAGE002
是非线性模型的状态向量，即状态变量的集合，状态变量是能 够描述动态非线性模型时域行为的变量。
Figure 760239DEST_PATH_IMAGE003
、
Figure 26135DEST_PATH_IMAGE004
是跟非线性模型状态向量相关的非线 性函数，非线性函数即函数图像不是一条直线的函数。本发明实施例中，
Figure 103812DEST_PATH_IMAGE003
、
Figure 683829DEST_PATH_IMAGE004
可以根 据实际需要进行设置，例如可以是指数函数、幂函数、多项式函数等基本初等函数或他们的 复合函数等。
Figure 163352DEST_PATH_IMAGE005
是飞行器的非线性模型的控制输入，控制输入可以是飞行器的飞行参数，例 如飞行器的飞行速度、飞行加速度或飞行距离等。
在获取飞行器的非线性模型后，将上述非线性模型转化为同时含有参数不确定性项和非参数不确定性项的非线性系统，其中，参数不确定性项可以用未知参数向量表示。本发明实施例中，可以基于非线性模型的不确定性的性质对非线性模型进行转换，转换得到的非线性系统可以表示为：
Figure 865729DEST_PATH_IMAGE006
（2）
其中，
Figure 430703DEST_PATH_IMAGE003
和
Figure 312946DEST_PATH_IMAGE004
中的参数不确定性可以用未知参数向量
Figure 646975DEST_PATH_IMAGE007
和
Figure 520253DEST_PATH_IMAGE008
来表示，非参数 不确定性可以用
Figure 572523DEST_PATH_IMAGE009
代表，
Figure 556659DEST_PATH_IMAGE010
和
Figure 948457DEST_PATH_IMAGE011
分别是
Figure 225593DEST_PATH_IMAGE003
和
Figure 765158DEST_PATH_IMAGE004
中的“回归矩阵”函数。
飞行器的非线性系统的参数不确定性，即上述用未知参数向量
Figure 552986DEST_PATH_IMAGE007
和
Figure 861607DEST_PATH_IMAGE008
来表示的
Figure 811109DEST_PATH_IMAGE003
和
Figure 41233DEST_PATH_IMAGE004
中的参数不确定性，通常指非线性系统的参数摄动。参数不确定性一般不改变 非线性系统的结构，仅仅存在着参数的变化，通常参数的变化范围已知，变化的规律未知。 飞行器的非线性系统的非参数不确定性，可以用未知的摄动函数或未知的动态方程来表 示，即上述的
Figure 101593DEST_PATH_IMAGE009
。非参数不确定性的特点是结构未知，或者仅仅已知不确定性变化的界限。
进一步地，为了形式上的统一和表达的方便，未知参数向量
Figure 28835DEST_PATH_IMAGE007
和
Figure 414817DEST_PATH_IMAGE008
还可以表示成 如下变量
Figure 866659DEST_PATH_IMAGE012
。
Figure 730709DEST_PATH_IMAGE013
（3）
然后执行步骤S2。在获取飞行器的非线性系统后，就可以基于非线性系统的实际跟踪误差和未知参数向量的估计量，确定非线性系统的参数估计误差和状态跟踪误差。
本发明实施例中，由于飞行器的非线性系统可以根据实际设定的非线性模型确定，因此，飞行器的非线性系统可以至少包含一阶子系统，非线性系统中包含的子系统的阶数可以根据需要进行设定，本发明实施例中对此不作具体限定。若任一阶子系统为第i阶子系统，则对于第i（1≤i≤n，n为非线性系统中包括的子系统的阶数）阶子系统，均可以通过第i阶子系统的实际跟踪误差以及未知参数向量的估计量，确定第i阶子系统的参数估计误差以及状态跟踪误差。
其中，跟踪误差是对任一阶子系统进行跟踪时得到的预测值和实际测量值之间的差值。本发明实施例中，实际跟踪误差可以是：
Figure 13923DEST_PATH_IMAGE014
（4）
Figure 570806DEST_PATH_IMAGE015
是非线性系统的状态向量中第
Figure 306681DEST_PATH_IMAGE016
阶子系统的状态变量，
Figure 676220DEST_PATH_IMAGE017
为第
Figure 813941DEST_PATH_IMAGE016
阶子系统的指令 值，指令值即给定的目标值。
变量
Figure 541725DEST_PATH_IMAGE012
的估计量可以是
Figure 764896DEST_PATH_IMAGE018
，
Figure 174012DEST_PATH_IMAGE018
可以具有以下形式：
Figure 166239DEST_PATH_IMAGE019
（5）
其中，
Figure 563460DEST_PATH_IMAGE020
和
Figure 539506DEST_PATH_IMAGE021
分别是未知参数向量
Figure 486733DEST_PATH_IMAGE007
和
Figure 599046DEST_PATH_IMAGE008
的估计量。在确定了上述实际跟踪误差
Figure 403054DEST_PATH_IMAGE022
以及未知参数向量的估计量后，就可以确定非线性系统的参数估计误差和状态跟踪误 差。
