基于神经网络的无人机姿态自适应控制仿真

针对四旋翼无人机姿态控制中模型不完整、部分参数和扰动不确定的问题,提出了一种基于神经网络的自适应控制方法,采用RBF神经网络对无人机姿态动力学模型中不确定和扰动部分进行学习,设计了以类反步法为基础,包含反馈控制和神经网络控制的自适应控制器,实现了对未知动态的准确逼近,解决了传统控制方法中过于依赖精确模型的问题。同时设计了神经网络的权值自适应律,实现了控制过程中的在线学习和调整,并且通过李雅普诺夫方法证明了闭环系统的稳定性。仿真结果表明,在存在较大扰动的情况下,上述控制器可得到很好的控制效果,可以实现误差的快速收敛,具有较好的鲁棒性和自适应性。     

具有输入死区与扰动的四旋翼无人机自抗扰控制

研究了具有输入死区与扰动的四旋翼无人机的姿态控制问题。由于输入死区普遍存在于四旋翼无人机的执行机构,并且易受到扰动的影响。针对具有输入死区与扰动的四旋翼无人机系统,设计基于自抗扰的动态面控制器。采用自抗扰控制算法设计扩张状态观测器估计系统的总扰动,采用动态面方法设计控制律。所设计的控制器使四旋翼无人机实现对期望姿态角跟踪。仿真结果验证了该方案的有效性。     

输入受限下的无人机编队控制方法研究

针对多旋翼飞行器在轨迹跟踪过程中控制输入受限的问题，设计了一种控制输入受限下的四旋翼无人机协同编队分布式控制算法。首先，对于外环位置子系统，基于线性矩阵不等式的方法，设计了输入受限下的多旋翼飞行器的编队控制律，使得所有无人机的位置收敛到所需的编队模式。其次，对于内环姿态子系统，采用基于双曲正切的方法设计控制输入受限的控制律，使多无人机的姿态趋于一致。最后，基于Lyapunov稳定性理论，证明了系统的稳定性，仿真结果表明，所设计的控制器能够达到良好的协同跟踪控制效果。     

基于深度学习的四旋翼无人机控制系统设计

针对传统四旋翼无人机控制系统受到外界干扰,无法及时躲避障碍物而导致控制精准度低的问题,提出了基于深度学习的四旋翼无人机控制系统设计。根据四旋翼无人机控制系统总体结构,加入超声波测距模块。依据系统硬件框图,采用TMS320F28335型号主控芯片,实现关键态势智能分析。以串级 PID 控制器的控制对象为无人机姿态角度,控制电机转速。根据DSP发出不同占空比的PWM信号,改变无人机飞行姿态,依据执行机构驱动原理,保证无人机飞行时的平衡状态。使用红外遥控系统,应用编/解码操控集成电路芯片,采用TS0P1738型号红外线接收器,适合于红外线遥控数据传输。构建深度学习目标控制模型,利用处突阵法与三角形相似原理,计算像素尺寸,获取障碍物距无人机当前位置距离,避免受到外界障碍物干扰。自适应扩展Kalman滤波器技术对无人机自动控制系统有效减小测量误差,准确地对机动目标进行追踪。由系统调试结果可知,该系统控制的俯仰角、航向角、横滚角与实际值一致,对处理突发性群体事件具有重要意义。     

基于混合滤波的四旋翼无人机抗干扰姿态控制系统设计

针对四旋翼无人机抗干扰姿态控制系统抗干扰能力较差,控制性能较差的问题;文章提出基于混合滤波的四旋翼无人机抗干扰姿态控制系统,优化设计了系统的硬件和软件部分;硬件部分设计主控制器,通过发生器输出的PWM波信号控制电速;设计传感器模块,测量姿态角与加速度等数据,采用双陀螺仪和双加速度计结构,避免共振对测量结果产生影响;设计电机驱动模块,选用X2216型无刷直流电机为运行提供较高的转速和响应速度;设计无线数据传输模块,选用3DR无线数据传输模块实时监测姿态信位置信息数据;构建基于混合滤波的四旋翼无人机抗干扰姿态控制系统,对角速度数据、加速度数据等数进行融合改正,再运用互补滤波器对陀螺仪和加速度计进行信号检测和控制调度,得到精确的实时姿态角;采用姿态控制算法和串级PID控制策略,提高对系统的控制力,保证飞行的平稳;实验结果表明,基于混合滤波的四旋翼无人机抗干扰姿态控制系统抗干扰性强、控制能力高以及响应速度快。     

