CN113342023A - 一种基于改进模糊pid的无人机仿人控制方法 - Google Patents

一种基于改进模糊pid的无人机仿人控制方法 Download PDF

Info

Publication number
CN113342023A
CN113342023A CN202110704677.3A CN202110704677A CN113342023A CN 113342023 A CN113342023 A CN 113342023A CN 202110704677 A CN202110704677 A CN 202110704677A CN 113342023 A CN113342023 A CN 113342023A
Authority
CN
China
Prior art keywords
control
error
fuzzy
layer
follows
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.)
Withdrawn
Application number
CN202110704677.3A
Other languages
English (en)
Inventor
颜成钢
万斌
王廷宇
孙垚棋
张继勇
李宗鹏
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 CN202110704677.3A priority Critical patent/CN113342023A/zh
Publication of CN113342023A publication Critical patent/CN113342023A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于改进模糊PID的无人机仿人控制方法首先确定无人机飞行数学模型；然后进行仿人智能控制器设计；最后采用模糊PID对控制参数进行调节。本发明将模糊PID与仿人智能控制进行结合，进一步优化了仿人智能控制中的比例微分控制，将此算法应用到四旋翼无人机控制中，在角度相应、稳定性控制、抗干扰等实验中得到了不错的控制效果。

Description

一种基于改进模糊PID的无人机仿人控制方法
技术领域
本发明属于无人机飞行控制领域，尤其针对单架无人机的飞行控制，具体设计了一种无人机模糊仿人智能控制系统。
背景技术
现如今随着飞行控制、微机电系统等多种技术的发展，四旋翼飞行器越来越多的应用到人们的日常生活中。传统四旋翼飞行器是通过将输入量与反馈量之间的误差经过PID整定后来控制四旋翼飞行器的俯仰角(θ)、偏航角(ψ)、横滚角(φ),从而完成机体在水平及垂直方向上的运动。但传统的串级PID的调节过程过于繁琐且没有自我参数整定的适应能力，往往在四旋翼控制中会出现误差较大等问题，因此本文设计了一种基于模糊控制算法与仿人智能控制相结合的新型四旋翼控制器—基于模糊控制算法的四旋翼仿人控制器。
仿人智能控制(Human-simulated Intelligent Control，HSIC)一种典型的智能控制方式，它是由周其鉴等人在20世纪80年代提出的，之后又得到进一步的发展。仿人智能控制的主要思想就是在对人的控制结构宏观模拟的基础上进一步研究人的控制行为并加以模拟，最大限度地识别和利用系统动态过程所提供的特征信息，能够有效解决四旋翼飞行器PID控制参数自适应问题。但仿人智能控制中的比例、微分系数和衰减系数会影响最终的控制效果，因此采用了模糊控制算法对其进行参数优化。
在传统控制领域，控制器的主要效果受控制器系统的精度影响。模糊控制理论(Fuzzy Logic Control)是一种基于模糊语言变量、模糊逻辑推理、模糊集理论三方面的非线性智能控制方法。针对复杂的控制系统通过一系列操作以及相关经验编成相符合的模糊规则。模糊控制器作为模糊控制中的最重要组成部分，负责将定量与返回值之间的误差信号E作为模糊控制的输入信号并将其转化为模糊量得到一个模糊语言子集e，最终子集e与模糊关系R通过模糊规则得到模糊控制量u。
发明内容
本发明的目的是针对单架无人机飞行控制问题，提供了一种基于改进模糊PID的无人机仿人控制方法。本发明方法将控制器分成三层结构：直接控制层、参数矫正层、任务适应层。
本发明解决其技术问题所采用的技术方案具体包括如下步骤：
步骤1、确定无人机飞行数学模型；
无人机机体运动模型
四旋翼飞行器通过控制四个旋翼的转速从而对俯仰角(θ)、偏航角(ψ)、横滚角
Figure BDA0003131724170000021
进行调节进而完成机体的前进后退、上升下降、左右飞行等一系列飞行运动。
首先建立两个坐标系：机体坐标系、惯用坐标系。
惯用坐标系E(OXYZ)相对于地球表面不动。
机体坐标系A(oxyz)与机体质心重合，横轴ox指向一号电机，纵轴oy指向四号电机，oz垂直于oxy面。
四旋翼飞行器欧拉角：
(1)横滚角
Figure BDA0003131724170000022
机体绕ox轴转动角度。
(2)俯仰角(θ)：机体绕oy轴转动角度。
(3)偏航角(ψ)：机体绕oz轴转动飞行器纵轴在水平面内投影与惯性坐标系OX轴之间的夹角。
无人机动力学模型
根据四旋翼的姿态矢量
