CN116027799B - 一种载荷突变后的无人机姿态稳定控制方法 - Google Patents
一种载荷突变后的无人机姿态稳定控制方法 Download PDFInfo
- Publication number
- CN116027799B CN116027799B CN202310324407.9A CN202310324407A CN116027799B CN 116027799 B CN116027799 B CN 116027799B CN 202310324407 A CN202310324407 A CN 202310324407A CN 116027799 B CN116027799 B CN 116027799B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- representing
- controller
- angle
- 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
Links
- 230000035772 mutation Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种载荷突变后的无人机姿态稳定控制方法,属于航空器飞行控制技术领域。本发明通过RBF神经网络来对无人机在卸载设备后载荷突变带来的系统干扰进行补偿,并结合滑模控制来实现无人机在载荷突变后的姿态稳定,从而能够提升无人机在卸载设备后的姿态稳定性。解决了现有技术中无人机在卸载承载物后载荷突变带来姿态失稳的问题。
Description
技术领域
本发明属于航空器飞行控制技术领域,具体涉及一种载荷突变后的无人机姿态稳定控制方法。
背景技术
随着人工智能的不断发展,无人机也得到突飞猛进的发展革新。无人机的应用领域也随之变得越来越广泛。为了使无人机能够圆满的完成各种任务,如何控制无人机的运行是当前重要的研究课题,如:公告号为CN112783209B、CN108519775B和CN110320925B的中国专利均针对无人机的不同运行环境的稳定控制做出了研究。
其中,使用察打一体无人机执行察打任务,近年来受到广泛关注。相比于有人攻击机,察打一体无人机成本更低,战场适应能力更强,能够执行危险系数更高的任务,且能够显著降低友方战场人员损伤,有效打击敌方人员及设施,因此是关键作战设备。然而在进行侦察打击任务过程中,因为无人机重量较轻,所携带设备(如:导弹、侦查设备等)重量较大,无人机在卸载承载物(如:发射导弹)后载荷会产生明显突变,从而对无人机姿态造成干扰,影响后续任务进行,甚至对无人机本体造成危险。因此,研究察打一体无人机在载荷突变后的姿态稳定控制问题,对于提升察打一体无人机作战能力具有重要意义。
发明内容
鉴于上述问题,本发明提供了一种载荷突变后的无人机姿态稳定控制方法,解决了现有技术中察打一体无人机在卸载承载物后载荷突变带来姿态失稳的问题。
本发明提供了一种载荷突变后的无人机姿态稳定控制方法,包括以下具体步骤:
步骤一、建立载荷突变后无人机的状态空间方程,表达式如下:
其中,x 1和x 2分别为状态量矩阵,x 1=[φθ ψ] T ,x 2=[pq r] T ,/>为x 1关于时间的一阶导数,/>为x 2关于时间的一阶导数;φ、θ和ψ分别表示无人机的滚转角、俯仰角和偏航角,p、q和r分别表示滚转角速度、俯仰角速度和偏航角速度;u表示控制器,u=[δ a δ e δ r ] T ,δ a 、δ e 和δ r 分别表示副翼偏转角、升降舵偏转角和方向舵偏转角;F和G为系统矩阵;d表示载荷突变后对无人机的干扰;
步骤二、建立无人机控制器的滑模面,表达式为:
其中,c滑模面参数;e表示无人机的姿态误差,e=x 1-x 1d ;x 1d 表示无人机的期望状态,x 1d =[φ d θ d ψ d ] T ,φ d 、θ d 和ψ d 分别表示无人机的期望滚转角,期望俯仰角和期望偏航角;表示e关于时间的一阶导;
步骤三、使用RBF神经网络对干扰进行预测,表达式为;
d=W *T h(x)+ε;
其中,W *T 表示RBF神经网络理想权重;x表示网络输入,h表示高斯基函数输出,ε表示神经网络估计误差;
步骤四、根据RBF神经网络对干扰的预测和无人机控制器的滑模面,建立滑模控制器;
步骤五、基于步骤四建立的滑模控制器实现对无人机载荷突变后姿态稳定的控制。
可选地,步骤四中根据RBF神经网络对干扰的预测和无人机控制器的滑模面,建立控制器,表达式为:
与现有技术相比,本发明至少可实现如下有益效果:
本发明通过RBF神经网络对察打一体无人机在卸载设备后载荷突变带来的系统干扰进行补偿,并结合滑模控制来实现无人机在载荷突变后的姿态稳定,从而能够提升察打一体无人机在打击目标后的姿态稳定性。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明控制方法的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。另外,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例,如图1,公开了一种载荷突变后的无人机姿态稳定控制方法,当无人机卸载承载物载荷突变后对无人机姿态稳定的控制,包括以下具体步骤:
步骤一、建立载荷突变后无人机的状态空间方程,表达式如下:
其中,x 1和x 2分别为状态量矩阵,x 1=[φθ ψ] T ,x 2=[pq r] T ,为x 1关于时间的一阶导数,/>为x 2关于时间的一阶导数;φ、θ和ψ分别表示无人机的滚转角、俯仰角和偏航角,p、 q和r分别表示滚转角速度、俯仰角速度和偏航角速度;u表示控制器,u=[δ a δ e δ r ] T ,δ a 、δ e 和δ r 分别表示副翼偏转角、升降舵偏转角和方向舵偏转角;F和G为系统矩阵;d表示载荷突变后对无人机的干扰。/>
步骤二、建立无人机控制器的滑模面,表达式为:
其中,c滑模面参数;e表示无人机的姿态误差,e=x 1-x 1d ;x 1d 表示无人机的期望状态,x 1d =[φ d θ d ψ d ] T ,φ d 、θ d 和ψ d 分别表示无人机的期望滚转角,期望俯仰角和期望偏航角;表示e关于时间的一阶导。
可以理解的是,无人机的期望状态是发生载荷突变后,希望无人机达到的飞行状态,如:姿态角保持与载荷突变之前相同,姿态角为滚转角、俯仰角和偏航角。
步骤三、使用RBF神经网络对干扰进行预测,表达式为;
d=W *T h(x)+ε;
其中,W *T 表示RBF神经网络理想权重;x表示网络输入,与引起干扰的变量有关,h表示高斯基函数输出,ε表示神经网络估计误差。
可选地,x为时间或姿态角。
步骤四、根据RBF神经网络对干扰的预测和无人机控制器的滑模面,建立控制器,表达式为:
步骤五、判定滑模控制器的稳定性;
采用李雅普诺夫稳定性判据判定控制器的稳定性,建立李雅普诺夫候选函数,表达式为:
对上式求导可得:
将步骤四的滑模控制器代入上式可得:
令RBF神经网络理想权重估计量关于时间的一阶导数/>等于γ·s·h,假设神经网络估计误差ε有界,‖ε‖2≤‖δ‖2≤‖η‖2,其中,δ表示有界常数;将理想权重估计量以及‖ε‖2≤‖δ‖2≤‖η‖2代入上式可得:
由此可以得到当时间趋向于无穷时,根据李雅普诺夫候选函数V求得的李雅普诺夫稳定性趋向于0,故说明所设计的控制器稳定。
步骤六、基于步骤四建立的滑模控制器实现对无人机载荷突变后姿态稳定的控制。
为了说明本发明所提方法的有效性,以下通过一个具体实施例对本发明的上述技术方案进行详细说明,本实施例设定为察打一体无人机在2000m高度进行侦察任务,当发现目标并进行导弹投放打击后,载荷发生突变,针对该察打一体无人机进行纵向姿态稳定控制,需要纵向俯仰角为零不变,即期望俯仰角θ d =0,具体实施步骤如下:
步骤一、建立载荷突变后无人机的纵向状态空间方程,表达式为:
其中,θ为无人机的俯仰角,q为俯仰角速度,为θ关于时间的一阶导数,/>为q关于时间的一阶导数,δ e 为无人机的升降舵偏角,F lon 和G lon 为纵向系统参数,d lon 为载荷突变后对无人机的纵向干扰。
步骤二、建立无人机控制器的纵向滑模面,表达式为:
步骤三、使用RBF神经网络对纵向干扰进行纵向预测,表达式为:
d lon =W lon *T h lon (x)+ε lon ;
其中,W lon *T 表示RBF神经网络纵向理想权重,x表示网络输入,与引起干扰的变量有关,h lon 表示高斯基函数纵向输出,ε lon 表示神经网络纵向估计误差。
步骤四、根据RBF神经网络对纵向干扰的预测和控制器纵向滑模面,建立纵向滑模控制器,表达式为:
步骤五、基于步骤四建立的纵向滑模控制器实现对无人机载荷突变后纵向姿态稳定的控制。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种载荷突变后的无人机姿态稳定控制方法,其特征在于,包括以下具体步骤:
步骤一、建立载荷突变后无人机的状态空间方程,表达式如下:
其中,x 1和x 2分别为状态量矩阵,x 1=[φθ ψ] T ,x 2=[pq r] T ,/>为x 1关于时间的一阶导数,/>为x 2关于时间的一阶导数;φ、θ和ψ分别表示无人机的滚转角、俯仰角和偏航角,p、q和r分别表示滚转角速度、俯仰角速度和偏航角速度;u表示控制器,u=[δ a δ e δ r ] T ,δ a 、δ e 和δ r 分别表示副翼偏转角、升降舵偏转角和方向舵偏转角;F和G为系统矩阵;d表示载荷突变后对无人机的干扰;
步骤二、建立无人机控制器的滑模面,表达式为:
其中,c滑模面参数;e表示无人机的姿态误差,e=x 1-x 1d ;x 1d 表示无人机的期望状态,x 1d =[φ d θ d ψ d ] T ,φ d 、θ d 和ψ d 分别表示无人机的期望滚转角,期望俯仰角和期望偏航角;表示e关于时间的一阶导;
步骤三、使用RBF神经网络对干扰进行预测,表达式为;
d=W *T h(x)+ε;
