CN113359440B - 基于多层积分神经动力学的多旋翼无人机控制器设计方法 - Google Patents

基于多层积分神经动力学的多旋翼无人机控制器设计方法 Download PDF

Info

Publication number
CN113359440B
CN113359440B CN202110563758.6A CN202110563758A CN113359440B CN 113359440 B CN113359440 B CN 113359440B CN 202110563758 A CN202110563758 A CN 202110563758A CN 113359440 B CN113359440 B CN 113359440B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
rotor unmanned
varying
time
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
CN202110563758.6A
Other languages
English (en)
Other versions
CN113359440A (zh
Inventor
张智军
周依行
郑陆楠
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110563758.6A priority Critical patent/CN113359440B/zh
Publication of CN113359440A publication Critical patent/CN113359440A/zh
Application granted granted Critical
Publication of CN113359440B publication Critical patent/CN113359440B/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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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

本发明公开了一种基于多层积分神经动力学的多旋翼无人机控制器设计方法，首先构建无人机隐式运动学方程，然后将无人机隐式动力学方程转化为一般的时变二阶系统问题，接着将该时变二阶系统的控制问题转化为求解该时变二阶系统的控制输入问题，再使用多层积分神经动力学方法设计二阶系统控制器，使时变二阶系统的控制输入收敛到理论控制输入；最后将求得的时变二阶系统的控制输入分配给多旋翼无人机各子系统，使各子系统各自完成单独的控制任务，最终使多旋翼无人机完成对时变目标轨迹的跟踪任务。本发明采用多层积分神经动力学方法来设计多旋翼无人机控制器，能够获得多旋翼无人机在跟踪时变轨迹的控制输入，具有实时性强，鲁棒性好的优点。