Figure BDA0003131724170000023
(横滚角，偏航角，俯仰角)以及位移矢量[x,y,z]，其动力学方程：
Figure BDA0003131724170000024
Figure BDA0003131724170000025
Figure BDA0003131724170000026
Figure BDA0003131724170000027
Figure BDA0003131724170000031
Figure BDA0003131724170000032
其中：
Figure BDA0003131724170000033
Figure BDA0003131724170000034
Figure BDA0003131724170000035
Figure BDA0003131724170000036
u1表示四个旋翼总升力，u2表示横滚力矩，u3表示俯仰力矩，u4表示偏航力矩，w1、w2、w3、w4分别表示四个旋翼的转速，Ix、Iy、Iz表示机体在xyz轴上的转动惯量。
步骤2、仿人智能控制器设计
仿人智能控制有三层结构：分别为运行控制层、参数校正层、任务适应层。
其基本特征：
(1)分层递阶的信息处理和决策机构；
(2)在线的特征辨识和特征记忆；
(3)开闭环控制结合；
仿人智能控制的原型算法为：
Figure BDA0003131724170000037
式中μ——控制器的输出；
e，
Figure BDA0003131724170000038
——分别表示复杂过程中的误差及误差的变化率；
em,i——误差第i次的极值；
Kp——控制器比例增益；
k——抑制系数；
仿人智能控制器通过检测四旋翼飞行器飞行过程中姿态角的期望值与测量值之间的误差以及误差的变化率来调整控制策略。其基本的控制策略分别为：bang-bang控制、比例控制、比例微分控制。并通过阈值矫正将控制器划分为①②③④⑤⑥⑦七个区域。
运行控制层
运行控制层面对实时控制问题。其特征模型为附图(3)，e、
Figure BDA0003131724170000046
分别表示飞行过程中姿态角的误差及误差的变化率。
其具体控制策略：
(1)在偏差很大的情况下，区域①采用尽可能大的控制作用，如bang-bang控制。
(2)在偏差及偏差变化率很小(满足误差要求)的情况下，区域②则采用保持模态控制。
(3)除区域①②⑥外的所有区域，均采用比例微分模态控制。
(4)在偏差变化率较大的情况区域⑥，引入基于偏差变化率的bang-bang控制。
因此，令运行控制层的特征集元集
Q1＝{q1,q2,q3,q4,q5,q6,q7,q8} (14)其中：
q1＝{|en|≥e1}q2＝{|en|≥e4}
q3＝{|en|≥e2}q4＝{|en|≥e3}
Figure BDA0003131724170000041
Figure BDA0003131724170000042
运行控制层的模型为：
Φ1＝{Φ11,Φ12,Φ13,Φ14} (15)
Φ2＝{Φ131,Φ132,Φ133}
Φ11＝{q2}
Figure BDA0003131724170000043
Figure BDA0003131724170000044
Figure BDA0003131724170000045
Figure BDA0003131724170000051
Φ13＝{Φ131∪Φ132∪Φ133}
Figure BDA0003131724170000052
运行控制层的控制模态集为：
Ψ1＝{Ψ11,Ψ12,Ψ13,Ψ14} (16)
其中：
Ψ11：{un＝sign(en)·Umax}
Ψ12：{un＝un-1}
Ψ13：
Figure BDA0003131724170000053
Ψ14：
Figure BDA0003131724170000054
其中un为控制器输出；Umax为控制器输出的最大值；e，
Figure BDA0003131724170000056
分别表示第n次误差及误差的变化率；ωpωd分别为比例系数和微分系数；k为衰减系数。
运行控制层的推理规则集为：
Ω1＝{ω11,ω12,ω13,ω14} (17)
其中：
ω11:Φ11→Ψ11
ω12:Φ12→Ψ12
ω13:Φ13→Ψ13
ω14:Φ14→Ψ14
参数矫正层
经过简化之后，参数校正层的特征模型基本与运行控制层的特征模型相同。
令参数校正层的特征集元集为：
Q2＝{q1,q2,q3,q4,q5,q6,q7,q8} (18)
其中：
q1＝{|en|≥e1}q2＝{|en|≥e4}
q3＝{|en|≥e2}q4＝{|en|≥e3}
Figure BDA0003131724170000055
Figure BDA0003131724170000061
参数校正层的模型为：
Φ1＝{Φ11,Φ12,Φ13,Φ14} (19)
Φ2＝{Φ131,Φ132,Φ133}
Φ11＝{q2}
Figure BDA0003131724170000062
Figure BDA0003131724170000063
Figure BDA0003131724170000064
Figure BDA0003131724170000065
Φ13＝{Φ131∪Φ132∪Φ133}
Figure BDA0003131724170000066
参数校正层的决策模态集为：
