CN116088311A - 基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法 - Google Patents

基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法 Download PDF

Info

Publication number
CN116088311A
CN116088311A CN202310058494.8A CN202310058494A CN116088311A CN 116088311 A CN116088311 A CN 116088311A CN 202310058494 A CN202310058494 A CN 202310058494A CN 116088311 A CN116088311 A CN 116088311A
Authority
CN
China
Prior art keywords
unmanned helicopter
speed
neural network
control
unmanned
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.)
Pending
Application number
CN202310058494.8A
Other languages
English (en)
Inventor
申遂愿
徐锦法
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202310058494.8A priority Critical patent/CN116088311A/zh
Publication of CN116088311A publication Critical patent/CN116088311A/zh
Pending legal-status Critical Current

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

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

本发明涉及基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，设计方法应用基于自适应RBF神经网络的状态观测器，用于系统状态和总扰动扩张状态的估计，观测效果好于经典自抗扰控制器扩张状态观测器，降低了ADRC控制器参数整定难度；并且基于自适应RBF神经网络对二阶不确定性系统总扰动进行估计，减少了不确定性因素对控制系统性能的影响；整个设计方法克服了传统滑模控制器高频抖振的缺点，使得控制器的动态性能得到提升，并且能够有效克服无人直升机面临的内外扰动影响，提高了飞行控制系统的抗扰性和鲁棒性，控制性能优于传统滑模控制器。