Description

基于多层积分神经动力学的多旋翼无人机控制器设计方法
技术领域
本发明涉及多旋翼无人机控制技术领域，特别是一种基于多层积分神经动力学的多旋翼无人机控制器设计方法。
背景技术
与其他类型无人机相比，多旋翼无人机是一种具有在执行任务过程中能够稳定悬停、平稳起飞和降落，机动灵活，操作安全等众多重要的优势的无人机系统。然而，尽管结构简单的多旋翼无人机具有较强的灵活可操作性，但这种欠驱动系统由于具有较强的非线性和耦合特性，同时，无人机在实时控制中容易受到外界因素的干扰，例如风力等环境因素，与此同时，类似模型误差，硬件误差等内部干扰也是无法避免的，这些因素导致了无人机系统不易控制，因此对多旋翼无人机的控制研究很有意义。
传统的神经动力学方法，例如零化神经动力学(ZD)以及梯度神经动力学(GD)因其并行计算和分布式的特点而受到越来越多研究者和工程师们的青睐。一种结合ZD和GD的方法曾用于解决无人机系统的跟踪控制问题，但因GD方法本身的局限性，即较弱的跟踪能力，ZD-GD方法并不能快速地跟踪时变任务，同时，基于ZD-GD的控制器表现出了较弱的鲁棒性。为了弥补基于ZD-GD的控制器时变轨迹跟踪能力较弱的缺点，一种三调零化动力学(TZD)方法被用于二阶系统跟踪时变目标，这种方法具有指数收敛速度和较强的鲁棒性。然而，基于TZD的控制器的不足之处在于，它是基于理想的系统模型建立的，并没有考虑系统的内部或外部干扰带来的影响。在实际的应用中，时变系统不可避免地会受到噪声的干扰。这些噪声可以看作是由硬件、机械结构、实时控制中的扰动导致。尽管基于TZD的控制器拥有比ZD-GD控制器更强的鲁棒性，但是当系统受到噪声干扰时，使用TZD控制器的系统的跟踪轨迹偏差仍然存在。
发明内容
本发明的第一目的在于解决现有技术的不足，提出一种基于多层积分神经动力学的多旋翼无人机控制器设计方法，可以获得多旋翼无人机在跟踪时变轨迹过程中的控制输入，具有实时性强，鲁棒性好的优点。
本发明的第二目的在于提出一种多旋翼无人机控制器。
本发明的第三目的在于提出一种计算机可读存储介质。
本发明的第四目的在于提出一种计算设备。
本发明的第一目的通过下述技术方案实现：一种基于多层积分神经动力学的多旋翼无人机控制器设计方法，包括如下步骤：
1)针对多旋翼无人机，构建对应的无人机隐式运动学方程；
2)将步骤1)中的无人机隐式动力学方程转化为一般的时变二阶系统问题；
3)将步骤2)中的时变二阶系统的控制问题转化为求解时变二阶系统的控制输入问题；
4)使用多层积分神经动力学方法设计二阶系统控制器，使步骤3)中时变二阶系统的控制输入收敛到理论控制输入；
5)将步骤4)中求得的时变二阶系统的控制输入，分配给多旋翼无人机各子系统。
优选的，步骤1)中构建的无人机隐式运动学方程表示如下：
Figure SMS_1
Figure SMS_2
其中，ζi1(t)、ζi2(t)分别为多旋翼无人机各子系统的位置层状态变量和速度层状态变量，ai(t)和βi(t)为各子系统的时变参数，ui(t)为各子系统的控制输入，下标i指代多旋翼无人机各子系统。
更进一步的，多旋翼无人机的子系统包括：侧倾角φ子系统、俯仰角θ子系统、偏航角ψ子系统、高度z子系统、位置x子系统、位置y子系统；
其中，
Figure SMS_3
ax(t)＝(SθCψCφ+SψSφ)/m,aφ(t)＝l/Jx
ay(t)＝(SθSψCφ-CψSφ)/m,aθ(t)＝l/Jy
az(t)＝(CθCφ)/m,aψ(t)＝1/Jz
βφ(t)＝((Jy-Jz)ζ2ψ(t)ζ2θ(t))/Jx,βx(t)＝0
βθ(t)＝((Jz-Jx)ζ2ψ(t)ζ2φ(t))/Jy,βy(t)＝0
βψ(t)＝((Jx-Jy)ζ2θ(t)ζ2φ(t))/Jz,βz(t)＝-g
式中，S和C分别表示sin(·)和cos(·)的缩写；x、y、z为多旋翼无人机的位置坐标；Jx、Jy、Jz为多旋翼无人机不同方向上的惯性矩；l、g、m分别表示多旋翼无人机的电机臂长、重力加速度和质量；uz(t)为多旋翼无人机轴方向的合力；uφ(t)和uθ(t)分别为φ和θ方向上的合力；uψ为偏航角ψ的合成力矩。
更进一步的，步骤2)中由无人机隐式动力学方程转化得到的一般的时变二阶系统问题为：
Figure SMS_6
Figure SMS_7
控制目标为系统的一阶状态变量ζ1(t)收敛到目标的时变轨迹ζ1T(t)；
其中，ζ1(t)、ζ2(t)分别为多旋翼无人机的位置层状态变量和速度层状态变量，a(t)和β(t)为多旋翼无人机的时变参数，u(t)为多旋翼无人机的控制输入。
更进一步的，在步骤3)中，设定存在控制输入理论解u*(t)，使得