状态跟踪误差是指所述非线性系统中实际跟踪误差与误差浮动值之差，结合实际跟踪误差即可确定；参数估计误差是指非线性系统的各个参数的估计值与实际值之间的差值，结合实际跟踪误差以及未知参数向量的估计量即可确定。本发明实施例中对状态跟踪误差以及参数估计误差的具体确定方式不作具体限定。
然后执行步骤S3。在获取到任一阶子系统的参数估计误差以及状态跟踪误差后，就可以确定任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律。由上述可知，确定了状态跟踪误差和参数估计误差后，可以进一步确定基于参数估计误差以及状态跟踪误差共同激励的复合自适应律。
其中，自适应律是变化律，它可以描述非线性系统的受控状态变量与系统的输入信号之间的函数关系。在对非线性系统进行控制的过程中，自适应律可以自动的调整，不断更新，以此对非线性系统的不确定性进行不断的估计。
确定复合自适应律后，根据复合自适应律可以对参数不确定性项进行在线估计，例如估计飞行速度等飞行参数的不确定性项。
然后执行步骤S4。根据任一阶子系统的未知参数向量的估计量，可以确定任一阶子系统的鲁棒修正项，通过鲁棒修正项可以对上述得到的复合自适应律进行修正，修正后的结果即是浸入与不变鲁棒复合自适应律。根据浸入与不变鲁棒复合自适应律，可以对非参数不确定性项进行鲁棒抑制，例如对扰动等非参数不确定性项进行鲁棒抑制。
其中，浸入与不变是一种基于微分几何概念的非线性系统控制方法。该方法不需要构造Lyapunov函数，而是通过选择浸入映射和设计控制律，使得被控制系统的任何轨迹都是目标系统在该浸入映射下的像，并且设计的控制律能够使目标系统的像为不变吸引流形，从而保证整个系统的稳定性。
鲁棒，即健壮、稳健，鲁棒性是系统的健壮性，是指系统在一定的参数摄动下，维持某些性能的特性。
本发明实施例中，未知参数向量可以表示成变量
Figure 866396DEST_PATH_IMAGE012
，其估计量是
Figure 414052DEST_PATH_IMAGE018
，
Figure 82669DEST_PATH_IMAGE018
可以表示为：
Figure 323157DEST_PATH_IMAGE023
（6）
其中，
Figure 8216DEST_PATH_IMAGE024
是由状态跟踪误差驱动的浸入与不变自适应律估计量，
Figure 359563DEST_PATH_IMAGE025
是由参数估 计误差驱动的自适应律估计量，
Figure 180889DEST_PATH_IMAGE026
是估计量的鲁棒修正项。所述
Figure 795541DEST_PATH_IMAGE024
、
Figure 200852DEST_PATH_IMAGE025
和
Figure 355890DEST_PATH_IMAGE026
可以表示 为：
Figure 297301DEST_PATH_IMAGE027
（7）
其中，
Figure 82855DEST_PATH_IMAGE028
是
Figure 476927DEST_PATH_IMAGE024
中关于未知参数向量
Figure 170076DEST_PATH_IMAGE007
的估计量，
Figure 965994DEST_PATH_IMAGE029
是
Figure 229440DEST_PATH_IMAGE024
中关于未知参数向量
Figure 110809DEST_PATH_IMAGE008
的估计量，
Figure 810911DEST_PATH_IMAGE030
是
Figure 461336DEST_PATH_IMAGE025
中关于未知参数向量
Figure 385429DEST_PATH_IMAGE007
的估计量，
Figure 754094DEST_PATH_IMAGE031
是
Figure 490843DEST_PATH_IMAGE025
中关于未知参数向量
Figure 261353DEST_PATH_IMAGE008
的估计量，
Figure 90769DEST_PATH_IMAGE032
是
Figure 212309DEST_PATH_IMAGE026
中关于未知参数向量
Figure 50952DEST_PATH_IMAGE007
的估计量，
Figure 613651DEST_PATH_IMAGE033
是
Figure 879547DEST_PATH_IMAGE026
中关于未知参数向量
Figure 455760DEST_PATH_IMAGE008
的 估计量。
最后执行步骤S5。将非线性系统中各阶子系统都进行参数不确定性项在线估计和非参数不确定性项鲁棒抑制后，即可得到用于对飞行器进行控制的非线性系统。本发明实施例中，对非线性系统中各阶子系统都进行参数不确定性项在线估计和非参数不确定性项鲁棒抑制时，可以按照反步法，逐步从最高阶子系统（即第n阶子系统）开始，至最低阶子系统（即第1阶子系统）结束，对每一阶子系统进行参数不确定性项在线估计和非参数不确定性项鲁棒抑制。对非线性系统中各阶子系统都进行参数不确定性项在线估计和非参数不确定性项鲁棒抑制的过程，即是对非线性系统进行控制的过程，通过对非线性系统进行控制进而实现对飞行器的控制。