Description

基于自适应神经网络扩张状态观测器的无人直升机二阶不确 定滑模控制方法
技术领域
本发明涉及基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，属于二阶不确定性系统控制技术领域。
背景技术
实际工业系统中，二阶不确定性系统普遍存在，如有人/无人直升机/固定翼飞机、倒立摆、自动驾驶汽车等等。二阶不确定性系统所受的扰动是未知，且难以计算和测量，扰动涉及内部扰动(结构参数不确定性或未建模动态)和外部扰动(外界风扰动)二大类，会影响被控对象的稳定性，需要通过控制系统设计来克服对系统的影响。研究二阶不确定系统的控制问题具有重要理论和实际意义。
二阶不确定性系统控制设计方法很多，有线性控制、非线性控制和智能控制。在线性控制领域，如比例-积分-微分控制(Proportional-Integral-Derivative,PID)，线性二次型控制(Linear Quadratic Regulator,LQR)等。这些控制方法设计简单，易于工程实现，但线性控制器设计过度依赖于精确的飞行动力学模型，而无人直升机面临着不确定性扰动，因此线性控制器难以有效克服无人直升机的内外扰动。在非线性控制领域，如反步控制(Backstepping Control)、自抗扰控制(Active Disturbance Rejection Control，ADRC)、滑模控制(Sliding Mode Control,SMC)等。其中，以滑模控制和自抗扰控制应用最为广泛，如Ifassiouen等设计了一种滑模控制器应用于二阶无人直升机小系统的飞行控制，应用李雅普诺夫稳定性理论，分析了小型无人直升机系统面对内外扰动仍然具有渐近稳定性，用仿真结果说明所设计的控制系统具有良好的跟踪性能(期刊：International Journal ofMechanical,Aerospace,Industrial and Mechatronics Engineering；著者：H.Ifassiouen,M.Guisser,H.Medromi；出版年月：2007；文章题目：Robust nonlinearcontrol of a miniature autonomous helicopter using sliding mode controlstructure；页码：84-89)。Ramirez等提出了一种将积分滑模与反演控制相结合的算法，仿真说明了二阶无人直升机系统存有阵风干扰情况下依然飞行良好(期刊：Journal ofIntelligent and Robotic Systems；著者：H.Ramirez-Rodriguez,V.Parra-Vega,A.Sanchez-Orta；出版年月：2014；文章题目：Robust backstepping control based onintegral sliding modes for tracking of quadrotors；页码：51-66)。滑模控制具有快速响应、对应参数变化及扰动不灵敏、无需系统在线辨识、物理实现简单等优点。但是，当状态轨迹到达滑动模态面后，难以严格沿着滑动模态面向平衡点滑动，而是在其两侧来回穿越地趋近平衡点，从而产生抖振，这也是滑模控制实际应用中的主要障碍。考虑到内外扰动干扰特性，自抗扰控制(Active Disturbance Rejection Control，ADRC)将二阶系统内部及外部扰动视为总扰动，通过状态扩张的办法建立扩张状态观测器(Extended StateObserver，ESO)，将总扰动用扩张状态进行估计，用于系统控制实时补偿。ADRC能够克服内外扰动对系统控制的影响，使系统具有较强的鲁棒性，控制系统设计不受被控对象模型精确性限制，业已从工程实践和理论分析角度进行了验证。ADRC控制器是一种非线性控制器，其缺陷在于控制器参数较多，难以整定。同时扩张状态观测器自适应能力并不强，一旦内外干扰变化大，扩张状态观测器先前状态所用整定参数很可能不再适用，需要重新整定。
发明内容
本发明所要解决的技术问题是提供基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，不仅能使无人直升机控制免受内外扰动影响，而且能够提高针对无人直升机的控制效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，基于实时目标指令，实时执行如下步骤A至步骤C，实现对无人直升机的实时控制；
步骤A.根据无人直升机的6自由度运动特征，构建无人直升机所对应的运动学模型，然后进入步骤B；
步骤B.基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机姿态二阶不确定性模型及其控制回路，获得无人直升机的姿态控制矢量；
基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机速度二阶不确定性模型及其控制回路，获得无人直升机的速度控制矢量；
基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机位置二阶不确定性模型及其控制回路，获得无人直升机的位置控制矢量；然后进入步骤C；
步骤C.根据无人直升机的姿态控制矢量、速度控制矢量、位置控制矢量，针对无人直升机进行控制。
作为本发明的一种优选技术方案：所述步骤A中，根据无人直升机的6自由度运动特征，构建无人直升机所对应的运动学模型如下：
Figure BDA0004060873330000021
Figure BDA0004060873330000022
Figure BDA0004060873330000031
Figure BDA0004060873330000032
其中，V＝[u v w]T为无人直升机的前飞速度、横向速度、垂向速度；S＝[p q r]T为无人直升机的滚转角速度、俯仰角速度、偏航角速度；α＝[φ θ ψ]T为无人直升机的滚转欧拉角、俯仰欧拉角、偏航欧拉角；P＝[X Y Z]T为无人直升机地面坐标；m为无人直升机的全机质量；F、M分别为无人直升机全机各部件的合外力、以及合外力矩；I为无人直升机惯性矩矩阵，Ω为无人直升机三轴角速率反对称矩阵，REB为机体坐标系到地面坐标系的转换矩阵，E为无人直升机机体角速度到欧拉角速度的转换矩阵。
作为本发明的一种优选技术方案：所述步骤B中，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机姿态二阶不确定性模型及其控制回路，获得无人直升机的姿态控制矢量；
根据式(2)和式(3)，构建无人直升机姿态二阶不确定性模型如下：
Figure BDA0004060873330000033
Figure BDA0004060873330000034
其中，w1为无人直升机姿态对应的外部扰动，Uc＝[δlon δlat δTR]为无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量，F1(α)为关于α的函数，F2(α，s，V，Ω，w1)为关于α、S、V、Ω、w1的函数，B(α，S，V，Ω，w1)为关于α、S、V、Ω、w1的函数，进一步联立式(5)与式(6)，获得无人直升机姿态二阶系统状态方程组如下：
Figure BDA0004060873330000035
其中，F3＝dF1(α)/dt，将α之外的内部动态特性、各通道之间的操纵耦合、以及外扰视为总扰动，记为总扰动
Figure BDA0004060873330000036
Figure BDA0004060873330000037
则式(7)更新如下：
Figure BDA0004060873330000038
其中，B0α为无人直升机姿态控制增益矩阵，无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量Uc与输出量y＝α构成单输入-单输出关系；
基于定义x1＝α，
Figure BDA0004060873330000039
构建无人直升机姿态二阶非线性扩张系统如下：
Figure BDA0004060873330000041
进一步构建关于无人直升机姿态俯仰角、滚转角、偏航角的观测器如下：
Figure BDA0004060873330000042
Figure BDA0004060873330000043
Figure BDA0004060873330000044
其中，α为无人直升机实际俯仰角、实际滚转角、实际偏航角，λ、β1、β2为增益系数，ζ为固定步长，
Figure BDA0004060873330000045
为径向基函数神经网络RBFNN，
Figure BDA0004060873330000046