Figure SMS_8
成立，进一步使得/>
Figure SMS_9
成立，最终系统的一阶状态变量ζ1(t)收敛到目标的时变轨迹ζ1T(t)，即时变二阶系统的控制问题转化为求解控制输入问题，目标为使得控制输入u(t)收敛到理论控制输入u*(t)；其中，ζ2T(t)为速度层状态变量的目标值，n(t)和/>
Figure SMS_10
为多旋翼无人机受到的干扰。
更进一步的，在步骤4)中，使用多层积分神经动力学方法设计二阶系统控制器：
Figure SMS_11
其中，
Figure SMS_12
Figure SMS_13
Figure SMS_14
Figure SMS_15
式中，
Figure SMS_16
为控制输入u(t)的一阶微分；γ、κ1、κ2、κ3均为用于缩放控制器收敛速度和抗噪声能力的可调参数，γ＞0，κ1≥0，κ2≥0，κ3≥0；e2(t)和E(t)均为误差函数，且当a(t)≠0，E(t)收敛到0时，控制输入u(t)收敛到其理论解u*(t)，进一步使得e2(t)收敛到0，系统状态变量ζ1收敛到其目标值ζ1T(t)；τ为时间t的微元。
更进一步的，在步骤5)中，根据多旋翼无人机各子系统的隐式动力学方程和二阶系统控制器获得的控制输入，为每个子系统单独提供对应的控制输入，使各子系统各自完成单独的控制任务，即ζi1(t)收敛到目标的时变轨迹ζi1T(t)，最终使多旋翼无人机完成对时变目标轨迹的跟踪任务；
其中，利用多层积分神经动力学方法得到的子系统控制器获得各子系统的控制输入ui(t)，即：
Figure SMS_17
其中，
Figure SMS_18
Figure SMS_19
Figure SMS_20
本发明的第二目的通过下述技术方案实现：一种多旋翼无人机控制器，所述多旋翼无人机控制器通过本发明第一目的所述的基于多层积分神经动力学的多旋翼无人机控制器设计方法求解得到。
本发明的第三目的通过下述技术方案实现：一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的基于多层积分神经动力学的多旋翼无人机控制器设计方法。
本发明的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的基于多层积分神经动力学的多旋翼无人机控制器设计方法。
本发明相对于现有技术具有如下的优点及效果：
1、与传统的基于比例-积分-微分的控制器设计方法相比，本发明采用多层积分神经动力学方法对多旋翼无人机控制器进行设计，属于神经网络求解器，具有计算速度快，参数调节更方便，效率更高的特点；
2、与经典的神经动力学控制器相比，本发明采用新型的多层积分神经动力学控制器，能够消除常值噪声对二阶系统的干扰，不仅继承了三调零化动力学的指数收敛速度，还同时提高了控制器的鲁棒性。
附图说明
图1为本发明基于多层积分神经动力学的多旋翼无人机控制器设计方法的流程图。
图2为本发明方法设计的多旋翼无人机控制器与经典的神经动力学控制器在多旋翼无人机常值噪声干扰下实现跟踪时变目标的轨迹对比示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例为解决多旋翼无人机跟踪时变轨迹问题，提供了一种基于多层积分神经动力学的多旋翼无人机控制器设计方法，如图1所示，首先构建无人机隐式动力学方程，并在此基础上人为对系统添加噪声，模拟无人机在实时控制中遭受到的内外干扰。然后将受干扰的无人机系统控制问题转化为一般受干扰的二阶系统的控制问题。进一步将一般受干扰的二阶系统的控制问题转化为求解二阶系统控制输入的问题。接着通过多层积分神经动力学方法设计二阶系统控制器，通过基于多层积分神经动力学的控制器来求解受干扰时变二阶系统的控制输入。最终针对多旋翼无人机欠驱动系统特点，设计无人机各子系统对应的控制器。
方法各步骤具体如下：
1)构建多旋翼无人机的无人机隐式运动学方程，表示如下：
Figure SMS_21
其中，ζi1(t)、ζi2(t)分别为多旋翼无人机各子系统的位置层状态变量和速度层状态变量，ai(t)和βi(t)为各子系统的时变参数，ui(t)为各子系统的控制输入。这里，对于任意一个参数A(t)，
Figure SMS_22
指代A(t)对时间的一阶微分，/>
Figure SMS_23
指代A(t)对时间的二阶微分。
下标i指代多旋翼无人机各子系统。本实施例多旋翼无人机具体包括了侧倾角φ子系统、俯仰角θ子系统、偏航角ψ子系统、高度z子系统、位置x子系统、位置y子系统，故表达式(2)可进一步细化为：
Figure SMS_24
Figure SMS_25