其中,W *T 表示RBF神经网络理想权重;x表示网络输入,h表示高斯基函数输出,ε表示神经网络估计误差;
步骤四、根据RBF神经网络对干扰的预测和无人机控制器的滑模面,建立滑模控制器,表达式为:
步骤五、基于步骤四建立的滑模控制器实现对无人机载荷突变后姿态稳定的控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324407.9A CN116027799B (zh) | 2023-03-30 | 2023-03-30 | 一种载荷突变后的无人机姿态稳定控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324407.9A CN116027799B (zh) | 2023-03-30 | 2023-03-30 | 一种载荷突变后的无人机姿态稳定控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116027799A CN116027799A (zh) | 2023-04-28 |
CN116027799B true CN116027799B (zh) | 2023-06-09 |
Family
ID=86070921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310324407.9A Active CN116027799B (zh) | 2023-03-30 | 2023-03-30 | 一种载荷突变后的无人机姿态稳定控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027799B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116909136B (zh) * | 2023-06-21 | 2023-12-26 | 山东大学 | 基于确定学习的2-dof直升机滑模控制方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419596B (zh) * | 2011-11-20 | 2013-08-21 | 北京航空航天大学 | 一种基于矢量域的小型无人机风场抗扰自适应控制方法 |
CN103197551B (zh) * | 2013-03-12 | 2016-01-20 | 南京航空航天大学 | 一种单旋翼无人飞行器的单向滑模控制方法 |
US20160293015A1 (en) * | 2013-12-14 | 2016-10-06 | Oleksiy Bragin | Projectile launched uav reconnaissance system and method |
CN103869817A (zh) * | 2014-03-03 | 2014-06-18 | 东南大学 | 一种倾转四旋翼无人机垂直起降控制方法 |
CN104536457B (zh) * | 2014-12-19 | 2017-02-22 | 重庆大学 | 基于小型无人机导航的滑模控制方法 |
CN104950901B (zh) * | 2015-07-03 | 2017-07-28 | 天津大学 | 无人直升机姿态误差有限时间收敛非线性鲁棒控制方法 |
CN108945405B (zh) * | 2018-04-23 | 2021-08-06 | 南京航空航天大学 | 直升机机体振动自适应谐波前馈-滑模反馈混合控制方法 |
CA3094757A1 (en) * | 2019-09-30 | 2021-03-30 | Bombardier Inc. | Aircraft control systems and methods using sliding mode control and feedback linearization |
CN112540538B (zh) * | 2020-12-09 | 2022-06-21 | 华东交通大学 | 一种变载荷四旋翼无人机的自适应模糊自抗扰控制方法 |
-
2023
- 2023-03-30 CN CN202310324407.9A patent/CN116027799B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116027799A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Attitude regulation for unmanned quadrotors using adaptive fuzzy gain-scheduling sliding mode control | |
CN116027799B (zh) | 一种载荷突变后的无人机姿态稳定控制方法 | |
CN107357166B (zh) | 小型无人直升机的无模型自适应鲁棒控制方法 | |