ci为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bi为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0α为无人直升机姿态控制增益，
Figure BDA0004060873330000047
Figure BDA0004060873330000048
表示估计权值，
Figure BDA0004060873330000049
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数；
进一步基于关于无人直升机姿态俯仰角、滚转角、偏航角的观测器，按如下公式：
Figure BDA00040608733300000410
获得无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量Uc，构成无人直升机的姿态控制矢量，αg为无人直升机俯仰角、滚转角、偏航角的目标指令，
Figure BDA00040608733300000411
为无人直升机俯仰角、滚转角、偏航角的操纵配平量，Δδα为姿态控制器的输出增量，s(t)为滑膜函数，c为预设参数。
作为本发明的一种优选技术方案：所述步骤B中，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机速度二阶不确定性模型及其控制回路，获得无人直升机的速度控制矢量；
根据式(1)，构建无人直升机速度二阶不确定性模型如下：
Figure BDA0004060873330000051
其中，w2为无人直升机速度对应的外部扰动，并定义扰动
Figure BDA0004060873330000052
Figure BDA0004060873330000053
为关于
Figure BDA0004060873330000054
S、V、w2的函数，则获得如下：
Figure BDA0004060873330000055
其中，B0V为无人直升机速度控制增益矩阵，
Figure BDA0004060873330000056
为由俯仰角、滚转角和速度回路所获总距操纵量δcol构成的虚拟控制矢量，与无人直升机前飞速度、横向速度、垂向速度构成的V构成一一对应的单输入单输出系统；
基于定义
Figure BDA0004060873330000057
x2＝V，
Figure BDA0004060873330000058
则有
Figure BDA0004060873330000059
构建无人直升机速度二阶非线性扩张系统如下：
Figure BDA00040608733300000510
进一步构建关于无人直升机前飞速度、横向速度、垂向速度的观测器如下：
Figure BDA00040608733300000511
Figure BDA00040608733300000512
Figure BDA00040608733300000513
其中，V′为无人直升机实际前飞速度、实际横向速度、实际垂向速度，λ、β1、β2为增益系数，ζ为固定步长，
Figure BDA00040608733300000514
为径向基函数神经网络RBFNN，
Figure BDA00040608733300000515
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0V为无人直升机速度控制增益，
Figure BDA0004060873330000061
Figure BDA0004060873330000062
表示估计权值，
Figure BDA0004060873330000063
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数；
进一步基于关于无人直升机前飞速度、横向速度、垂向速度的观测器，按如下公式：
Figure BDA0004060873330000064
获得无人直升机前飞速度通道操纵量、横向速度通道操纵量、垂向速度通道操纵量构成的控制矢量
Figure BDA0004060873330000065
构成无人直升机的速度控制矢量，针对无人机进行控制，vg为无人直升机前飞速度、横向速度、垂向速度的目标指令，
Figure BDA0004060873330000066
为无人直升机前飞速度、横向速度、垂向速度的操纵配平量，ΔδV为速度控制器的输出增量，s(t)为滑膜函数，c为预设参数。
作为本发明的一种优选技术方案：所述步骤B中，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机位置二阶不确定性模型及其控制回路，获得无人直升机的位置控制矢量；
根据式(4)，构建无人直升机位置二阶不确定性模型如下：
Figure BDA0004060873330000067
其中，w3为无人直升机位置对应的外部扰动，并定义扰动
Figure BDA0004060873330000068
F5(α，w3)表示关于α、w3的函数，则获得如下：
Figure BDA0004060873330000069
其中，B0p为无人直升机位置控制增益矩阵，
Figure BDA00040608733300000610
为P的虚拟控制量；
基于定义
Figure BDA00040608733300000611
x2＝P，
Figure BDA00040608733300000612
则有
Figure BDA00040608733300000613
构建无人直升机位置二阶非线性扩张系统如下：
Figure BDA0004060873330000071
进一步构建关于无人直升机位置地面坐标的观测器如下：
Figure BDA0004060873330000072
Figure BDA0004060873330000073
Figure BDA0004060873330000074
其中，P′为无人直升机实际位置地面坐标，λ、β1、β2为增益系数，ζ为固定步长，
Figure BDA0004060873330000075
为径向基函数神经网络RBFNN，
Figure BDA0004060873330000076
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0P为无人直升机位置控制增益，
Figure BDA0004060873330000077
Figure BDA0004060873330000078
表示估计权值，
Figure BDA0004060873330000079
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数；
进一步基于关于无人直升机位置地面坐标的观测器，按如下公式：
Figure BDA00040608733300000710
获得无人直升机前飞速度位置地面坐标操纵量构成的控制矢量
Figure BDA00040608733300000711
构成无人直升机的位置控制矢量，Pg为无人直升机位置地面坐标的目标指令，
Figure BDA00040608733300000712
为无人直升机位置地面坐标的操纵配平量，ΔδP为位置控制器输出增量，s(t)为滑膜函数，c为预设参数。
本发明所述基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，建立无人直升机的二阶不确定性系统模型，并设计自适应神经网络扩张状态观测器，据此构建无人直升机滑模控制方法，能够有效避免无人直升机控制系统受限于内外扰动影响；设计方法应用基于自适应RBF神经网络的状态观测器，用于系统状态和总扰动扩张状态的估计，观测效果好于经典自抗扰控制器扩张状态观测器，降低了ADRC控制器参数整定难度；并且基于自适应RBF神经网络对二阶不确定性系统总扰动进行估计，减少了不确定性因素对控制系统性能的影响；整个设计方法克服了传统滑模控制器高频抖振的缺点，使得控制器的动态性能得到提升，并且能够有效克服无人直升机面临的内外扰动影响，提高了飞行控制系统的抗扰性和鲁棒性，控制性能优于传统滑模控制器。
附图说明
图1是本发明设计基于自适应神经网络扩张状态观测器的滑模控制器结构图；
图2是无人直升机姿态控制回路示意图；
图3是无人直升机速度控制回路示意图；
图4是无人直升机位置控制回路示意图；
图5是抗扰性试验响应曲线；
图6是ESO对姿态总扰动的估计曲线；
图7是鲁棒性试验响应曲线；
图8是X、Y、Z轴向轨迹跟踪响应；
图9是ESO对姿态、速度、位置总扰动的估计曲线；
图10是8字型三维轨迹响应。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