四旋翼双环滑模姿态控制系统设计与仿真

针对四旋翼姿态角难以快速跟踪实际控制指令,传统线性化方法稳定性能不佳、用简单滑模控制存在控制律难以实现等问题,提出了一种基于双环滑模控制系统的设计方案。通过建立四旋翼的姿态动力学模型推导出姿态角和角速度的控制律方程。最后,基于实验室搭建的四旋翼硬件实验平台对该方案进行MATLAB仿真分析,并与常规PID控制方法和反步法进行了比较。结果表明该方法有效可行,跟踪姿态角更加快速、精确。     

采用滑模观测器的六旋翼指令滤波鲁棒控制

针对包含复合干扰的六旋翼无人机鲁棒控制问题,提出了一种基于滑模观测器的指令滤波鲁棒控制方法。建立了包含复合干扰的六旋翼无人机位置和姿态的数学模型,并对位置回路设计了滑模控制律,从而解算出姿态指令;根据姿态角回路输出的虚拟控制律,设计了指令滤波器来抑制微分爆炸现象,并利用辅助滤波器补偿指令滤波的误差;在角速度回路鲁棒控制律中引入滑模观测器,对包括模型误差和外界扰动的复合干扰进行补偿,实现了六旋翼UAV的指令滤波鲁棒控制。仿真结果表明：提出的指令滤波鲁棒控制律与指令滤波自适应控制方法相比,在复合干扰下具有更优的稳定性、准确性和快速性,位置和姿态的最大误差分别仅为0.05?m和0.5°,滑模观测器的估计误差也仅为0.2 （°）/s,能够在更短的时间内实现对六旋翼UAV位移和姿态的鲁棒控制。     

基于PID和LQR的四旋翼无人机控制系统研究

为提高四旋翼无人机的飞行稳定性、无人飞行器控制系统的鲁棒性和控制精度,以建立的四旋翼无人机飞行控制系统模型为基础,采用现代控制理论与传统控制论相结合的方法,针对姿态角速率、姿态角分别设计内环LQR(线性二次型调节器)控制器,及外环PID控制的双回路闲环控制器.充分利用PID控制器易于掌握且对模型要求精度低、LQR控制器能改善内回路的动态特性和稳态性能的特点,完成四旋翼无人机的飞行控制.通过实验遴选该双闭环控制器相关参数并进行优化,实验结果表明所设计的双回路控制器控制性能指标良好.     

基于L1自适应控制的四旋翼无人机姿态控制

针对四旋翼无人机模型中存在非线性因素和不确定干扰的姿态控制问题,采用基于投影算子的L1自适应控制方法进行四旋翼无人机姿态控制律设计。首先根据四旋翼无人机运动原理建立多入多出的非线性姿态运动模型,然后针对模型中存在的陀螺力矩干扰、质量分布不均引起的力矩干扰、环境干扰和自身非线性影响,设计L1自适应控制器,分析了系统的鲁棒性能。仿真结果表明了控制系统在满足良好动态性能的同时能够保证良好的鲁棒性。     

基于反步滑模算法的无人机姿态鲁棒控制系统设计

针对传统无人机姿态鲁棒控制系统易受到外部干扰影响,无法精准控制姿态角、左侧舵面角和右侧舵面角,导致系统不稳定的问题,设计了基于反步滑模算法的无人机姿态鲁棒控制系统;使用TMS320F28335芯片的串级PID控制器,控制无人机中央处理机;选择MS-S3型伺服驱动器保证电机高速运动时的高转矩运行;使用STM32f407VGT6型号姿态控制器,控制旋翼姿态;在软件流程设计过程中,构建无人机动力学模型,引入反步滑模算法构建考虑姿态角动态方程,选择Lyapunov函数计算误差变量,设计滑模控制律,借助Visual C++6.0实现软件程序编写,完成无人机姿态鲁棒控制系统设计;由实验结果可知,在时间为5 s时,该系统姿态角达到6°、左侧舵面达到0.40°、右侧舵面角达到0.20°,与实际控制结果一致,具有精准控制效果。     