本发明实施例提供的飞行器控制方法，通过获取非线性系统的任一阶子系统的参数估计误差以及状态跟踪误差，确定任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于复合自适应律对参数不确定性项进行在线估计；基于鲁棒修正项对复合自适应律进行修正，得到浸入与不变鲁棒复合自适应律，并基于浸入与不变鲁棒复合自适应律，对非参数不确定性项进行鲁棒抑制。本发明实施例中综合应用参数估计误差和状态跟踪误差来设计自适应律，并在自适应律中进一步加入鲁棒修正项，不仅实现了对非线性系统的参数不确定性和非参数不确定性的同时处理，而且能够提高对参数化不确定性项的收敛速度，增强对非参数化不确定性项的鲁棒抑制，有利于减小跟踪误差，提高控制精度，进而提高了飞行器的控制效果。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，所述基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差，具体包括：
基于所述任一阶子系统的实际跟踪误差，确定所述任一阶子系统的参数估计误差；
基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
具体地，本发明实施例中，在确定任一阶子系统的参数估计误差以及状态跟踪误差时，可以根据任一阶子系统的实际跟踪误差确定参数估计误差；根据任一阶子系统的实际跟踪误差以及未知参数向量的估计量，可以确定任一阶子系统的状态跟踪误差。
可以先确定参数估计误差，然后再确定状态跟踪误差，也可以先确定状态跟踪误差再确定参数估计误差，还可以同时对参数估计误差以及状态跟踪误差进行确定，本发明实施例中对参数估计误差以及状态跟踪误差的确定顺序不作具体限定。
本发明实施例中，给出了参数估计误差和状态跟踪误差的具体方法，方便后续计算复合自适应律从而对参数不确定性项进行在线估计。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，所述基于所述任一阶子系统的实际跟踪误差，确定所述任一阶子系统的参数估计误差，具体包括：
对所述任一阶子系统的实际跟踪误差的动态方程进行滤波；
基于滤波结果及所述滤波结果的估计量，确定所述参数估计误差。
具体地，本发明实施例中，在根据任一阶子系统的实际跟踪误差确定参数估计误 差时，可以先对任一阶子系统的实际跟踪误差的动态方程进行滤波，实际跟踪误差
Figure 363673DEST_PATH_IMAGE022
的动 态方程可以是：
Figure 843196DEST_PATH_IMAGE034
（8）
对公式（8）进行滤波所采用的滤波器可以根据实际情况进行选择，本发明对此不 作具体限定。例如，滤波器可以是
Figure 483256DEST_PATH_IMAGE035
，其中，
Figure 48230DEST_PATH_IMAGE036
是拉普拉斯算子，
Figure 228675DEST_PATH_IMAGE037
是滤波器的常系 数，
Figure 828284DEST_PATH_IMAGE037
需要大于0。
在使用上述滤波器进行滤波后即可得到：
Figure 934518DEST_PATH_IMAGE038
（9）
其中：
Figure 986787DEST_PATH_IMAGE039
（10）
Figure 908607DEST_PATH_IMAGE040
（11）
Figure 362722DEST_PATH_IMAGE041
（12）
所述参数估计误差即是：
Figure 406901DEST_PATH_IMAGE042
（13）
本发明实施例中，通过对任一阶子系统的实际跟踪误差的状态方程进行滤波，基于滤波的结果和未知参数向量的估计量确定参数估计误差，使得获取到的参数估计误差更准确，提高了后续对非线性系统的控制效率。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，所述基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差，具体包括：
基于所述任一阶子系统的实际跟踪误差的动态方程，确定所述任一阶子系统的高一阶子系统的中间虚拟控制量；所述中间虚拟控制量用于表征所述任一阶子系统的实际跟踪误差、指令值以及所述任一阶子系统的低一阶子系统的状态跟踪误差之间的关系；
基于所述中间虚拟控制量以及所述任一阶子系统的实际跟踪误差、未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
具体地，本发明实施例中，在基于任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定任一阶子系统的状态跟踪误差时，可以先根据任一阶子系统的实际跟踪误差的动态方程，为任一阶子系统的高一阶子系统设计中间虚拟控制量，通过中间虚拟控制量表征所述任一阶子系统的实际跟踪误差、指令值以及所述任一阶子系统的低一阶子系统的状态跟踪误差之间的关系。
本发明实施例中，若对于第i阶子系统，第i阶子系统的高一阶子系统为第i+1阶子 系统，第i+1阶子系统的中间虚拟控制量为
Figure 946467DEST_PATH_IMAGE043
，
Figure 170513DEST_PATH_IMAGE043
可以通过
Figure 479135DEST_PATH_IMAGE022
的动态方程，即公式（8） 选取。本发明实施例中，
Figure 428636DEST_PATH_IMAGE043
可以选取为：
Figure 455498DEST_PATH_IMAGE044
（14）
确定第i+1阶子系统的中间虚拟控制量
Figure 781437DEST_PATH_IMAGE043
后，可以根据中间虚拟控制量以及任 一阶子系统的实际跟踪误差、未知参数向量的估计量，确定出任一阶子系统的状态跟踪误 差。若实际跟踪误差为