式中，S和C分别表示sin(·)和cos(·)的缩写；x、y、z为多旋翼无人机的位置坐标；Jx、Jy、Jz为多旋翼无人机在左右、前后、上下方向上的惯性矩；l、g、m分别表示多旋翼无人机的电机臂长、重力加速度和质量；uz(t)为多旋翼无人机轴方向的合力；uφ(t)和uθ(t)分别为φ和θ方向上的合力；uψ为偏航角ψ的合成力矩。
2)将无人机隐式动力学方程转化为一般的时变二阶系统问题：
Figure SMS_28
控制目标为系统的一阶状态变量ζ1(t)收敛到目标的时变轨迹ζ1T(t)。
其中，ζ1(t)、ζ2(t)分别为多旋翼无人机的位置层状态变量和速度层状态变量，a(t)和β(t)为多旋翼无人机的时变参数，u(t)为多旋翼无人机的控制输入。
在此基础上人为对系统添加噪声，模拟无人机在实时控制中遭受到的内外干扰：
Figure SMS_29
其中，
Figure SMS_30
和n(t)分别为二阶系统在一阶和二阶上所受到的内部或外部带来的未知干扰，以此将多旋翼无人机在受干扰下的跟踪时变轨迹问题转化为受干扰的二阶系统控制问题。
3)对于受干扰的时变二阶系统模型(5)，存在控制输入理论解u*(t)，使得
Figure SMS_31
成立，其中，ζ2T(t)为速度层状态变量的目标值，进一步使得
Figure SMS_32
成立，最终系统的一阶状态变量ζ1(t)收敛到目标的时变轨迹ζ1T(t)。即时变二阶系统的控制问题转化为求解控制输入问题，使得控制输入u(t)收敛到理论控制输入u*(t)。
4)使用多层积分神经动力学方法设计二阶系统控制器，以使u(t)收敛到u*(t)：
首先定义误差函数e1(t)＝ζ1(t)-ζ1T(t)，这意味着当e1(t)收敛到0时，系统状态变量ζ1将收敛到它的目标值ζ1T(t)。为了使误差函数e1(t)收敛到0，定义e1(t)的时间导数为：
Figure SMS_33
其中，γ＞0和κ1≥0是用于缩放收敛速度和抗噪声能力的参数；τ为时间t的微元；
为方便起见，定义二阶系统的状态误差函数
Figure SMS_34
其中i＝1,2，则e1(t)可重写为/>
Figure SMS_35
Figure SMS_36
可重写为/>
Figure SMS_37
公式(6)可以被改写为：
Figure SMS_38
然而，控制输入u(t)在公式(7)中并未出现。因此另外再定义误差函数e2(t)为
Figure SMS_39
相似地，当误差函数e2(t)收敛到0时，公式(7)将会成立。为使得误差函数e2(t)收敛到0，将误差函数e2(t)的时间导数定义为：
Figure SMS_40
其中，κ2≥0是一个常量。
将二阶系统的模型以及e2(t)和
Figure SMS_41
代入公式(8)中，公式(8)可以被改写为：
a(t)u(t)+b(t)＝0 (9)
其中，
Figure SMS_42
控制输入u(t)最终出现在公式(9)中。
然而，公式(9)的左边并不总是等于0，当公式(9)成立时，b(t)将等于-a(t)u*(t)，u*(t)为控制输入u(t)的理论解。故再定义误差函数E(t)＝a(t)(u(t)-u*(t))，该等式的含义为：当a(t)≠0时，E(t)收敛到0就等价于控制输入u(t)收敛到其理论解u*(t)，进而可使得e2(t)收敛到0，系统状态变量ζ1收敛到其目标值ζ1T(t)。相似地，为使得E(t)能够收敛到0，将E的时间导数定义为：
Figure SMS_43
其中，κ3是一个具有与κ1和κ2相同特征的参数。
将E(t)和
Figure SMS_44
代入公式(10)中，最终得到基于多层积分神经动力学的二阶系统控制器，即：
Figure SMS_45
其中，
Figure SMS_46
式中，
Figure SMS_47
为控制输入u(t)的一阶微分；γ、κ1、κ2、κ3均为用于缩放控制器收敛速度和抗噪声能力的可调参数，γ＞0，κ1≥0，κ2≥0，κ3≥0；m(t)仅是为简化控制器表达式而提出的一个中间量。
5)求解受干扰时变二阶系统的的控制输入：
根据无人机控制系统的隐式动力学方程(2)，可得知无人机控制系统是一个欠驱动的系统。由于位置(x,y)子系统和高度(z)子系统拥有相同的控制输入uz(t)，为加以区分，将x和y子系统重写为：
Figure SMS_48
Figure SMS_49
其中，
Figure SMS_50
式中，ux(t)、uy(t)分别为无人机x和y子系统的控制输入，从公式(15)可以看出，ux(t)、uy(t)受姿态角状态变量φ，θ和ψ的变化影响。根据公式(2)和(15)，ax(t)和ay(t)可被改写为ax(t)＝ux(t)/m和ay(t)＝uy(t)/m。