Ψ2＝{Ψ21,Ψ22,Ψ23} (20)
Ψ21＝{NULL}
Ψ22＝{ωp＝ωp1,ωd＝ωd1,k＝k1}
Ψ23＝{ωp＝ωp2,ωd＝ωd2,k＝k2}
参数校正层的推理规则集为：
Ω2＝{ω21,ω22,ω23,ω24} (21)
其中：
ω21:Φ21→Ψ21
ω22:Φ22→Ψ21
ω23:Φ23→Ψ22
ω24:Φ24→Ψ23
任务适应层
令任务适应层的特征集元集为：
Q3＝{q1,q2,q3,q4,q5,q6,q7,q8} (22)其中：
q1＝{|en|≥e31}q2＝{|en|≥e34}
q3＝{|en|≥e32}q4＝{|en|≥e33}
Figure BDA0003131724170000071
Figure BDA0003131724170000072
任务适应层的模型为：
Φ1＝{Φ11,Φ12,Φ13,Φ14} (23)
Φ2＝{Φ131,Φ132,Φ133}
Φ11＝{q2}
Figure BDA0003131724170000073
Figure BDA0003131724170000074
Figure BDA0003131724170000077
Figure BDA0003131724170000075
Φ13＝{Φ131∪Φ132∪Φ133}
Figure BDA0003131724170000076
任务适应层的决策模态集为：
Ψ3＝{Ψ31,Ψ32,Ψ33} (24)
Ψ31＝{NULL}
Ψ32＝{ωp＝ωp1,ωd＝ωd1,k＝k1}
Ψ33＝{ωp＝ωp2,ωd＝ωd2,k＝k2}
任务适应层的推理规则集为：
Ω3＝{ω31,ω32,ω33,ω34} (25)
其中：
ω31:Φ31→Ψ31
ω32:Φ32→Ψ31
ω33:Φ33→Ψ32
ω34:Φ34→Ψ33
步骤3、采用模糊PID对控制参数进行调节；
在对四旋翼飞行器进行姿态角仿真时发现，在误差和误差变化率较大时，用权重公式自主分配控制过程中比例和微分的比重有较好的控制效果，但随着误差和误差变化率较小时，需要对控制参数进行调节。因此采用模糊PID算法进行优化。
模糊控制器作为模糊控制中的最重要的组成部分，由模糊化接口、知识库、推理与解模糊接口组成部分。
(1)、模糊化接口：模糊化接口将输入的确定量转化为一个模糊向量。
(2)、知识库：知识库由数据库和规则库两部分组成，其中数据库是存放输入、输出变量隶属向量值的地方，规则库则是用于存放模糊规则。
(3)、推理与解模糊接口：该部分的主要功能是根据输入模糊量和模糊规则完成模糊推理获得模糊控制量。
通过对当前系统误差e和误差变化率ec进行模糊化，其中误差e由当前值响应与实际响应相减得到的，误差变化率ec由当前时刻误差与上一时刻误差计算得到，通过模糊整定推理得到比例KPC、微分KIC参数的整定规则。
对模糊PID进行改进，当控制量进入饱和区，将只执行削弱积分项的运算而停止增大积分项的运算。计算U(k)时，判断上一时刻的控制量U(k)是否已超出限制范围，当U(k)大于umax时，若误差e(k)大于0，将比例积分微分项加给控制变量，若误差e(k)小于0，则计算积分项。当当U(k)小于umax时且U(k)大于umin时，则计算积分项。当U(k)小于umax时且U(k)小于umin时，若误差e(k)小于0则将比例积分微分项加给控制变量，反之计算积分项。
本发明有益效果如下：
本发明将模糊PID与仿人智能控制进行结合，进一步优化了仿人智能控制中的比例微分控制，将此算法应用到四旋翼无人机控制中，在角度相应、稳定性控制、抗干扰等实验中得到了不错的控制效果。
附图说明
图1是四旋翼无人机坐标系；
图2是四旋翼无人机欧拉角；
图3是仿人控制器特征模型；
图4模糊整定流程图；
图5改进模糊控制流程图；
图6是姿态角响应图；
图7是稳定性曲线图；
图8是抗干扰曲线图。
具体实施方法
下面结合具体实施方式对本发明进行详细的说明。
本发明提出的仿人控制器方法，按照以下步骤实施：
步骤1、确定无人机飞行数学模型
无人机机体运动模型
四旋翼飞行器通过控制四个旋翼的转速从而对俯仰角(θ)、偏航角(ψ)、横滚角
Figure BDA0003131724170000091
进行调节进而完成机体的前进后退、上升下降、左右飞行等一系列飞行运动。
首先建立两个坐标系：机体坐标系、惯用坐标系。如附图1所示惯用坐标系E(OXYZ)相对于地球表面不动。
机体坐标系A(oxyz)与机体质心重合，横轴ox指向一号电机，纵轴oy指向四号电机，oz垂直于oxy面。
四旋翼飞行器欧拉角如附图2：
(1)横滚角
Figure BDA0003131724170000092
机体绕ox轴转动角度。
(2)俯仰角(θ)：机体绕oy轴转动角度。
(3)偏航角(ψ)：机体绕oz轴转动飞行器纵轴在水平面内投影与惯性坐标系OX轴之间的夹角。
无人机动力学模型
四旋翼飞行器动力学模型是系统设计及实现的基础。根据四旋翼的姿态矢量
Figure BDA0003131724170000093
(横滚角，偏航角，俯仰角)以及位移矢量[x,y,z]，其动力学方程：
Figure BDA0003131724170000101
Figure BDA0003131724170000102
Figure BDA0003131724170000103