Figure 147827DEST_PATH_IMAGE022
，则状态跟踪误差可以表示为：
Figure 268230DEST_PATH_IMAGE045
（15）
Figure 546502DEST_PATH_IMAGE046
是误差浮动值，
Figure 410553DEST_PATH_IMAGE046
为：
Figure 428188DEST_PATH_IMAGE047
（16）
其中，
Figure 188333DEST_PATH_IMAGE048
是常系数，只要大于0即可，可以根据需要进行设置，本发明对此不作具体 限定。
Figure 924208DEST_PATH_IMAGE049
可以通过中间虚拟控制量
Figure 857529DEST_PATH_IMAGE043
基于指令滤波器确定。本发明实施例中，指令 滤波器可以具有如下的形式：
Figure 729670DEST_PATH_IMAGE050
（17）
其中，
Figure 955990DEST_PATH_IMAGE051
是滤波器阻尼，
Figure 382423DEST_PATH_IMAGE052
是自然频率，
Figure 588277DEST_PATH_IMAGE051
和
Figure 580503DEST_PATH_IMAGE052
可以根据实际情况进行选择，本发明 对此不作具体限定。
由上述公式（14）、（15）、（16）、（17）可知，根据中间虚拟控制量以及所述任一阶子系统的实际跟踪误差、未知参数向量的估计量，即可以确定所述任一阶子系统的状态跟踪误差。
本发明实施例中，通过为任一阶子系统设计中间虚拟控制量确定任一阶子系统的状态跟踪误差，减少了计算量，节省了资源，提高了飞行器控制方法的效率。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，所述基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应率，具体包括：
基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律；
基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律；
基于所述浸入与不变自适应律以及所述参数估计误差自适应律，确定所述复合自适应率。
具体地，本发明实施例中，在确定复合自适应率时，可以先根据任一阶子系统状态跟踪误差、任一阶子系统的低一阶子系统的状态跟踪误差、任一阶子系统的高一阶子系统的状态跟踪误差以及高一阶子系统的状态变量确定由状态跟踪误差驱动的浸入与不变自适应律。
然后可以根据任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律。
确定上述两个自适应律后，即可确定所述的复合自适应律。
本发明实施例中，通过由状态跟踪误差驱动的浸入与不变自适应律和由参数估计误差驱动的参数估计误差自适应律确定复合自适应律，在设计自适应律时，同时考虑了上述两种误差，更有利于改进飞行器控制方法的性能，提高控制效果。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，所述基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律，具体包括：
基于所述高一阶子系统的状态变量，确定所述任一阶子系统的调节函数；
基于所述调节函数关于所述任一阶子系统的状态跟踪误差的一阶偏微分、所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差以及所述任一阶子系统的高一阶子系统的状态跟踪误差，确定所述浸入与不变自适应律。
具体地，本发明实施例中，可以通过设计任一阶子系统的调节函数以及任一阶子系统的状态跟踪误差的一阶偏微分、所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差以及所述任一阶子系统的高一阶子系统的状态跟踪误差，确定所述浸入与不变自适应律。
其中，本发明实施例中，调节函数可以是
Figure 744769DEST_PATH_IMAGE053
，其可以设计为：
Figure 189656DEST_PATH_IMAGE054
（18）
Figure 900998DEST_PATH_IMAGE055
是常系数，只要大于0即可，可以根据实际需要进行设置，本发明对此不作具体 限定。
本发明实施例中，在确定调节函数后，基于状态跟踪误差驱动的浸入与不变自适应律浸入与不变自适应律的估计量为：
Figure 13311DEST_PATH_IMAGE056
（19）
其中：
Figure 82898DEST_PATH_IMAGE057
（20）
Figure 280661DEST_PATH_IMAGE058
（21）
由上述公式（18）、（19）、（20）、（21）即可确定由状态跟踪误差驱动的浸入与不变自 适应律的估计量
Figure 31579DEST_PATH_IMAGE024
，再对
Figure 998398DEST_PATH_IMAGE024
求导，即可得到浸入与不变自适应律。即浸入与不变自适应律
Figure 973307DEST_PATH_IMAGE059
为：
Figure 434200DEST_PATH_IMAGE060
（22）