进一步地，使用以下的反解公式可以求解ζφ1T和ζθ1T：
Figure SMS_51
所得到的反解结果ζφ1T和ζθ1T分别用于设置无人机φ和θ姿态角控制器的目标输入。
根据无人机的隐式动力学系统(2)，无人机整机系统可以看作由六个不同的二阶子系统组成。根据多层积分神经动力学控制器设计方法，无人机所有的二阶子系统均满足控制器设计条件。为了使得无人机的控制输入ux(t),uy(t),uz(t),uφ(t),uθ(t),uψ(t)分别能收敛到它们的目标值，利用多层积分神经动力学方法来得到子系统控制器：
Figure SMS_52
其中，
Figure SMS_53
i分别表示无人机各子系统：x,y,z,φ,θ,ψ。
上述子系统控制器获得的控制输入ui(t)，即表示每个子系统所分配到的对应的控制输入，在该控制输入下，各子系统可以各自完成单独的控制任务，最终，ζi1(t)可以收敛到目标的时变轨迹ζi1T(t)，多旋翼无人机可以完成对时变目标轨迹的跟踪任务。
另外，为验证时变轨迹跟踪效果，本实施例还进行了仿真实验，并且与经典的神经动力学控制器(ZD-GD控制器和TZD控制器)进行了对比。
设定无人机系统受到常值噪声干扰
Figure SMS_54
n(t)＝0.5。由于不同方法的参数设置标准不同，为了获得可靠的比较，在获得相似收敛速度的基础上，选取的参数如下：ZD-GD方法(pZD＝8，pGD＝2)；TZD方法(pTZD＝8)；多层积分神经动力学方法(即图2中的MIND，参数为γ＝8，κ1＝κ2＝κ3＝2)。本实施例方法与经典的神经动力学控制器的跟踪时变轨迹对比情况可参见图2。
在图2中的(b)图中，1为ZD-GD控制器，2为TZD控制器，3为多层积分神经动力学控制器，4为3D玫瑰曲线(目标轨迹)，SP为起始点。从图2(a)和图2(b)可以观察到，只有3与4重合，也就是说，除了本实施例方法，ZD-GD和TZD控制器设计方法在无人机系统受噪声干扰时，均不能使无人机的子系统收敛到其目标轨迹。由此可见，通过使用基于多层积分神经动力学的控制器，即便无人机系统受到常值噪声干扰时，也可以保证无人机成功跟踪目标的时变轨迹。
实施例2
本实施例提供了一种多旋翼无人机控制器，所述多旋翼无人机控制器通过实施例1中的基于多层积分神经动力学的多旋翼无人机控制器设计方法求解得到，该设计方法具体如下：
1)针对多旋翼无人机，构建对应的无人机隐式运动学方程；
2)将步骤1)中的无人机隐式动力学方程转化为一般的时变二阶系统问题；
3)将步骤2)中的时变二阶系统的控制问题转化为求解时变二阶系统的控制输入问题；
4)使用多层积分神经动力学方法设计二阶系统控制器，使步骤3)中时变二阶系统的控制输入收敛到理论控制输入；
5)将步骤4)中求得的时变二阶系统的控制输入，分配给多旋翼无人机各子系统。
实施例3
本实施例提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现实施例1中的基于多层积分神经动力学的多旋翼无人机控制器设计方法，具体如下：
1)针对多旋翼无人机，构建对应的无人机隐式运动学方程；
2)将步骤1)中的无人机隐式动力学方程转化为一般的时变二阶系统问题；
3)将步骤2)中的时变二阶系统的控制问题转化为求解时变二阶系统的控制输入问题；
4)使用多层积分神经动力学方法设计二阶系统控制器，使步骤3)中时变二阶系统的控制输入收敛到理论控制输入；
5)将步骤4)中求得的时变二阶系统的控制输入，分配给多旋翼无人机各子系统。
本实施例中的计算机可读存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例提供了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1中的基于多层积分神经动力学的多旋翼无人机控制器设计方法，具体如下：
1)针对多旋翼无人机，构建对应的无人机隐式运动学方程；
2)将步骤1)中的无人机隐式动力学方程转化为一般的时变二阶系统问题；
3)将步骤2)中的时变二阶系统的控制问题转化为求解时变二阶系统的控制输入问题；
4)使用多层积分神经动力学方法设计二阶系统控制器，使步骤3)中时变二阶系统的控制输入收敛到理论控制输入；
5)将步骤4)中求得的时变二阶系统的控制输入，分配给多旋翼无人机各子系统。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、平板电脑或其他具有处理器功能的终端设备。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (6)

