气动干扰下的Hex-Rotor无人飞行器控制器及其飞行实验

分析了气流扰动、翼间干扰等因素对飞行中的无人飞行器的控制精度和效果产生的影响,并给出了相应的解决方法。建立了Hex-Rotor飞行器的动力学模型,分析了升力因子不确定性导致飞行器控制效果下降的影响因素。设计了反演滑模控制器来控制飞行器的空间六自由度运动,同时考虑升力因子的不确定性采用超螺旋非线性观测器观测各个旋翼的升力因子来克服气动干扰的影响。通过原型机验证了提出的方法,结果显示:Hex-Rotor飞行器在气动干扰较大的外部环境中飞行时,水平位移跟踪误差不超过±4.5m,高度误差不超过±2.5m,姿态角度误差保持在±2°内,较大地增强了飞行器的抗扰能力。结果表明:采用本文的方法可以有效地估计各个旋翼的升力因子,从而提高Hex-Rotor飞行器的控制精度和效果。     

多旋翼无人机在变控制量下的三轴磁罗盘校正

为了在特殊环境下有效使用多旋翼无人机飞行器的磁罗盘,研究了大电流、控制量变化情况下磁罗盘的校正问题,提出了一种磁罗盘自适应校准方法。推导了磁罗盘误差的变化规律并建立了误差模型,分析了硬磁误差随控制量变化的规律,进而提出了一种基于整体最小二乘法的空间直线拟合方法。通过空间直线拟合,将得到的控制量和硬磁补偿的对应关系用于实时调整对空间飞行器的硬磁补偿,最终解决了控制量变化对磁罗盘的影响。进行了实验验证,结果表明:提出的方法可将飞行器控制量变化带来的磁罗盘硬磁误差基本抵消;在实际飞行中,多旋翼无人飞行器的偏航误差可由最大的15°减小到3°以内。本文所给出的方法在控制量变化,大电流情况下使用时,可以很好地校正磁罗盘航向角误差,提高导航精度。     

含未知动态与扰动的非线性系统神经网络嵌入学习控制

针对带有不确定性与扰动的非线性系统的性能优化问题, 提出一种基于神经网络嵌入的学习控制方法. 对一类常见的 Lyapunov 函数导数形式, 将神经网络控制器集成到某种对系统稳定的基准控制器中, 其意义在于将原控制器改进为满足Lyapunov稳定的神经网络参数可调控制器, 从而能够利用先进的神经网络学习技术实现控制器的在线优化. 建立了跟踪误差的等效目标函数, 避免了对系统输入–输出的辨识问题. 建立了一种未知非线性与扰动等效值自适应方法, 并依此方法设计基准控制器. 以RBF (Radial basis function) 反步自适应控制、基于卷积神经网络的滑模控制和深度强化学习控制为对比方法, 对带有死区、饱和、三角函数等数值与物理非线性模型进行仿真分析以测试方法有效性, 并针对上肢康复机器人控制问题进行虚拟实验以验证该方法的实用性. 仿真与实验结果表明, 该方法能在Lyapunov 稳定条件下有效优化基础控制器性能, 对比结果证实了该方法的实用性与先进性.     

四旋翼飞行器中升力波动的干扰与抑制

四旋翼飞行器旋翼产生的升力是在基值的基础上附加一系列频率特性和旋翼转速有关的高频分量。由于它会对飞行器的控制产生扰动,本文研究了这类高频升力分量对飞行器的影响并给出了抑制扰动的方法。首先,基于拉格朗日能量法建立四旋翼飞行器动力学模型;进而分析了高频升力分量与飞行器角速度扰动之间的关系。然后,将角速度反馈环节加入针对有色噪声的卡尔曼滤波器来抑制角速度扰动对控制器的影响。实验结果显示：与改进前相比,采用本文的方法对四旋翼原型机进行悬停控制可使控制量波动减少50%,高频控制量衰减至-17db以下。结果表明：采用本文的方法,可以有效地抑制升力波动对四旋翼飞行器的影响,提高飞行控制效率。     

一种基于Lyapunov约束的学习控制方法及应用

针对非线性系统的稳定控制器直接设计问题,提出一种基于Lyapunov稳定性条件的学习控制器设计方法框架,将传统的控制器设计与稳定性证明分析问题转化为以控制器为求解项,Lyapunov稳定条件为约束的最优化问题,提供了一种直接求解全局稳定的最优控制器的新途径。首先建立了以系统跟踪误为目标函数与以Lyapunov稳定条件为约束的最优化问题,接着给出了一类基于神经网络实现的PID结合前馈控制器设计形式,最后分析并设计了学习控制器求解方法,采用相关深度学习技术以提升求解能力。二阶线性与非线性系统仿真测试与一级旋转倒立摆模拟实验表明所提方法具有快速收敛、低误差、控制输出平滑且低幅值等特点;在加入扰动、噪声、参数不确定性和不同的测试期望输出条件下的反步法对比测试结果表明所提方法对扰动与噪声具有强抑制能力,同时学习控制器具有高泛化能力。基于V-Rep的一级旋转倒立摆模拟与四旋翼单轴控制实物实验结果验证了所提方法对物理系统控制问题具有高控制精度与强抗扰能力。