本发明实施例提供中，通过设计调节函数确定由状态跟踪误差驱动的浸入与不变自适应律，简化了计算过程，提高了飞行器控制方法的效率。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，所述基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律，具体包括：
对所述任一阶子系统的实际跟踪误差的动态方程进行滤波；
基于滤波结果以及所述任一阶子系统的参数估计误差，确定所述参数估计误差自适应律。
具体地，本发明实施例中，可以通过对任一阶子系统的实际跟踪误差的动态方程进行滤波，基于滤波的结果以及参数估计误差，确定参数估计误差自适应律。
其中，实际跟踪误差的动态方程是公式（8），可以根据公式（8）、（9）、（10）、（11）、（12）、（13）对任一阶子系统的实际跟踪误差的动态方程进行滤波，并基于滤波的结果确定参数估计误差。
本发明实施例中，在确定滤波的结果以及参数估计误差后，参数估计误差自适应律是：
Figure 785547DEST_PATH_IMAGE061
（23）
本发明实施例中，通过对任一阶子系统的实际跟踪误差的动态方程进行滤波，基于滤波的结果以及参数估计误差确定基于参数估计误差的参数估计误差自适应律，减少了计算量，提高了飞行器控制方法的控制效率。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，由参数估计误差和状态跟踪误差共同激励的复合自适应律为：
Figure 810135DEST_PATH_IMAGE062
（24）
由公式（24）即可确定复合自适应律。
在上述实施例的基础上，本发明实施例提供的飞行器控制方法，所述鲁棒修正项为：
Figure 221524DEST_PATH_IMAGE063
（25）
其中，
Figure 393880DEST_PATH_IMAGE064
是与状态跟踪误差相关的常系数，
Figure 283338DEST_PATH_IMAGE065
是与参数估计误差相关的常系 数；
Figure 224750DEST_PATH_IMAGE064
和
Figure 243259DEST_PATH_IMAGE065
均可以根据实际需要进行设置，本发明对此不作具体限定。在确定了鲁棒修 正项、由状态跟踪误差驱动的浸入与不变自适应律以及基于参数估计误差驱动的参数估计 误差自适应律估后，即可以确定所述浸入与不变鲁棒复合自适应律。浸入与不变鲁棒复合 自适应律是：
Figure 637331DEST_PATH_IMAGE066
（26）
本发明实施例中，通过在复合自适应律中加入鲁棒修正项，提高了对参数化不确定性的收敛速度，增强对非参数化不确定性的鲁棒抑制，有利于减小跟踪误差，提高控制精度。
图2本发明实施例提供的飞行器控制方法的具体流程示意图，如图2所示，该方法包括：
S21，获取飞行器的非线性模型；
S22，将所述非线性模型转换为同时含有参数不确定性项和非参数不确定性项的非线性系统；
S23，对于非线性系统中的任一阶子系统，引入状态跟踪误差和指令滤波器，设计中间虚拟控制量；
S24，引入调节函数，设计参数估计误差和状态跟踪误差共同激励的复合自适应律；
S25，加入鲁棒修正项，构建浸入与不变鲁棒复合自适应律；
S26，按照反步法思路，基于步骤S23至步骤S25，逐步为每阶子系统设计中间虚拟控制量和浸入与不变鲁棒复合自适应律，直至整个系统；
S27，基于复合自适应律，对非参数不确定性项进行在线估计；基于浸入与不变鲁棒复合自适应律，对非参数不确定性项进行鲁棒抑制；
S28，基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对飞行器进行控制。
图3是本发明实施例提供的飞行器控制装置的结构示意图。如图3所示，该飞行器控制装置包括：
获取模块301，用于获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；
确定模块302，用于对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；
估计模块303，用于基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应率，并基于所述复合自适应率，对所述参数不确定性项进行在线估计；
抑制模块304，用于基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应率修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项的鲁棒抑制；
控制模块305，用于基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制。
在上述实施例的基础上，本发明实施例提供的飞行器控制装置，所述确定模块具体包括：
参数估计误差确定子模块，用于基于所述任一阶子系统的实际跟踪误差，确定所述任一阶子系统的参数估计误差；
状态跟踪误差确定子模块，用于基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
在上述实施例的基础上，本发明实施例提供的飞行器控制装置，所述参数估计误差确定子模块，具体用于：
对所述实际跟踪误差的动态方程进行滤波；
基于滤波结果及所述滤波结果的估计量，确定所述参数估计误差。
在上述实施例的基础上，本发明实施例提供的飞行器控制装置，所述状态跟踪误差确定子模块，具体用于：
基于所述任一阶子系统的实际跟踪误差的动态方程，确定所述任一阶子系统的高一阶子系统的中间虚拟控制量；所述中间虚拟控制量用于表征所述任一阶子系统的实际跟踪误差、指令值以及所述任一阶子系统的低一阶子系统的状态跟踪误差之间的关系；