随着神经网络控制方法在智能控制领域的深入应用，径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)作为一类常用的三层前馈网络，结构简单、学习速度快、性能逼近优良等特点，可用于扩张状态观测器设计，实现状态扩张，更好地估计二阶系统所受总扰动，提高控制系统的抗扰性和自适应性。滑模控制律设计有助于提升控制系统快速性、降低控制器参数整定难度、增强控制器控制性能。
综上，本发明提出基于自适应神经网络扩张状态观测器(Adaptive Radial BasisFunction Neural Network Extended State Observer，ARBFNNESO)的无人直升机二阶不确定滑模控制(Sliding Mode Control，SMC)方法。
确定二阶不确定性系统标称模型，二阶不确定性系统标称模型考虑受内部和外部扰动，即：
Figure BDA0004060873330000091
其中，u和y为系统输入输出信号，x1，x2为系统的状态量，fn为未知内部扰动，fw为未知外部扰动，b(t)为未知补偿系数。
将二阶不确定性系统受到的内扰和外扰总和视为总扰动，基于状态扩张原理对该系统进行扩张，构建二阶非线性扩张系统为：
Figure BDA0004060873330000092
其中x3＝fn+fw+(b(t)-b0)u为新的扩张状态变量，含有内部扰动和外部扰动构成的总扰动，b0为常数，并记
Figure BDA0004060873330000093
系统(1-2)为具有3个状态变量的二阶非线性扩张系统。
建立自适应神经网络扩张状态观测器ARBFNN-ESO是：
Figure BDA0004060873330000094
Figure BDA0004060873330000095
Figure BDA0004060873330000096
Figure BDA0004060873330000097
其中，λ，βi(i＝1，2)为增益系数，ζ为固定步长，径向基函数神经网络RBFNN输出
Figure BDA0004060873330000098
是对系统总扰动的估计，RBFNN输入矢量为状态变量的估计值
Figure BDA0004060873330000101
cj为隐含层第j节点神经元高斯基函数中心点的坐标向量；bj为其高斯基函数的宽度，
Figure BDA0004060873330000102
是估计权值，按自适应律(1-6)调节，
Figure BDA0004060873330000103
F＞0，κ＞0。
所述设计二阶非线性扩张系统滑模控制器是：
Figure BDA0004060873330000104
Figure BDA0004060873330000105
e(t)＝xg-x1 (1-9)
Figure BDA0004060873330000106
其中式(1-8)为滑模函数，式(1-9)为系统输出与目标状态xg间误差，式(1-10)为误差微分。c＞0，当s(t)＝0时，
Figure BDA0004060873330000107
结果有e(t)＝e(0)e-ct。即当t→∞时，误差e按指数收敛至0，收敛速度取决于c值。即，滑模函数s(t)收敛性意味着误差e和
Figure BDA0004060873330000108
必定收敛性。通过控制律设计，保证s(t)指数收敛于0，二阶不确定性系统输出能稳定跟踪目标状态量。
定义Lyapunov函数
Figure BDA0004060873330000109
对V求导可得：
Figure BDA00040608733300001010
用式(1-7)控制律代入，则有
Figure BDA00040608733300001011
满足李雅普诺夫稳定性条件。
因总扰动x3未知，式(1-7)控制律难于直接实现，需要解决总扰动问题。本发明设计ARBFNN-ESO，估计系统状态量及总扰动量，由此获得控制律输出量。
ARBFNN-ESO输出变量能够跟踪系统(1-2)的状态变量和总扰动，即
Figure BDA00040608733300001012
式(1-7)滑模控制律可改写为：
Figure BDA00040608733300001013
Figure BDA00040608733300001014
即控制律(1-13)是基于未知总扰动量估计值的控制律ARBFNNESO-SMC，如图1所示，式中无切换项，克服了传统滑模控制抖振的缺点。同时，系统各扰动以总扰动估计项
Figure BDA00040608733300001015
作为控制律补偿量，提高了控制系统的抗扰性、鲁棒性和自适应性。
本发明所设计基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，实际应用当中，基于实时目标指令，实时执行如下步骤A至步骤C，实现对无人直升机的实时控制。
步骤A.根据无人直升机的6自由度运动特征，构建无人直升机所对应的运动学模型如下，然后进入步骤B。
Figure BDA0004060873330000111
Figure BDA0004060873330000112
Figure BDA0004060873330000113
Figure BDA0004060873330000114
其中，V＝[u v w]T为无人直升机的前飞速度、横向速度、垂向速度；S＝[p q r]T为无人直升机的滚转角速度、俯仰角速度、偏航角速度；α＝[φ θ ψ]T为无人直升机的滚转欧拉角、俯仰欧拉角、偏航欧拉角；P＝[X Y Z]T为无人直升机地面坐标；m为无人直升机的全机质量；F、M分别为无人直升机全机各部件的合外力、以及合外力矩；I为无人直升机惯性矩矩阵，Ω为无人直升机三轴角速率反对称矩阵，REB为机体坐标系到地面坐标系的转换矩阵，E为无人直升机机体角速度到欧拉角速度的转换矩阵。
步骤B.基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机姿态二阶不确定性模型及其控制回路，获得无人直升机的姿态控制矢量。
基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机速度二阶不确定性模型及其控制回路，获得无人直升机的速度控制矢量。
基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机位置二阶不确定性模型及其控制回路，获得无人直升机的位置控制矢量；然后进入步骤C。
上述步骤B在实际应用中，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机姿态二阶不确定性模型及其控制回路，获得无人直升机的姿态控制矢量。
如图2所示，根据式(2)和式(3)，构建无人直升机姿态二阶不确定性模型如下：
Figure BDA0004060873330000115
Figure BDA0004060873330000116
其中，w1为无人直升机姿态对应的外部扰动，Uc＝[δlon δlat δTR]为无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量，F1(α)为关于α的函数，F2(α，s，V，Ω，w1)为关于α、S、V、Ω、w1的函数，B(α，S，V，Ω，w1)为关于α、S、V、Ω、w1的函数，进一步联立式(5)与式(6)，获得无人直升机姿态二阶系统状态方程组如下：
Figure BDA0004060873330000121
其中，F3＝dF1(α)/dt，将α之外的内部动态特性、各通道之间的操纵耦合、以及外扰视为总扰动，记为总扰动
Figure BDA0004060873330000122
Figure BDA0004060873330000123
则式(7)更新如下：
Figure BDA0004060873330000124
其中，B0α为无人直升机姿态控制增益矩阵，无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量Uc与输出量y＝α构成单输入-单输出关系。
基于定义x1＝α，
Figure BDA0004060873330000125
构建无人直升机姿态二阶非线性扩张系统如下：
Figure BDA0004060873330000126
进一步构建关于无人直升机姿态俯仰角、滚转角、偏航角的观测器如下：
Figure BDA0004060873330000127
Figure BDA0004060873330000128
Figure BDA0004060873330000129
其中，α为无人直升机实际俯仰角、实际滚转角、实际偏航角，λ、β1、β2为增益系数，ζ为固定步长，
Figure BDA00040608733300001210
为径向基函数神经网络RBFNN，
Figure BDA00040608733300001211