1.一种基于多层积分神经动力学的多旋翼无人机控制器设计方法，其特征在于，包括如下步骤：
1)针对多旋翼无人机，构建对应的无人机隐式运动学方程表示如下：
Figure QLYQS_1
Figure QLYQS_2
其中，ζi1(t)、ζi2(t)分别为多旋翼无人机各子系统的位置层状态变量和速度层状态变量，ai(t)和βi(t)为各子系统的时变参数，ui(t)为各子系统的控制输入，下标i指代多旋翼无人机各子系统；
2)将步骤1)中的无人机隐式动力学方程转化为一般的时变二阶系统问题，具体为：
Figure QLYQS_3
Figure QLYQS_4
控制目标为系统的一阶状态变量ζ1(t)收敛到目标的时变轨迹ζ1T(t)；
其中，ζ1(t)、ζ2(t)分别为多旋翼无人机的位置层状态变量和速度层状态变量，a(t)和β(t)为多旋翼无人机的时变参数，u(t)为多旋翼无人机的控制输入；
3)将步骤2)中的时变二阶系统的控制问题转化为求解时变二阶系统的控制输入问题，具体为：设定存在控制输入理论解u*(t)，使得
Figure QLYQS_5
成立，进一步使得/>
Figure QLYQS_6
成立，最终系统的一阶状态变量ζ1(t)收敛到目标的时变轨迹ζ1T(t)，即时变二阶系统的控制问题转化为求解控制输入问题，目标为使得控制输入u(t)收敛到理论控制输入u*(t)；其中，ζ2T(t)为速度层状态变量的目标值，n(t)和/>
Figure QLYQS_7
为多旋翼无人机受到的干扰；
4)使用多层积分神经动力学方法设计二阶系统控制器，使步骤3)中时变二阶系统的控制输入收敛到理论控制输入，具体为：
Figure QLYQS_8
其中，
Figure QLYQS_9
Figure QLYQS_10
Figure QLYQS_11
Figure QLYQS_12
式中，
Figure QLYQS_13
为控制输入u(t)的一阶微分；γ、κ1、κ2、κ3均为用于缩放控制器收敛速度和抗噪声能力的可调参数，γ＞0，κ1≥0，κ2≥0，κ3≥0；e2(t)和E(t)均为误差函数，且当a(t)≠0，E(t)收敛到0时，控制输入u(t)收敛到其理论解u*(t)，进一步使得e2(t)收敛到0，系统状态变量ζ1收敛到其目标值ζ1T(t)；τ为时间t的微元；
5)将步骤4)中求得的时变二阶系统的控制输入，分配给多旋翼无人机各子系统。
2.根据权利要求1所述的多旋翼无人机控制器设计方法，其特征在于，多旋翼无人机的子系统包括：侧倾角φ子系统、俯仰角θ子系统、偏航角ψ子系统、高度z子系统、位置x子系统、位置y子系统；
其中，
Figure QLYQS_14
ax(t)＝(SθCψCφ+SψSφ)/m,aφ(t)＝l/Jx
ay(t)＝(SθSψCφ-CψSφ)/m,aθ(t)＝l/Jy
az(t)＝(CθCφ)/m,aψ(t)＝1/Jz
βφ(t)＝((Jy-Jz)ζ2ψ(t)ζ2θ(t))/Jx,βx(t)＝0
βθ(t)＝((Jz-Jx)ζ2ψ(t)ζ2φ(t))/Jy,βy(t)＝0
βψ(t)＝((Jx-Jy)ζ2θ(t)ζ2φ(t))/Jz,βz(t)＝-g
式中，S和C分别表示sin(·)和cos(·)的缩写；x、y、z为多旋翼无人机的位置坐标；Jx、Jy、Jz为多旋翼无人机不同方向上的惯性矩；l、g、m分别表示多旋翼无人机的电机臂长、重力加速度和质量；uz(t)为多旋翼无人机轴方向的合力；uφ(t)和uθ(t)分别为φ和θ方向上的合力；uψ为偏航角ψ的合成力矩。
3.根据权利要求1所述的多旋翼无人机控制器设计方法，其特征在于，在步骤5)中，根据多旋翼无人机各子系统的隐式动力学方程和二阶系统控制器获得的控制输入，为每个子系统单独提供对应的控制输入，使各子系统各自完成单独的控制任务，即ζi1(t)收敛到目标的时变轨迹ζi1T(t)，最终使多旋翼无人机完成对时变目标轨迹的跟踪任务；
其中，利用多层积分神经动力学方法得到的子系统控制器获得各子系统的控制输入ui(t)，即：
Figure QLYQS_15
其中，
Figure QLYQS_16
Figure QLYQS_17
Figure QLYQS_18
4.一种多旋翼无人机控制器，其特征在于，所述多旋翼无人机控制器通过权利要求1～3中任一项所述的基于多层积分神经动力学的多旋翼无人机控制器设计方法求解得到。
5.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至3中任一项所述的基于多层积分神经动力学的多旋翼无人机控制器设计方法。
6.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至3中任一项所述的基于多层积分神经动力学的多旋翼无人机控制器设计方法。
CN202110563758.6A 2021-05-24 2021-05-24 基于多层积分神经动力学的多旋翼无人机控制器设计方法 Active CN113359440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110563758.6A CN113359440B (zh) 2021-05-24 2021-05-24 基于多层积分神经动力学的多旋翼无人机控制器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110563758.6A CN113359440B (zh) 2021-05-24 2021-05-24 基于多层积分神经动力学的多旋翼无人机控制器设计方法