基于所述中间虚拟控制量以及所述任一阶子系统的实际跟踪误差、未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
在上述实施例的基础上，本发明实施例提供的飞行器控制装置，所述估计模块具体包括：
浸入与不变自适应律确定子模块，用于基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律；
参数估计误差自适应律确定子模块，用于基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律；
复合自适应率确定子模块，用于基于所述浸入与不变自适应律以及所述参数估计误差自适应律，确定所述复合自适应率。
在上述实施例的基础上，本发明实施例提供的飞行器控制装置，所述浸入与不变自适应律确定子模块具体用于：
基于所述高一阶子系统的状态变量，确定所述任一阶子系统的调节函数；
基于所述调节函数关于所述任一阶子系统的状态跟踪误差的一阶偏微分、所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差以及所述任一阶子系统的高一阶子系统的状态跟踪误差，确定所述浸入与不变自适应律。
在上述实施例的基础上，本发明实施例提供的飞行器控制装置，所述参数估计误差自适应律确定子模块具体用于：
对所述任一阶子系统的实际跟踪误差的动态方程进行滤波；
基于滤波结果以及所述任一阶子系统的参数估计误差，确定所述参数估计误差自适应律。
具体地，本发明实施例中提供的飞行器控制装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行飞行器控制方法，该方法包括：获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于所述复合自适应律，对所述参数不确定性项进行在线估计；基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应率修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的飞行器控制方法，该方法包括：获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于所述复合自适应律，对所述参数不确定性项进行在线估计；基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应率修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的飞行器控制方法，该方法包括：获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于所述复合自适应律，对所述参数不确定性项进行在线估计；基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应率修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种飞行器控制方法，其特征在于，包括：
获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；
对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；
基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于所述复合自适应律，对所述参数不确定性项进行在线估计；
基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应律修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；
基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制；
所述基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，具体包括：
基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律；
基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律；
基于所述浸入与不变自适应律以及所述参数估计误差自适应律，确定所述复合自适应律。
2.根据权利要求1所述的飞行器控制方法，其特征在于，所述基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差，具体包括：
基于所述任一阶子系统的实际跟踪误差，确定所述任一阶子系统的参数估计误差；
基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
3.根据权利要求2所述的飞行器控制方法，其特征在于，所述基于所述任一阶子系统的实际跟踪误差，确定所述任一阶子系统的参数估计误差，具体包括：
对所述任一阶子系统的实际跟踪误差的动态方程进行滤波；
基于滤波结果及所述滤波结果的估计量，确定所述参数估计误差。
4.根据权利要求2所述的飞行器控制方法，其特征在于，所述基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差，具体包括：