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bi为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0α为无人直升机姿态控制增益，
Figure BDA0004060873330000131
Figure BDA0004060873330000132
表示估计权值，
Figure BDA0004060873330000133
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数。
进一步基于关于无人直升机姿态俯仰角、滚转角、偏航角的观测器，按如下公式：
Figure BDA0004060873330000134
获得无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量Uc，构成无人直升机的姿态控制矢量，如图2所示，αg为无人直升机俯仰角、滚转角、偏航角的目标指令，
Figure BDA0004060873330000135
为无人直升机俯仰角、滚转角、偏航角的操纵配平量，Δδα为姿态控制器的输出增量，s(t)为滑膜函数，c为预设参数。
关于无人直升机速度，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机速度二阶不确定性模型及其控制回路，获得无人直升机的速度控制矢量。
如图3所示，根据式(1)，构建无人直升机速度二阶不确定性模型如下：
Figure BDA0004060873330000136
其中，w2为无人直升机速度对应的外部扰动，并定义扰动
Figure BDA0004060873330000137
Figure BDA0004060873330000138
为关于
Figure BDA0004060873330000139
S、V、w2的函数，则获得如下：
Figure BDA00040608733300001310
其中，B0V为无人直升机速度控制增益矩阵，
Figure BDA00040608733300001311
为由俯仰角、滚转角和速度回路所获总距操纵量δcol构成的虚拟控制矢量，与无人直升机前飞速度、横向速度、垂向速度构成的V构成一一对应的单输入单输出系统。
基于定义
Figure BDA00040608733300001312
x2＝V，
Figure BDA00040608733300001313
则有
Figure BDA00040608733300001314
构建无人直升机速度二阶非线性扩张系统如下：
Figure BDA0004060873330000141
进一步构建关于无人直升机前飞速度、横向速度、垂向速度的观测器如下：
Figure BDA0004060873330000142
Figure BDA0004060873330000143
Figure BDA0004060873330000144
其中，V′为无人直升机实际前飞速度、实际横向速度、实际垂向速度，λ、β1、β2为增益系数，ζ为固定步长，
Figure BDA0004060873330000145
为径向基函数神经网络RBFNN，
Figure BDA0004060873330000146
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0V为无人直升机速度控制增益，
Figure BDA0004060873330000147
Figure BDA0004060873330000148
表示估计权值，
Figure BDA0004060873330000149
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数。
进一步基于关于无人直升机前飞速度、横向速度、垂向速度的观测器，按如下公式：
Figure BDA00040608733300001410
获得无人直升机前飞速度通道操纵量、横向速度通道操纵量、垂向速度通道操纵量构成的控制矢量
Figure BDA00040608733300001411
构成无人直升机的速度控制矢量，针对无人机进行控制，如图3所示，vg为无人直升机前飞速度、横向速度、垂向速度的目标指令，
Figure BDA00040608733300001412
为无人直升机前飞速度、横向速度、垂向速度的操纵配平量，ΔδV为速度控制器的输出增量，s(t)为滑膜函数，c为预设参数。
关于无人直升机位置，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机位置二阶不确定性模型及其控制回路，获得无人直升机的位置控制矢量。
如图4所示，根据式(4)，构建无人直升机位置二阶不确定性模型如下：
Figure BDA0004060873330000151
其中，w3为无人直升机位置对应的外部扰动，并定义扰动
Figure BDA0004060873330000152
F5(α，w3)表示关于α、w3的函数，则获得如下：
Figure BDA0004060873330000153
其中，B0P为无人直升机位置控制增益矩阵，
Figure BDA0004060873330000154
为P的虚拟控制量。
基于定义
Figure BDA0004060873330000155
x2＝P，
Figure BDA0004060873330000156
则有
Figure BDA0004060873330000157
构建无人直升机位置二阶非线性扩张系统如下：
Figure BDA0004060873330000158
进一步构建关于无人直升机位置地面坐标的观测器如下：
Figure BDA0004060873330000159
Figure BDA00040608733300001510
Figure BDA00040608733300001511
其中，P′为无人直升机实际位置地面坐标，λ、β1、β2为增益系数，ζ为固定步长，
Figure BDA00040608733300001512
为径向基函数神经网络RBFNN，
Figure BDA00040608733300001513
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bi为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0P为无人直升机位置控制增益，
Figure BDA0004060873330000161
Figure BDA0004060873330000167
表示估计权值，
Figure BDA0004060873330000162
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数。
进一步基于关于无人直升机位置地面坐标的观测器，按如下公式：
Figure BDA0004060873330000163
获得无人直升机前飞速度位置地面坐标操纵量构成的控制矢量
Figure BDA0004060873330000164
构成无人直升机的位置控制矢量，如图4所示，Pg为无人直升机位置地面坐标的目标指令，
Figure BDA0004060873330000165
为无人直升机位置地面坐标的操纵配平量，ΔδP为位置控制器输出增量，s(t)为滑膜函数，c为预设参数。
步骤C.根据无人直升机的姿态控制矢量、速度控制矢量、位置控制矢量，针对无人直升机进行控制。
针对本发明所设计基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，执行仿真试验，仿真验证科目设置：无人直升机姿态角初始值均为0°，期望目标值均为5°。无人直升机参数如表1所示的初始值，控制器设计验证用SMC控制器和本发明设计的ESO-SMC控制器进行对比。SMC控制器和ESO-SMC控制器参数见表2所示，RBFNN参数选择是：高斯函数参数c1＝[-30 -20 -10 0 10 20 30]，c2＝[-3 -2 -1 0 1 2 3]，bj＝5.0，j＝1，…7，F＝diag[5×105]，κ＝0.001。
表1无人直升机系统参数
Figure BDA0004060873330000166
表2控制器参数
Figure BDA0004060873330000171