Publications (2)

Publication Number Publication Date
CN113359440A CN113359440A (zh) 2021-09-07
CN113359440B true CN113359440B (zh) 2023-06-20

Family

ID=77527465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110563758.6A Active CN113359440B (zh) 2021-05-24 2021-05-24 基于多层积分神经动力学的多旋翼无人机控制器设计方法

Country Status (1)

Country Link
CN (1) CN113359440B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368091A (zh) * 2017-08-02 2017-11-21 华南理工大学 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法
CN107957730A (zh) * 2017-11-01 2018-04-24 华南理工大学 一种无人飞行器稳定飞行控制方法
CN108181920A (zh) * 2018-01-31 2018-06-19 天津大学 基于给定时间的四旋翼无人机高精度姿态跟踪控制方法
CN109324503A (zh) * 2018-08-28 2019-02-12 南京理工大学 基于鲁棒积分的多层神经网络电机系统控制方法
CN110703603A (zh) * 2019-10-28 2020-01-17 华南理工大学 一种无人机多层递归收敛神经网络控制器的控制方法
CN111694278A (zh) * 2020-06-28 2020-09-22 南京工业大学 一种四旋翼无人机的鲁棒跟踪控制方法及系统
CN111857171A (zh) * 2020-07-30 2020-10-30 华南理工大学 一种基于质量自适应多层神经网络的无人机控制方法
CN111880552A (zh) * 2020-07-28 2020-11-03 中国科学院长春光学精密机械与物理研究所 多旋翼无人机轨迹跟踪复合控制方法
CN112034869A (zh) * 2020-08-17 2020-12-04 华南理工大学 一种无人机变参神经动力学控制器的设计方法及其应用