Figure BDA0003131724170000104
Figure BDA0003131724170000105
Figure BDA0003131724170000106
其中：
Figure BDA0003131724170000107
Figure BDA0003131724170000108
Figure BDA0003131724170000109
Figure BDA00031317241700001010
u1表示四个旋翼总升力，u2表示横滚力矩，u3表示俯仰力矩，u4表示偏航力矩，w1、w2、w3、w4分别表示四个旋翼的转速，Ix、Iy、Iz表示机体在xyz轴上的转动惯量。
步骤2、仿人智能控制器设计
仿人智能控制(Human-simulated Intelligent Control，HSIC)是一种典型的智能控制方式，它是由周其鉴等人在20世纪80年代提出的，近年来经由李祖枢教授等众多学者的丰富和发展下已形成了较为完整的基本理论体系和较完善的设计方法。仿人智能控制的主要思想就是在对人的控制结构宏观模拟的基础上进一步研究人的控制行为并加以模拟，最大限度地识别和利用系统动态过程所提供的特征信息。这种控制算法是通过人对控制对象的观察、记忆、决策等智能行为的模型化为基础，根据被调量的偏差及偏差的变化趋势来确定变化策略。
图3是仿人控制器特征模型；
仿人智能控制有三层结构：分别为运行控制层、参数校正层、任务适应层。
其基本特征：
(1)分层递阶的信息处理和决策机构；
(2)在线的特征辨识和特征记忆；
(3)开闭环控制结合；
仿人智能控制的原型算法为：
Figure BDA0003131724170000111
式中μ——控制器的输出；
e，
Figure BDA0003131724170000112
——分别表示复杂过程中的误差及误差的变化率；
em,i——误差第i次的极值；
Kp——控制器比例增益；
k——抑制系数；
仿人智能控制器通过检测四旋翼飞行器飞行过程中姿态角的期望值与测量值之间的误差以及误差的变化率来调整控制策略。其基本的控制策略分别为：bang-bang控制、比例控制、比例微分控制。并通过阈值矫正将控制器划分为①②③④⑤⑥⑦七个区域。
运行控制层
运行控制层面对实时控制问题。其特征模型为附图(3)，e、
Figure BDA0003131724170000113
分别表示飞行过程中姿态角的误差及误差的变化率。
其具体控制策略：
(1)在偏差很大的情况下，区域①采用尽可能大的控制作用，如bang-bang控制。
(2)在偏差及偏差变化率很小(满足误差要求)的情况下，区域②则采用保持模态控制。
(3)除区域①②⑥外的所有区域，均采用比例微分模态控制。
(4)在偏差变化率较大的情况区域⑥，引入基于偏差变化率的bang-bang控制。
因此，令运行控制层的特征集元集
Q1＝{q1,q2,q3,q4,q5,q6,q7,q8} (14)
其中：
q1＝{|en|≥e1}q2＝{|en|≥e4}
q3＝{|en|≥e2}q4＝{|en|≥e3}
Figure BDA0003131724170000121
Figure BDA0003131724170000122
运行控制层的模型为：
Φ1＝{Φ11,Φ12,Φ13,Φ14} (15)
Φ2＝{Φ131,Φ132,Φ133}
Φ11＝{q2}
Figure BDA0003131724170000123
Figure BDA0003131724170000124
Figure BDA0003131724170000125
Figure BDA0003131724170000126
Φ13＝{Φ131∪Φ132∪Φ133}
Figure BDA0003131724170000127
运行控制层的控制模态集为：
Ψ1＝{Ψ11,Ψ12,Ψ13,Ψ14} (16)
其中：
Ψ11：{un＝sign(en)·Umax}
Ψ12：{un＝un-1}
Ψ13：
Figure BDA0003131724170000128
Ψ14：
Figure BDA0003131724170000129
其中un为控制器输出；Umax为控制器输出的最大值；e，
Figure BDA00031317241700001210
分别表示第n次误差及误差的变化率；ωpωd分别为比例系数和微分系数；k为衰减系数。
运行控制层的推理规则集为：
Ω1＝{ω11,ω12,ω13,ω14} (17)
其中：
ω11:Φ11→Ψ11
ω12:Φ12→Ψ12
ω13:Φ13→Ψ13
ω14:Φ14→Ψ14
参数矫正层
经过简化之后，参数校正层的特征模型基本与运行控制层的特征模型相同。
令参数校正层的特征集元集为：
Q2＝{q1,q2,q3,q4,q5,q6,q7,q8} (18)
其中：
q1＝{|en|≥e1}q2＝{|en|≥e4}
q3＝{|en|≥e2}q4＝{|en|≥e3}
Figure BDA0003131724170000131
Figure BDA0003131724170000132
参数校正层的模型为：
Φ1＝{Φ11,Φ12,Φ13,Φ14} (19)
Φ2＝{Φ131,Φ132,Φ133}
Φ11＝{q2}
Figure BDA0003131724170000133
Figure BDA0003131724170000134