四旋翼无人机姿态系统复合连续快速非奇异终端滑模控制EI北大核心CSCD

本文针对受多源干扰影响的四旋翼无人机姿态系统,基于复合连续快速非奇异终端滑模算法,研究了姿态指令变化率未知情况下的连续有限时间姿态跟踪控制问题.首先,基于四旋翼无人机姿态回路动力学模型,通过引入虚拟控制量实现姿态跟踪误差动态的三通道解耦;其次,分别针对各通道跟踪误差动态设计高阶滑模观测器,实现跟踪误差变化率和集总干扰的有限时间估计;最后,结合姿态跟踪误差变化率的估计信息,构建动态快速非奇异终端滑模面,并在控制设计中用指数幂函数代替符号函数以保证控制量连续.并且基于Lyapunov分析方法给出了姿态跟踪误差有限时间收敛的严格证明,仿真结果验证了所提方法的有效性.     

四旋翼无人机PDF控制系统设计和抗干扰分析

针对传统的PID控制方法在对四旋翼无人机进行控制时动态响应差,抗干扰能力低等局限性,不能够满足高精度要求的四旋翼无人机应用场合的问题。本文以四旋翼无人机的姿态控制为研究对象,通过采用基于伪微分反馈(PDF)控制策略来设计其飞行控制器,以提高动态响应性能和抗干扰能力。在对四旋翼无人机数学建模的基础上,将PDF控制策略引入到四旋翼姿态控制中,提出基于四旋翼无人机对象的PDF控制设计方法,并分别完成PID、PDF控制器的设计和动态仿真。通过对仿真结果比较、分析表明PDF控制与PID姿态控制器相比,系统超调量小,具有更好的鲁棒性和抗干扰能力。     

基于RFID技术的四旋翼无人机轨迹跟踪控制系统设计

为促进四旋翼无人机的飞行自主性,增强无人监管情况下飞行器主机所具备的避障行进能力,设计基于RFID技术的四旋翼无人机轨迹跟踪控制系统;采用RFID标签识别技术,调制处理既定控制信号,利用标签识别协议,连接微型四旋翼轨迹控制器与内环姿态控制器,通过数据通信链路,提取轨迹跟踪控制所需的传输电子量,完成轨迹跟踪控制系统硬件设计;利用动力系统中的参数辨识策略,确定与轨迹姿态控制相关的物理规律标注,实现四旋翼无人机轨迹跟踪控制;实验结果表明,与机器视觉型控制系统相比,基于RFID技术的控制系统的SSI避障行进指标数值相对较高,全局最大值达到了 79％,四旋翼无人机滚转角平均值为85°,能够有效抑制四旋翼无人机滚转角的数值上升趋势,增强无人监管情况下飞行器主机避障行进能力.     

饱和输入下四旋翼无人机滑模轨迹跟踪控制

为解决四旋翼无人机在饱和输入下的轨迹跟踪控制问题,同时兼顾系统存在的参数不确定性和外部风力扰动影响,设计了一种改进的抗干扰自适应鲁棒滑模控制方法;基于六自由度架构,设计四旋翼无人机简化的系统模型,进而降低控制器设计的复杂程度;引入带有误差信号的滑模函数,设计带有误差信号的饱和补偿自适应控制律,同时增加鲁棒控制项,降低由于饱和输入问题带来的抖振影响,并减小参数不确定和外部风力扰动对系统稳定性的影响;系统模型与抗干扰自适应控制律相结合,形成了改进的抗干扰自适应鲁棒滑模控制策略,实现四旋翼无人机的位置轨迹和姿态轨迹的稳定跟踪;最后通过数值仿真与传统PD控制算法进行仿真比较,验证控制方法的有效性和优越性。     

输入饱和与姿态受限的四旋翼无人机反步姿态控制

本文针对四旋翼无人机研究了鲁棒反步姿态控制策略.由于四旋翼无人机结构复杂,其非线性数学模型难以精确建立,因此在控制器设计过程中需要综合考虑模型不确定性、未知外部干扰、输入饱和以及姿态受限等因素.针对模型中的不确定项,使用神经网络进行逼近;对于外部未知干扰,使用非线性干扰观测器进行补偿;使用双曲正切函数逼近饱和函数,解决输入饱和问题;同时使用界限Lyapunov函数设计控制器,确保姿态满足限制条件.最后,设计四旋翼无人机反步姿态控制器,并根据Lyapunov稳定性定理证明了闭环控制系统的有界稳定.仿真结果表明了所研究控制方法的有效性.     