(1)抗扰性仿真及分析验证：外界风扰会干扰无人直升机飞行，用矩形波信号模拟某飞行期内突然出现的风扰动。无人直升机参数为表1中初始值。在第5秒时刻滚转、俯仰和偏航通道输出分别作用了幅值为5、时间宽度为1秒的矩形波信号，作为外部扰动，仿真验证两种控制器的抗扰性。仿真结果如附图5所示可知，未加入外部扰动时，SMC控制器和ARBFNNESO-SMC控制器二者控制效果基本无差异，无人直升机姿态均能快速稳定到目标姿态角。当加入外部扰动信号，ARBFNNES0-SMC控制器的姿态响应平稳性更好、波动小，以此说明ARBFNNES0-SMC控制器的抗干扰性能更好。如图6所示总扰动量扩张状态的RBFNN估计响应历程曲线图，从中可看到，未加外部扰动时，RBFNN估计的总扰动值变化缓慢，加入外部扰动后，三个姿态通道总扰动发生突变，RBFNN迅速估计到总扰动量的变化，用于控制律补偿，使ARBFNNESO-SMC控制器具有更优的抗扰能力。
(2)鲁棒性仿真及分析验证：改变无人直升机对象参数值，以模拟无人直升机系统参数不确定性，作为内部扰动，无人直升机参数见表1的修改值。保持表2控制器初始参数不变，再次对无人直升机用二种控制器进行姿态控制仿真，结果如图7所示可以看到，即使被控对象的动力学特性发生较大变化，ARBFNNESO-SMC控制器依然可以得到很好的动态响应曲线，且控制效果要优于SMC控制器。
轨迹ARBFNNESO-SMC控制系统及其仿真验证，3个速度不确定性模型各用1个二阶ARBFNNESO-SMC控制器构成三轴速度控制回路，如附图3所示。速度指令由位置控制回路给出，参照俯仰通道控制设计方法进行速度控制回路设计，用RBFNN对总扰动
Figure BDA0004060873330000172
进行估计，用状态观测器对x1，x2进行估计，控制输出量与基准量叠加构成[θr φr δcol]，作为姿态控制回路的目标输入信号。由前述分析可知，控制器输出计算公式与式(3-23)类同，只是控制操纵量物理变量含义和符号改变，变量由姿态角目标量[φg θg ψg]和实际量[φ θ ψ]改为速度目标量[ug vg wg]和实际量[u v w]，这里不做赘述。
3个位移控制回路同样各自用1个二阶ARBFNNESO-SMC控制器构成三轴位移控制回路，附图4为位移控制回路方框图，用RBFNN对总扰动
Figure BDA0004060873330000182
进行估计，用状态观测器对x1，x2进行估计，位移指令即为预先设定好的轨迹信号，控制输出量与配平量叠加构成[ur vr wr]作为速度控制回路的输入信号。控制器输出具体计算方法与式(3-23)类同，只是控制操纵量物理变量含义和符号改变，变量由姿态角目标量[φg θg ψg]和实际量[φ θ ψ]改为位置目标量[Xg Yg Zg]和实际量[X Y Z]，这里不做赘述。
进一步进行8字型爬升飞行轨迹控制响应飞行仿真验证，仿真验证科目设置：飞行任务目标设定为8字型爬升，用SMC控制器和本发明提出的ARBFNNESO-SMC控制器两种控制器进行仿真验证。无人直升机参数见表1中初始值，两种控制器参数如表3所示。
表3控制器参数
Figure BDA0004060873330000181
姿态内回路RBFNN参数与特征7中整定的参数值一致。仿真开始后第5秒时刻均对滚转、俯仰、偏航和高度通道控制器输出施加一个幅值为5，时间宽度为10秒的矩形波，作为外部扰动信号。保持控制器参数不变，在第20秒时刻改变无人直升机参数，见表1中无人直升机参数修改值，模拟无人直升机系统参数不确定性，作为内部扰动。
仿真结果如图8-9所示，可以看到ARBFNNESO-SMC控制器轨迹跟踪控制精度高，且要优于SMC控制器。系统在第5秒施加矩形波扰动后，SMC控制器的轨迹跟踪控制响应发生明显波动，3个方向跟踪控制响应误差明显增大，且当扰动消失后，SMC控制器的跟踪控制响应误差没有快速减小，导致跟踪轨迹发生较大偏差。而ARBFNNESO-SMC控制器能够快速估计并补偿扰动，其跟踪轨迹与预定轨迹一直吻合较好。在第20秒时刻改变无人直升机参数后，SMC控制器存在更大的跟踪控制响应误差。以上仿真结果说明ARBFNNESO-SMC控制器具有优异的抗扰性和鲁棒性，能够有效克服无人直升机所面临的内部及外部扰动，保证无人直升机轨迹跟踪的高精度。
上述技术方案所设计基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，建立无人直升机的二阶不确定性系统模型，并设计自适应神经网络扩张状态观测器，据此构建无人直升机滑模控制方法，能够有效避免无人直升机控制系统受限于内外扰动影响；设计方法应用基于自适应RBF神经网络的状态观测器，用于系统状态和总扰动扩张状态的估计，观测效果好于经典自抗扰控制器扩张状态观测器，降低了ADRC控制器参数整定难度；并且基于自适应RBF神经网络对二阶不确定性系统总扰动进行估计，减少了不确定性因素对控制系统性能的影响；整个设计方法克服了传统滑模控制器高频抖振的缺点，使得控制器的动态性能得到提升，并且能够有效克服无人直升机面临的内外扰动影响，提高了飞行控制系统的抗扰性和鲁棒性，控制性能优于传统滑模控制器。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，其特征在于：基于实时目标指令，实时执行如下步骤A至步骤C，实现对无人直升机的实时控制；
步骤A.根据无人直升机的6自由度运动特征，构建无人直升机所对应的运动学模型，然后进入步骤B；
步骤B.基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机姿态二阶不确定性模型及其控制回路，获得无人直升机的姿态控制矢量；
基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机速度二阶不确定性模型及其控制回路，获得无人直升机的速度控制矢量；
基于无人直升机所对应的运动学模型，根据实时目标指令，构建无人直升机位置二阶不确定性模型及其控制回路，获得无人直升机的位置控制矢量；然后进入步骤C；
步骤C.根据无人直升机的姿态控制矢量、速度控制矢量、位置控制矢量，针对无人直升机进行控制。
2.根据权利要求1所述基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，其特征在于：所述步骤A中，根据无人直升机的6自由度运动特征，构建无人直升机所对应的运动学模型如下：
Figure FDA0004060873320000011
Figure FDA0004060873320000012
Figure FDA0004060873320000013
Figure FDA0004060873320000014
其中，V＝[u v w]T为无人直升机的前飞速度、横向速度、垂向速度；S＝[p q r]T为无人直升机的滚转角速度、俯仰角速度、偏航角速度；α＝[φ θ ψ]T为无人直升机的滚转欧拉角、俯仰欧拉角、偏航欧拉角；P＝[X Y Z]T为无人直升机地面坐标；m为无人直升机的全机质量；F、M分别为无人直升机全机各部件的合外力、以及合外力矩；I为无人直升机惯性矩矩阵，Ω为无人直升机三轴角速率反对称矩阵，REB为机体坐标系到地面坐标系的转换矩阵，E为无人直升机机体角速度到欧拉角速度的转换矩阵。
3.根据权利要求2所述基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，其特征在于：所述步骤B中，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机姿态二阶不确定性模型及其控制回路，获得无人直升机的姿态控制矢量；
根据式(2)和式(3)，构建无人直升机姿态二阶不确定性模型如下：
Figure FDA0004060873320000021
Figure FDA0004060873320000022
其中，w1为无人直升机姿态对应的外部扰动，Uc＝[δlon δlat δTR]为无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量，F1(α)为关于α的函数，F2(α,S,V,Ω,w1)为关于α、S、V、Ω、w1的函数，B(α,S,V,Ω,w1)为关于α、S、V、Ω、w1的函数，进一步联立式(5)与式(6)，获得无人直升机姿态二阶系统状态方程组如下：
Figure FDA0004060873320000023
其中，F3＝dF1(α/dt，将α之外的内部动态特性、各通道之间的操纵耦合、以及外扰视为总扰动，记为总扰动
Figure FDA0004060873320000024
则式(7)更新如下：
Figure FDA0004060873320000025
其中，B0α为无人直升机姿态控制增益矩阵，无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量Uc与输出量y＝α构成单输入-单输出关系；
基于定义x1＝α,
Figure FDA0004060873320000026
构建无人直升机姿态二阶非线性扩张系统如下：
Figure FDA0004060873320000027