Figure BDA0003131724170000135
Figure BDA0003131724170000136
Φ13＝{Φ131∪Φ132∪Φ133}
Figure BDA0003131724170000137
参数校正层的决策模态集为：
Ψ2＝{Ψ21,Ψ22,Ψ23} (20)
Ψ21＝{NULL}
Ψ22＝{ωp＝ωp1,ωd＝ωd1,k＝k1}
Ψ23＝{ωp＝ωp2,ωd＝ωd2,k＝k2}
参数校正层的推理规则集为：
Ω2＝{ω21,ω22,ω23,ω24} (21)
其中：
ω21:Φ21→Ψ21
ω22:Φ22→Ψ21
ω23:Φ23→Ψ22
ω24:Φ24→Ψ23
任务适应层
令任务适应层的特征集元集为：
Q3＝{q1,q2,q3,q4,q5,q6,q7,q8} (22)其中：
q1＝{|en|≥e31}q2＝{|en|≥e34}
q3＝{|en|≥e32}q4＝{|en|≥e33}
Figure BDA0003131724170000141
Figure BDA0003131724170000142
任务适应层的模型为：
Φ1＝{Φ11,Φ12,Φ13,Φ14} (23)
Φ2＝{Φ131,Φ132,Φ133}
Φ11＝{q2}
Figure BDA0003131724170000143
Figure BDA0003131724170000144
Figure BDA0003131724170000145
Figure BDA0003131724170000146
Φ13＝{Φ131∪Φ132∪Φ133}
Figure BDA0003131724170000147
任务适应层的决策模态集为：
Ψ3＝{Ψ31,Ψ32,Ψ33} (24)
Ψ31＝{NULL}
Ψ32＝{ωp＝ωp1,ωd＝ωd1,k＝k1}
Ψ33＝{ωp＝ωp2,ωd＝ωd2,k＝k2}
任务适应层的推理规则集为：
Ω3＝{ω31,ω32,ω33,ω34} (25)
其中：
ω31:Φ31→Ψ31
ω32:Φ32→Ψ31
ω33:Φ33→Ψ32
ω34:Φ34→Ψ33
步骤3、模糊PID优化
在对四旋翼飞行器进行姿态角仿真时发现，在误差和误差变化率较大时，用权重公式自主分配控制过程中比例和微分的比重有较好的控制效果，但随着误差和误差变化率较小时，需要对控制参数进行调节。因此采用模糊PID算法进行优化。
模糊控制器作为模糊控制中的最重要的组成部分，由模糊化接口、知识库、推理与解模糊接口组成部分。
(1)、模糊化接口：模糊化接口将输入的确定量转化为一个模糊向量。
(2)、知识库：知识库由数据库和规则库两部分组成，其中数据库是存放输入、输出变量隶属向量值的地方，规则库则是用于存放模糊规则。
(3)、推理与解模糊接口：该部分的主要功能是根据输入模糊量和模糊规则完成模糊推理获得模糊控制量。
通过对当前系统误差e和误差变化率ec进行模糊化，其中误差e由当前值响应与实际响应相减得到的，误差变化率ec由当前时刻误差与上一时刻误差计算得到，通过模糊整定推理得到比例KPC、微分KIC参数的整定规则，如表1、表2所示。
在实际过程中控制变量u可能会受到某些因素的限制，因此对模糊PID进行改进，当控制量进入饱和区，将只执行削弱积分项的运算而停止增大积分项的运算。计算U(k)时，判断上一时刻的控制量U(k)是否已超出限制范围，当U(k)大于umax时，若误差e(k)大于0，将比例积分微分项加给控制变量，若误差e(k)小于0，则计算积分项。当当U(k)小于umax时且U(k)大于umin时，则计算积分项。当U(k)小于umax时且U(k)小于umin时，若误差e(k)小于0则将比例积分微分项加给控制变量，反之计算积分项。
图4模糊整定流程图；图5改进模糊控制流程图；
表1 KP整定规则表
Figure BDA0003131724170000161
表2 KI整规则表定
Figure BDA0003131724170000162
Figure BDA0003131724170000171
实施例
通过四旋翼动力学模型和数学模型完成四旋翼机身建模，在simulink环境下搭建仿真模型
角度响应
本次实验以横滚角为例。设初始角度为0度，现以将30度分别作为模糊PID四旋翼仿人控制器和串级PID控制器的输入量，观察本文设计的四旋翼控制器能否快速回到平衡状态。仿真结果如附图6。串级PID经过2.8秒后到达响应角度，而模糊PID仿人控制器在1.9秒后便完成30度响应。
稳定性实验
再次验证其能否完成对四旋翼的稳定控制，现将30度信号作为姿态角的输入量，观察四旋翼能否回到稳定状态如附图7。串级PID经过3秒后飞行姿态保持平衡稳定，而模糊PID仿人控制器在1.7秒后飞行姿态到达稳定。
抗干扰实验
在四旋翼飞行过程中，抗干扰性极其重要，它决定着四旋翼飞行器能否在空中遇到干扰后平稳飞行。在0.1秒的时候将输入量为20的阶跃信号作为干扰信号。仿真结果如附图8。串级PID经过3.5秒后飞行姿态恢复稳定，而模糊PID仿人控制器在3.0秒后飞行姿态恢复稳定。表3为算法对比。
表3算法对比
角度响应(s) 稳定性(s) 抗干扰(s)
串级PID控制 2.8 3 3.5
粒子群仿人智能控制 1.9 2.3 3.3
模糊PID仿人智能控制 1.4 1.7 3.0