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368091A (zh) * 2017-08-02 2017-11-21 华南理工大学 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法
CN107957730A (zh) * 2017-11-01 2018-04-24 华南理工大学 一种无人飞行器稳定飞行控制方法
CN108181920A (zh) * 2018-01-31 2018-06-19 天津大学 基于给定时间的四旋翼无人机高精度姿态跟踪控制方法
CN109324503A (zh) * 2018-08-28 2019-02-12 南京理工大学 基于鲁棒积分的多层神经网络电机系统控制方法
CN110703603A (zh) * 2019-10-28 2020-01-17 华南理工大学 一种无人机多层递归收敛神经网络控制器的控制方法
CN111694278A (zh) * 2020-06-28 2020-09-22 南京工业大学 一种四旋翼无人机的鲁棒跟踪控制方法及系统
CN111880552A (zh) * 2020-07-28 2020-11-03 中国科学院长春光学精密机械与物理研究所 多旋翼无人机轨迹跟踪复合控制方法
CN111857171A (zh) * 2020-07-30 2020-10-30 华南理工大学 一种基于质量自适应多层神经网络的无人机控制方法
CN112034869A (zh) * 2020-08-17 2020-12-04 华南理工大学 一种无人机变参神经动力学控制器的设计方法及其应用

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A multilayer neural dynamic controller design method of quadrotor UAV for completing time-varying tasks";Zhijun Zhang et al.;《Nonlinear Dynamics》;1-20 *
"A Varying-Parameter Adaptive Multi-Layer Neural Dynamic Method for Designing Controllers and Application to Unmanned Aerial Vehicles";Zhijun Zhang et al.;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;1-13 *
"Convergence and Robustness Analysis of Novel Adaptive Multilayer Neural Dynamics-Based Controllers of Multirotor UAVs";Lunan Zheng et al.;《IEEE TRANSACTIONS ON CYBERNETICS》;第51卷(第7期);3710-3723 *
"一类非线性时滞系统变结构自适应控制";钱厚斌 等;《微计算机信息》;第25卷(第6-1期);46-49 *

Also Published As

Publication number Publication date
CN113359440A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN109189087B (zh) 一种垂直起降重复使用运载器的自适应容错控制方法
Mohammadi et al. Adaptive nonlinear stabilization control for a quadrotor UAV: Theory, simulation and experimentation
CN107577145B (zh) 编队飞行航天器反步滑模控制方法
Hehn et al. A frequency domain iterative learning algorithm for high-performance, periodic quadrocopter maneuvers
CN107263481B (zh) 一种多自由度机器人的类脑学习控制方法
CN110471438B (zh) 一种刚性飞行器的固定时间自适应姿态跟踪控制方法
CN108638068B (zh) 一种携带冗余度机械臂的飞行机器人控制系统设计方法
CN111026160B (zh) 一种四旋翼无人机轨迹跟踪控制方法
CN114594784A (zh) 基于神经网络的固定翼无人机编队有限时间容错控制方法
CN113777932B (zh) 一种基于Delta算子的四旋翼自适应滑模容错控制方法
CN110543183B (zh) 一种考虑执行器受限问题的刚体飞行器固定时间姿态跟踪控制方法
CN109507890A (zh) 一种基于eso的无人机动态逆广义预测控制器
CN112987567A (zh) 非线性系统的固定时间自适应神经网络滑模控制方法
Cisneros et al. Linear parameter-varying controller design for a nonlinear quad-rotor helicopter model for high speed trajectory tracking
CN114138010B (zh) 一种基于加权偏差的多智能体高阶滑模编队控制方法
CN110333733A (zh) 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
CN113253617A (zh) 用于四旋翼无人机的在线自适应控制方法
CN113741188A (zh) 执行器故障下固定翼无人机反步自适应容错控制方法
CN113359440B (zh) 基于多层积分神经动力学的多旋翼无人机控制器设计方法
CN117452975A (zh) 一种四旋翼无人机集群的保性能协同编队控制设计方法
CN116382332B (zh) 一种基于ude的战斗机大机动鲁棒飞行控制方法
CN114995163B (zh) 一种无人机免疫控制方法
CN108845508B (zh) 一种基于cmac-滑膜一体化控制的无人机半物理仿真控制方法
CN108958270A (zh) 飞行器自抗扰控制方法和装置
CN115857544A (zh) 一种无人机集群编队飞行控制方法、装置及设备

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