进一步构建关于无人直升机姿态俯仰角、滚转角、偏航角的观测器如下：
Figure FDA0004060873320000028
Figure FDA0004060873320000029
Figure FDA0004060873320000031
其中，α为无人直升机实际俯仰角、实际滚转角、实际偏航角，λ、β1、β2为增益系数，ζ为固定步长，
Figure FDA0004060873320000032
为径向基函数神经网络RBFNN，
Figure FDA0004060873320000033
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0α为无人直升机姿态控制增益，
Figure FDA0004060873320000034
表示估计权值，
Figure FDA0004060873320000035
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数；
进一步基于关于无人直升机姿态俯仰角、滚转角、偏航角的观测器，按如下公式：
Figure FDA0004060873320000036
获得无人直升机俯仰通道操纵量、滚转通道操纵量、偏航通道操纵量构成的控制矢量Uc，构成无人直升机的姿态控制矢量，αg为无人直升机俯仰角、滚转角、偏航角的目标指令，
Figure FDA0004060873320000037
为无人直升机俯仰角、滚转角、偏航角的操纵配平量，Δδα为姿态控制器的输出增量，s(t)为滑膜函数，c为预设参数。
4.根据权利要求2所述基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，其特征在于：所述步骤B中，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机速度二阶不确定性模型及其控制回路，获得无人直升机的速度控制矢量；
根据式(1)，构建无人直升机速度二阶不确定性模型如下：
Figure FDA0004060873320000038
其中，w2为无人直升机速度对应的外部扰动，并定义扰动
Figure FDA0004060873320000039
Figure FDA00040608733200000310
为关于
Figure FDA00040608733200000311
S、V、w2的函数，则获得如下：
Figure FDA00040608733200000312
其中，B0V为无人直升机速度控制增益矩阵，
Figure FDA0004060873320000041
为由俯仰角、滚转角和速度回路所获总距操纵量δcol构成的虚拟控制矢量，与无人直升机前飞速度、横向速度、垂向速度构成的V构成一一对应的单输入单输出系统；
基于定义
Figure FDA0004060873320000042
x2＝V,
Figure FDA0004060873320000043
则有
Figure FDA0004060873320000044
构建无人直升机速度二阶非线性扩张系统如下：
Figure FDA0004060873320000045
进一步构建关于无人直升机前飞速度、横向速度、垂向速度的观测器如下：
Figure FDA0004060873320000046
Figure FDA0004060873320000047
Figure FDA0004060873320000048
其中，V'为无人直升机实际前飞速度、实际横向速度、实际垂向速度，λ、β1、β2为增益系数，ζ为固定步长，
Figure FDA0004060873320000049
为径向基函数神经网络RBFNN，
Figure FDA00040608733200000410
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0V为无人直升机速度控制增益，
Figure FDA00040608733200000411
表示估计权值，
Figure FDA00040608733200000412
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数；
进一步基于关于无人直升机前飞速度、横向速度、垂向速度的观测器，按如下公式：
Figure FDA0004060873320000051
获得无人直升机前飞速度通道操纵量、横向速度通道操纵量、垂向速度通道操纵量构成的控制矢量
Figure FDA0004060873320000052
构成无人直升机的速度控制矢量，针对无人机进行控制，Vg为无人直升机前飞速度、横向速度、垂向速度的目标指令，
Figure FDA0004060873320000053
为无人直升机前飞速度、横向速度、垂向速度的操纵配平量，ΔδV为速度控制器的输出增量，s(t)为滑膜函数，c为预设参数。
5.根据权利要求2所述基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法，其特征在于：所述步骤B中，基于无人直升机所对应的运动学模型，根据实时目标指令，按如下构建无人直升机位置二阶不确定性模型及其控制回路，获得无人直升机的位置控制矢量；
根据式(4)，构建无人直升机位置二阶不确定性模型如下：
Figure FDA0004060873320000054
其中，w3为无人直升机位置对应的外部扰动，并定义扰动
Figure FDA0004060873320000055
F5(α,w3)表示关于α、w3的函数，则获得如下：
Figure FDA0004060873320000056
其中，B0P为无人直升机位置控制增益矩阵，
Figure FDA00040608733200000512
为P的虚拟控制量；
基于定义
Figure FDA0004060873320000057
x2＝P,
Figure FDA0004060873320000058
则有
Figure FDA0004060873320000059
构建无人直升机位置二阶非线性扩张系统如下：
Figure FDA00040608733200000510
进一步构建关于无人直升机位置地面坐标的观测器如下：
Figure FDA00040608733200000511
Figure FDA0004060873320000061
Figure FDA0004060873320000062
其中，P'为无人直升机实际位置地面坐标，λ、β1、β2为增益系数，ζ为固定步长，
Figure FDA0004060873320000063
为径向基函数神经网络RBFNN，
Figure FDA0004060873320000064
cj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数中心点的坐标向量，bj为径向基函数神经网络RBFNN中隐含层第j节点神经元高斯基函数的宽度，b0P为无人直升机位置控制增益，
Figure FDA0004060873320000065
表示估计权值，
Figure FDA0004060873320000066
κ为大于0的预设参数，sign(e)表示关于数字e的符号函数，e大于0返回1，e小于0返回-1，e等于0返回0，exp(·)表示以自然常数e为底的指数函数，Fw表示预设常数；
进一步基于关于无人直升机位置地面坐标的观测器，按如下公式：
Figure FDA0004060873320000067
获得无人直升机前飞速度位置地面坐标操纵量构成的控制矢量
Figure FDA0004060873320000068
构成无人直升机的位置控制矢量，Pg为无人直升机位置地面坐标的目标指令，
Figure FDA0004060873320000069
为无人直升机位置地面坐标的操纵配平量，ΔδP为位置控制器输出增量，s(t)为滑膜函数，c为预设参数。
CN202310058494.8A 2023-01-18 2023-01-18 基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法 Pending CN116088311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310058494.8A CN116088311A (zh) 2023-01-18 2023-01-18 基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310058494.8A CN116088311A (zh) 2023-01-18 2023-01-18 基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法