Claims (4)

1.一种基于改进模糊PID的无人机仿人控制方法，其特征在于，步骤如下：
步骤1、确定无人机飞行数学模型；
步骤2、仿人智能控制器设计；
步骤3、采用模糊PID对控制参数进行调节。
2.根据权利要求1所述的一种基于改进模糊PID的无人机仿人控制方法，其特征在于，步骤1具体方法如下：
无人机机体运动模型
四旋翼飞行器通过控制四个旋翼的转速从而对俯仰角(θ)、偏航角(ψ)、横滚角
Figure FDA0003131724160000015
进行调节进而完成机体的前进后退、上升下降、左右飞行等一系列飞行运动；
首先建立两个坐标系：机体坐标系、惯用坐标系；
惯用坐标系E(OXYZ)相对于地球表面不动；
机体坐标系A(oxyz)与机体质心重合，横轴ox指向一号电机，纵轴oy指向四号电机，oz垂直于oxy面；
四旋翼飞行器欧拉角：
(1)横滚角
Figure FDA0003131724160000016
机体绕ox轴转动角度；
(2)俯仰角(θ)：机体绕oy轴转动角度；
(3)偏航角(ψ)：机体绕oz轴转动飞行器纵轴在水平面内投影与惯性坐标系OX轴之间的夹角；
无人机动力学模型
根据四旋翼的姿态矢量
Figure FDA0003131724160000011
(横滚角，偏航角，俯仰角)以及位移矢量[x，y，z]，其动力学方程：
Figure FDA0003131724160000012
Figure FDA0003131724160000013
Figure FDA0003131724160000014
Figure FDA0003131724160000021
Figure FDA0003131724160000022
Figure FDA0003131724160000023
其中：
Figure FDA0003131724160000024
Figure FDA0003131724160000025
Figure FDA0003131724160000026
Figure FDA0003131724160000027
u1表示四个旋翼总升力，u2表示横滚力矩，u3表示俯仰力矩，u4表示偏航力矩，w1、w2、w3、w4分别表示四个旋翼的转速，Ix、Iy、Iz表示机体在xyz轴上的转动惯量。
3.根据权利要求2所述的一种基于改进模糊PID的无人机仿人控制方法，其特征在于，步骤2具体方法如下：
仿人智能控制有三层结构：分别为运行控制层、参数校正层、任务适应层；
其基本特征：
(1)分层递阶的信息处理和决策机构；
(2)在线的特征辨识和特征记忆；
(3)开闭环控制结合；
仿人智能控制的原型算法为：
Figure FDA0003131724160000028
式中μ——控制器的输出；
e，
Figure FDA0003131724160000029
——分别表示复杂过程中的误差及误差的变化率；
em，i——误差第i次的极值；
Kp——控制器比例增益；
k——抑制系数；
仿人智能控制器通过检测四旋翼飞行器飞行过程中姿态角的期望值与测量值之间的误差以及误差的变化率来调整控制策略；其基本的控制策略分别为：bang-bang控制、比例控制、比例微分控制；并通过阈值矫正将控制器划分为①②③④⑤⑥⑦七个区域；
运行控制层
运行控制层面对实时控制问题；其特征模型为附图(3)，e、
Figure FDA0003131724160000034
分别表示飞行过程中姿态角的误差及误差的变化率；
其具体控制策略：
(1)在偏差很大的情况下，区域①采用尽可能大的控制作用，如bang-bang控制；
(2)在偏差及偏差变化率很小(满足误差要求)的情况下，区域②则采用保持模态控制；
(3)除区域①②⑥外的所有区域，均采用比例微分模态控制；
(4)在偏差变化率较大的情况区域⑥，引入基于偏差变化率的bang-bang控制；
因此，令运行控制层的特征集元集
Q1＝{q1，q2，q3，q4，q5，q6，q7，q8} (14)
其中：
q1＝{|en|≥e1}q2＝{|en|≥e4}
q3＝{|en|≥e2}q4＝{|en|≥e3}
Figure FDA0003131724160000031
Figure FDA0003131724160000032
运行控制层的模型为：
Φ1＝{Φ11，Φ12，Φ13，Φ14} (15)
Φ2＝{Φ131，Φ132，Φ133}
Φ11＝{q2}
Figure FDA0003131724160000033
Figure FDA0003131724160000041
Figure FDA0003131724160000042
Figure FDA0003131724160000043
Φ13＝{Φ131∪Φ132∪Φ133}
Figure FDA0003131724160000044
运行控制层的控制模态集为：
Ψ1＝{Ψ11，Ψ12，Ψ13，Ψ14} (16)
其中：
Ψ11：{un＝sign(en)·Umax}
Ψ12：{un＝un-1}
Figure FDA0003131724160000045
Figure FDA0003131724160000047
其中un为控制器输出；Umax为控制器输出的最大值；e，
Figure FDA0003131724160000046
分别表示第n次误差及误差的变化率；ωpωd分别为比例系数和微分系数；k为衰减系数；
运行控制层的推理规则集为：
Ω1＝{ω11，ω12，ω13，ω14} (17)