基于所述任一阶子系统的实际跟踪误差的动态方程，确定所述任一阶子系统的高一阶子系统的中间虚拟控制量；所述中间虚拟控制量用于表征所述任一阶子系统的实际跟踪误差、指令值以及所述任一阶子系统的低一阶子系统的状态跟踪误差之间的关系；
基于所述中间虚拟控制量以及所述任一阶子系统的实际跟踪误差、未知参数向量的估计量，确定所述任一阶子系统的状态跟踪误差。
5.根据权利要求1所述的飞行器控制方法，其特征在于，所述基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律，具体包括：
基于所述高一阶子系统的状态变量，确定所述任一阶子系统的调节函数；
基于所述调节函数关于所述任一阶子系统的状态跟踪误差的一阶偏微分、所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差以及所述任一阶子系统的高一阶子系统的状态跟踪误差，确定所述浸入与不变自适应律。
6.根据权利要求1所述的飞行器控制方法，其特征在于，所述基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律，具体包括：
对所述任一阶子系统的实际跟踪误差的动态方程进行滤波；
基于滤波结果以及所述任一阶子系统的参数估计误差，确定所述参数估计误差自适应律。
7.一种飞行器控制装置，其特征在于，包括：
获取模块，用于获取飞行器的非线性系统，所述非线性系统包含有参数不确定性项和非参数不确定性项；所述参数不确定性项包括未知参数向量；
确定模块，用于对于非线性系统的任一阶子系统，基于所述任一阶子系统的实际跟踪误差以及未知参数向量的估计量，确定所述任一阶子系统的参数估计误差以及状态跟踪误差；
估计模块，用于基于所述任一阶子系统的参数估计误差以及状态跟踪误差，确定所述任一阶子系统基于参数估计误差以及状态跟踪误差共同激励的复合自适应律，并基于所述复合自适应律，对所述参数不确定性项进行在线估计；
抑制模块，用于基于所述任一阶子系统的未知参数向量的估计量，确定所述任一阶子系统的鲁棒修正项，并基于所述鲁棒修正项，对所述复合自适应律修正，确定浸入与不变鲁棒复合自适应律，基于所述浸入与不变鲁棒复合自适应律，对所述非参数不确定性项进行鲁棒抑制；
控制模块，用于基于各阶子系统经过在线估计以及鲁棒抑制后得到的非线性系统，对所述飞行器进行控制；
所述估计模块具体包括：
浸入与不变自适应律确定子模块，用于基于所述任一阶子系统的状态跟踪误差、所述任一阶子系统的低一阶子系统的状态跟踪误差、所述任一阶子系统的高一阶子系统的状态跟踪误差以及所述高一阶子系统的状态变量，确定基于状态跟踪误差驱动的浸入与不变自适应律；
参数估计误差自适应律确定子模块，用于基于所述任一阶子系统的参数估计误差以及所述任一阶子系统的实际跟踪误差的动态方程，确定基于参数估计误差驱动的参数估计误差自适应律；
复合自适应律确定子模块，用于基于所述浸入与不变自适应律以及所述参数估计误差自适应律，确定所述复合自适应律。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述飞行器控制方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述飞行器控制方法的步骤。
CN202110422539.6A 2021-04-20 2021-04-20 飞行器控制方法及装置 Active CN113253610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110422539.6A CN113253610B (zh) 2021-04-20 2021-04-20 飞行器控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110422539.6A CN113253610B (zh) 2021-04-20 2021-04-20 飞行器控制方法及装置

Publications (2)

Publication Number Publication Date
CN113253610A CN113253610A (zh) 2021-08-13
CN113253610B true CN113253610B (zh) 2021-10-01

Family

ID=77221087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110422539.6A Active CN113253610B (zh) 2021-04-20 2021-04-20 飞行器控制方法及装置

Country Status (1)

Country Link
CN (1) CN113253610B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540887A (zh) * 2011-12-27 2012-07-04 浙江大学 一种非线性参数化系统的控制方法
CN106406085B (zh) * 2016-03-15 2019-02-01 吉林大学 基于跨尺度模型的空间机械臂轨迹跟踪控制方法
CN105867139B (zh) * 2016-06-27 2018-08-14 北京理工大学 一种模型参考自适应的飞行器鲁棒控制方法
CN108646548A (zh) * 2018-03-21 2018-10-12 中国科学院自动化研究所 飞行控制律的设计方法及装置
CN109976367A (zh) * 2019-03-27 2019-07-05 天津大学 针对倾转式三旋翼无人机的姿态系统控制方法