Publications (1)

Publication Number Publication Date
CN116088311A true CN116088311A (zh) 2023-05-09

Family

ID=86207931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310058494.8A Pending CN116088311A (zh) 2023-01-18 2023-01-18 基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法

Country Status (1)

Country Link
CN (1) CN116088311A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116909136A (zh) * 2023-06-21 2023-10-20 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
CN118131832A (zh) * 2023-12-29 2024-06-04 天津大学 一种基于改进自抗扰的直升机主动减振控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116909136A (zh) * 2023-06-21 2023-10-20 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
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
CN118131832A (zh) * 2023-12-29 2024-06-04 天津大学 一种基于改进自抗扰的直升机主动减振控制方法
CN118131832B (zh) * 2023-12-29 2024-08-09 天津大学 一种基于改进自抗扰的直升机主动减振控制方法

Similar Documents

Publication Publication Date Title
Liu et al. Tracking control of small-scale helicopters using explicit nonlinear MPC augmented with disturbance observers
Martins et al. Feedback linearization with zero dynamics stabilization for quadrotor control
Jia et al. Integral backstepping sliding mode control for quadrotor helicopter under external uncertain disturbances
Shen et al. Adaptive neural network-based active disturbance rejection flight control of an unmanned helicopter
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
CN105607473B (zh) 小型无人直升机的姿态误差快速收敛自适应控制方法
Clarke et al. Deep reinforcement learning control for aerobatic maneuvering of agile fixed-wing aircraft
Lin Adaptive critic autopilot design of bank-to-turn missiles using fuzzy basis function networks
CN116088311A (zh) 基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法
Muniraj et al. Path-following control of small fixed-wing unmanned aircraft systems with H∞ type performance
Bøhn et al. Data-efficient deep reinforcement learning for attitude control of fixed-wing UAVs: Field experiments
CN113377121B (zh) 一种基于深度强化学习的飞行器智能抗扰动控制方法
Duan et al. Predator-prey pigeon-inspired optimization for UAV ALS longitudinal parameters tuning
CN111290278B (zh) 一种基于预测滑模的高超声速飞行器鲁棒姿态控制方法
Li et al. Aggressive online control of a quadrotor via deep network representations of optimality principles
Zhen et al. Deep reinforcement learning attitude control of fixed-wing UAVs
Bao et al. Design of a fixed-wing UAV controller based on adaptive backstepping sliding mode control method
Kamanditya et al. Elman recurrent neural networks based direct inverse control for quadrotor attitude and altitude control
Shen et al. Trajectory tracking active disturbance rejection control of the unmanned helicopter and its parameters tuning
Suresh et al. An on-line learning neural controller for helicopters performing highly nonlinear maneuvers
Torabi et al. Intelligent pitch controller identification and design
Ansari et al. Retrospective cost adaptive control of generic transport model under uncertainty and failure
Suresh et al. Direct adaptive neural flight control system for an unstable unmanned aircraft
Brahim et al. Finite Time Adaptive SMC for UAV Trajectory Tracking Under Unknown Disturbances and Actuators Constraints
Kimathi Application of reinforcement learning in heading control of a fixed wing uav using x-plane platform

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