其中：
ω11：Φ11→Ψ11
ω12：Φ12→Ψ12
ω13：Φ13→Ψ13
ω14：Φ14→Ψ14
参数矫正层
经过简化之后，参数校正层的特征模型基本与运行控制层的特征模型相同；
令参数校正层的特征集元集为：
Q2＝{q1，q2，q3，q4，q5，q6，q7，q8} (18)
其中：
q1＝{|en|≥e1}q2＝{|en|≥e4}
q3＝{|en|≥e2}q4＝{|en|≥e3}
Figure FDA0003131724160000051
Figure FDA0003131724160000052
参数校正层的模型为：
Φ1＝{Φ11，Φ12，Φ13，Φ14} (19)
Φ2＝{Φ131，Φ132，Φ133}
Φ11＝{q2}
Figure FDA0003131724160000053
Figure FDA0003131724160000054
Figure FDA0003131724160000055
Figure FDA0003131724160000056
Φ13＝{Φ131∪Φ132∪Φ133}
Figure FDA0003131724160000057
参数校正层的决策模态集为：
Ψ2＝{Ψ21，Ψ22，Ψ23} (20)
Ψ21＝{NULL}
Ψ22＝{ωp＝ωp1，ωd＝ωd1，k＝k1}
Ψ23＝{ωp＝ωp2，ωd＝ωd2，k＝k2}
参数校正层的推理规则集为：
Ω2＝{ω21，ω22，ω23，ω24} (21)
其中：
ω21：Φ21→Ψ21
ω22：Φ22→Ψ21
ω23：Φ23→Ψ22
ω24：Φ24→Ψ23
任务适应层
令任务适应层的特征集元集为：
Q3＝{q1，q2，q3，q4，q5，q6，q7，q8} (22)
其中：
q1＝{|en|≥e31}q2＝{|en|≥e34}
q3＝{|en|≥e32}q4＝{|en|≥e33}
Figure FDA0003131724160000061
Figure FDA0003131724160000062
任务适应层的模型为：
Φ1＝{Φ11，Φ12，Φ13，Φ14} (23)
Φ2＝{Φ131，Φ132，Φ133}
Φ11＝{q2}
Figure FDA0003131724160000063
Figure FDA0003131724160000064
Figure FDA0003131724160000065
Figure FDA0003131724160000066
Φ13＝{Φ131∪Φ132∪Φ133}
Figure FDA0003131724160000067
任务适应层的决策模态集为：
Ψ3＝{Ψ31，Ψ32，Ψ33} (24)
Ψ31＝{NULL}
Ψ32＝{ωp＝ωp1，ωd＝ωd1，k＝k1}
Ψ33＝{ωp＝ωp2，ωd＝ωd2，k＝k2}
任务适应层的推理规则集为：
Ω3＝{ω31，ω32，ω33，ω34} (25)
其中：
ω31：Φ31→Ψ31
ω32：Φ32→Ψ31
ω33：Φ33→Ψ32
ω34：Φ34→Ψ33。
4.根据权利要求3所述的一种基于改进模糊PID的无人机仿人控制方法，其特征在于，步骤3具体方法如下：
在对四旋翼飞行器进行姿态角仿真时发现，在误差和误差变化率较大时，用权重公式自主分配控制过程中比例和微分的比重有较好的控制效果，但随着误差和误差变化率较小时，需要对控制参数进行调节；因此采用模糊PID算法进行优化；
模糊控制器作为模糊控制中的最重要的组成部分，由模糊化接口、知识库、推理与解模糊接口组成部分；
(1)、模糊化接口：模糊化接口将输入的确定量转化为一个模糊向量；
(2)、知识库：知识库由数据库和规则库两部分组成，其中数据库是存放输入、输出变量隶属向量值的地方，规则库则是用于存放模糊规则；
(3)、推理与解模糊接口：该部分的主要功能是根据输入模糊量和模糊规则完成模糊推理获得模糊控制量；
通过对当前系统误差e和误差变化率ec进行模糊化，其中误差e由当前值响应与实际响应相减得到的，误差变化率ec由当前时刻误差与上一时刻误差计算得到，通过模糊整定推理得到比例KPC、微分KIC参数的整定规则；
对模糊PID进行改进，当控制量进入饱和区，将只执行削弱积分项的运算而停止增大积分项的运算；计算U(k)时，判断上一时刻的控制量U(k)是否已超出限制范围，当U(k)大于umax时，若误差e(k)大于0，将比例积分微分项加给控制变量，若误差e(k)小于0，则计算积分项；当当U(k)小于umax时且U(k)大于umin时，则计算积分项；当U(k)小于umax时且U(k)小于umin时，若误差e(k)小于0则将比例积分微分项加给控制变量，反之计算积分项。
CN202110704677.3A 2021-06-24 2021-06-24 一种基于改进模糊pid的无人机仿人控制方法 Withdrawn CN113342023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110704677.3A CN113342023A (zh) 2021-06-24 2021-06-24 一种基于改进模糊pid的无人机仿人控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110704677.3A CN113342023A (zh) 2021-06-24 2021-06-24 一种基于改进模糊pid的无人机仿人控制方法