四旋翼飞行器增稳混合控制器

针对四旋翼飞行器在不同环境下的飞行稳定性问题,提出反步法和模糊自适应比例积分微分(PID)方法的混合控制方法。该方法根据无人机(UAV)飞行环境和大倾角、大倾角变化率选择当前合适的控制器。在系统未受扰动时,基于Backstepping的控制方法能够完成飞行器的轨迹跟踪;在受扰动时,基于模糊自适应PID能够极大地抑制扰动带来的影响,实现对四旋翼飞行器的精确控制。通过Matlab仿真分析及实际飞行器实验,验证了增稳混合控制器的稳定性。     

用于清洗绝缘子的四旋翼无人机抗回冲力控制

本文主要针对利用四旋翼无人机清洗绝缘子时受到的回冲力干扰及姿态控制问题,提出了一种用于清洗绝缘子的无人机抗回冲力控制方法.对于无人机系统,本文运用非线性控制方法中的反步法来设计姿态控制器,使其达到输入状态稳定,并对外部扰动具有鲁棒性.本文首先根据无人机运动模型建立了其动力学方程.之后,运用动量定理和流体力学中的伯努利方程对所受的回冲力进行建模.然后,运用反步法设计姿态控制器并证明其稳定性.最后,运用MATLAB对无人机系统进行仿真实验,其结果证明了文中所提出的控制方法的有效性和鲁棒性.本文所提出的控制方案可以避免目前已有的一些技术存在的缺陷,并且为无人机抗扰动控制和绝缘子冲洗都提供了发展空间.     

四旋翼无人机鲁棒自适应姿态控制

 四旋翼无人机的姿态控制是自主飞行控制的核心,针对四旋翼姿态易受外界环境干扰和内部参数摄动等不确定性影响的问题,设计了一种鲁棒自适应反步控制器,以提高四旋翼的鲁棒性。建立了四旋翼完整的姿态运动模型,并将其转化为含有广义不确定性的多输入多输出非线性系统。根据该系统满足严格反馈的结构特点,设计了反步控制器; 针对系统中存在的外部干扰和内部参数摄动等不确定性,引入了一类鲁棒自适应函数来抵消该不确定性对系统的影响; 采用非线性跟踪微分器估计虚拟控制量的微分信号,减小了反步控制器设计中普遍存在的“计算膨胀”问题; 通过构造Lyapunov 函数证明闭环系统是稳定且指数收敛的。仿真结果表明,所设计控制器具有良好的控制效果和鲁棒性。     

GA-based fuzzy reinforcement learning for control of a magneticbearing system

This paper proposes a TD (temporal difference) and GA (genetic algorithm)-based reinforcement (TDGAR) learning method and applies it to the control of a real magnetic bearing system. The TDGAR learning scheme is a new hybrid GA, which integrates the TD prediction method and the GA to perform the reinforcement learning task. The TDGAR learning system is composed of two integrated feedforward networks. One neural network acts as a critic network to guide the learning of the other network (the action network) which determines the outputs (actions) of the TDGAR learning system. The action network can be a normal neural network or a neural fuzzy network. Using the TD prediction method, the critic network can predict the external reinforcement signal and provide a more informative internal reinforcement signal to the action network. The action network uses the GA to adapt itself according to the internal reinforcement signal. The key concept of the TDGAR learning scheme is to formulate the internal reinforcement signal as the fitness function for the GA such that the GA can evaluate the candidate solutions (chromosomes) regularly, even during periods without external feedback from the environment. This enables the GA to proceed to new generations regularly without waiting for the arrival of the external reinforcement signal. This can usually accelerate the GA learning since a reinforcement signal may only be available at a time long after a sequence of actions has occurred in the reinforcement learning problem. The proposed TDGAR learning system has been used to control an active magnetic bearing (AMB) system in practice. A systematic design procedure is developed to achieve successful integration of all the subsystems including magnetic suspension, mechanical structure, and controller training. The results show that the TDGAR learning scheme can successfully find a neural controller or a neural fuzzy controller for a self-designed magnetic bearing system.