CN105159304B (zh) | 接近并跟踪空间非合作目标的有限时间容错控制方法 | |
Huang et al. | Saturated adaptive sliding mode control for autonomous vessel landing of a quadrotor | |
EP2411972A2 (en) | Trajectory tracking flight controller | |
Fan et al. | Course keeping control based on integrated nonlinear feedback for a USV with pod-like propulsion | |
CN111240212B (zh) | 一种基于优化预测的倾转旋翼无人机控制分配方法 | |
CN112965371B (zh) | 基于固定时间观测器的水面无人艇轨迹快速跟踪控制方法 | |
Hinostroza et al. | Robust fin control for ship roll stabilization based on L2-gain design | |
CN115993835A (zh) | 基于目标机动意图预测的近距空战机动决策方法及系统 | |
Yeh | Attitude controller design of mini-unmanned aerial vehicles using fuzzy sliding-mode control degraded by white noise interference | |
Yang et al. | A recurrent neural network based fuzzy sliding mode control for 4-DOF ROV movements | |
Cibiraj et al. | Chattering reduction in sliding mode control of quadcopters using neural networks | |
Qiu et al. | Robust path‐following control based on trajectory linearization control for unmanned surface vehicle with uncertainty of model and actuator saturation | |
CN113485121A (zh) | 一种分布式多船协同动力定位控制方法 | |
Makavita et al. | Predictor-based model reference adaptive control of an unmanned underwater vehicle | |
Taheri et al. | Design boundary layer thickness and switching gain in SMC algorithm for AUV motion control | |
Mohd Basri et al. | GSA-based optimal backstepping controller with a fuzzy compensator for robust control of an autonomous quadrotor UAV | |
CN114578819B (zh) | 一种基于人工势场法的多水面船分布式编队的控制方法 | |
Sørensen et al. | Comparing combinations of linear and nonlinear feedback terms for motion control of marine surface vessels | |
Khanna et al. | Adaptive block backstepping control for a UAV performing lateral maneuvers under lateral cg uncertainty | |
Sørensen et al. | A dynamic window-based controller for dynamic positioning satisfying actuator magnitude constraints | |
Pakro et al. | A vision-aided fuzzy adaptive sliding mode controller for autonomous landing of a nonlinear model helicopter on a moving marine platform | |
CN110673473B (zh) | 两轴耦合坦克炮系统的误差符号积分鲁棒自适应控制方法 |
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 |