Publications (1)

Publication Number Publication Date
CN113342023A true CN113342023A (zh) 2021-09-03

Family

ID=77478484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110704677.3A Withdrawn CN113342023A (zh) 2021-06-24 2021-06-24 一种基于改进模糊pid的无人机仿人控制方法

Country Status (1)

Country Link
CN (1) CN113342023A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117215179A (zh) * 2023-11-08 2023-12-12 南京华视智能科技股份有限公司 一种基于模糊pid的涂布机横向闭环控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN108549208A (zh) * 2018-03-14 2018-09-18 重庆邮电大学 一种基于因子自适应模糊pid的四旋翼飞行器姿态控制方法
CN110333733A (zh) * 2019-08-02 2019-10-15 南京信息工程大学 一种四旋翼飞行器的串级变论域模糊pid姿态控制系统及方法
CN111176115A (zh) * 2019-12-27 2020-05-19 合肥工业大学 基于模糊神经网络和仿人智能控制的阀位控制方法
CN112016162A (zh) * 2020-09-05 2020-12-01 江西理工大学 一种四旋翼无人机pid控制器参数优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN108549208A (zh) * 2018-03-14 2018-09-18 重庆邮电大学 一种基于因子自适应模糊pid的四旋翼飞行器姿态控制方法
CN110333733A (zh) * 2019-08-02 2019-10-15 南京信息工程大学 一种四旋翼飞行器的串级变论域模糊pid姿态控制系统及方法
CN111176115A (zh) * 2019-12-27 2020-05-19 合肥工业大学 基于模糊神经网络和仿人智能控制的阀位控制方法
CN112016162A (zh) * 2020-09-05 2020-12-01 江西理工大学 一种四旋翼无人机pid控制器参数优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
万斌: ""四旋翼无人机协同作业研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117215179A (zh) * 2023-11-08 2023-12-12 南京华视智能科技股份有限公司 一种基于模糊pid的涂布机横向闭环控制方法及系统
CN117215179B (zh) * 2023-11-08 2024-02-09 南京华视智能科技股份有限公司 一种基于模糊pid的涂布机横向闭环控制方法及系统

Similar Documents

Publication Publication Date Title
Koksal et al. Backstepping-based adaptive control of a quadrotor UAV with guaranteed tracking performance
CN106094860B (zh) 四旋翼飞行器及其控制方法
CN112540538B (zh) 一种变载荷四旋翼无人机的自适应模糊自抗扰控制方法
CN107562068B (zh) 一种四旋翼飞行器姿态的动态面输出调节控制方法
CN109946971B (zh) 一种倾转旋翼无人机过渡段的光滑切换控制方法
CN110908281A (zh) 无人直升机姿态运动有限时间收敛强化学习控制方法
CN111007877B (zh) 一种四旋翼飞行器的全局鲁棒自适应轨迹跟踪控制方法
Abdelmaksoud et al. Robust intelligent self-tuning active force control of a quadrotor with improved body jerk performance
Akbar et al. Adaptive modified super-twisting control for a quadrotor helicopter with a nonlinear sliding surface
CN113342023A (zh) 一种基于改进模糊pid的无人机仿人控制方法
Pham et al. LPV and nonlinear-based control of an autonomous quadcopter under variations of mass and moment of inertia
CN110347036B (zh) 基于模糊滑模控制的无人机自主抗风智能控制方法
dos Santos et al. An experimental validation of reinforcement learning applied to the position control of UAVs
CN114237268A (zh) 一种基于深度强化学习的无人机强鲁棒姿态控制方法
Maslim et al. Performance evaluation of adaptive and nonadaptive fuzzy structures for 4d trajectory tracking of quadrotors: A comparative study
CN111580550A (zh) 一种无人机仿人智能控制方法
Salehfard et al. An optimized fuzzy-Padé controller applied to attitude stabilization of a quadrotor
CN114003052B (zh) 一种基于动态补偿系统的固定翼无人机纵向运动鲁棒自适应控制方法
Zaker et al. On the performance of an intelligently tuned fractional order PID roll controller
Dasgupta Adaptive attitude tracking of a quad-rotorcraft using nonlinear control hierarchy
Hossny et al. Fuzzy model predictive control of a quadrotor unmanned aerial vehicle
CN116736692A (zh) 一种具有延迟状态约束的四旋翼无人机滑模容错控制方法
Ju et al. Fuzzy Adaptive Linear Active Disturbance Rejection Control for Quadrotor Load UAV based on Kalman Filter
Singh et al. Dynamic modeling and control of aircraft surfaces using hybrid intelligent controllers
Zhou et al. A design of fuzzy immune PID controller for six-rotor UAV under gyroscopic effect

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210903