CN110119089B (zh) * 2019-03-29 2022-06-14 华东理工大学 一种基于积分滑模的浸入不变流型自适应四旋翼控制方法
CN110417003B (zh) * 2019-07-09 2020-11-17 西安工程大学 基于双参数自适应的statcom与励磁鲁棒协调方法
CN111007877B (zh) * 2019-11-20 2022-11-08 江苏信息职业技术学院 一种四旋翼飞行器的全局鲁棒自适应轨迹跟踪控制方法

Also Published As

Publication number Publication date
CN113253610A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Cho et al. Composite model reference adaptive control with parameter convergence under finite excitation
KR20200031163A (ko) 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체
EP3379367B1 (en) Methods and apparatus to perform observer-based control of a vehicle
GB2471758A (en) Methods and Apparatus to Compensate First Principle-Based Simulation Models
CN115390459B (zh) 模型预测控制方法及装置
CN113954831A (zh) 一种车辆横向控制方法、装置及自动驾驶车辆
CN115469553B (zh) 一种船舶运动状态重构方法、装置、设备及存储介质
Bahreini et al. Robust finite-time stabilization for networked control systems via static output-feedback control: Markovian jump systems approach
CN113253610B (zh) 飞行器控制方法及装置
Rabaoui et al. Descriptor observer‐based sensor and actuator fault tolerant tracking control design for linear parameter varying systems
CN111258222A (zh) 自回归滑动平均系统自适应状态估计方法及闭环控制系统
CN113219842B (zh) 基于自适应动态规划的机械臂最优跟踪控制方法、系统、处理设备、存储介质
WO2021006332A1 (ja) 情報処理装置、プログラム、及び算出方法
WO2020246531A1 (ja) 情報処理装置、プログラム、及び算出方法
Gerasimov et al. Adaptive tracking of unknown multi-sinusoidal signal in linear systems with arbitrary input delays and unknown sign of high frequency gain
CN112415988B (zh) 一种自抗扰控制系统稳定性的分析方法及分析装置
Hegedűs et al. Implementation and design of ultra-local model-based control strategy for autonomous vehicles
Minami et al. Two-step reinforcement learning for model-free redesign of nonlinear optimal regulator
CN115793449B (zh) 直升机飞行姿态控制器设计方法及装置、设备、存储介质
Ferreira et al. Computational performance of state-value function approximators based on RLS-HDP estimators for online DLQR control system design
Rizvi et al. Model-Free H∞ Disturbance Rejection and Linear Quadratic Zero-Sum Games
Tao et al. Adaptive generalized predictive control for ship autopilot
CN113325718A (zh) 一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质
RU2191419C1 (ru) Адаптивная система управления с идентификатором и эталонной моделью
GB2607832A (en) Learning with moment estimation using different time constants

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