基于LADRC的四旋翼无人机自适应姿态跟踪控制

针对四旋翼无人机受到外界干扰会导致系统参数的改变,从而影响控制性能的问题,提出了一种基于LADRC自适应姿态控制方法。首先,根据四旋翼无人机的姿态模型,建立了基于LADRC的四旋翼无人机姿态解耦控制结构;然后,引入干扰观测器估计补偿系统总扰动,实时在线辨识转动惯量值;考虑到控制量饱和的问题,设计模糊推理规则以提高控制性能。仿真结果表明,加入了自适应环节的LADRC控制器能够实现对干扰的准确估计,尤其在小角度飞行时表现出了较强的跟踪精度及响应速度。     

基于高增益观测器的四旋翼无人机轨迹跟踪控制

为了实现四旋翼无人机对给定姿态的快速跟踪,基于Terminal滑模控制方法设计了一种四旋翼无人机的姿态控制器,在设计滑模面时引入非线性函数来保证跟踪误差在有限时间内收敛。考虑在线速度未知的情况下,通过设计高增益观测器来对无人机速度进行观测,并利用所观测的信号设计位置控制器。最后利用Lyapunov理论证明了系统的稳定性。仿真结果表明,四旋翼无人机在线速度不可测的情况下,仍可进行轨迹跟踪控制。     

圆形轨迹导引下的无人机事件触发抗干扰环绕控制

针对内部不确定性以及外部环境摄动的目标环绕控制问题,在基于反步法的双层制导框架下,利用级联控制思想,提出了一种圆形轨迹导引下的四旋翼无人机事件触发抗扰环绕控制方法。在轨迹回路中,构建了可满足持续激励条件的目标位置估计器,保证仅通过视线方位角就能获取可满足最终一致有界条件的目标估计项。随后,基于目标的位置估计结果,设计了目标环绕控制律生成线速度指令,并通过方向向量场验证了该环绕制导律的有效性,消除了现有李雅普诺夫向量场制导(LVFG)对相对位置和目标速度的依赖。在姿态回路中,通过采用扩张状态观测器(ESO)补偿系统的集总不确定性,设计了基于相对阈值事件触发控制的姿态控制器,在有效降低控制器到执行机构之间信号传输频率的同时,实现了四旋翼无人机对静止/移动目标环绕。然后,借助输入状态稳定性定理证明了系统的稳定性。仿真结果表明,所提控制方案能够实现圆形轨迹导引下四旋翼无人机对静止/移动目标的环绕监视。     

基于极值搜索的四旋翼无人机自抗扰控制

为了提高四旋翼无人机飞行过程中的抗干扰能力,提出了基于极值搜索算法的自抗扰控制技术。首先,建立了四旋翼无人机非线性数学模型;然后,设计了基于极值搜索的自抗扰控制器,对无人机的位置和姿态进行控制;同时,设计扩张状态观测器估计系统内部及外部总扰动,对系统扰动进行补偿。仿真结果表明,所提方法不仅能抑制外界干扰,而且能显著改善飞行控制系统的瞬态性能和稳态性能。     

风扰下的四旋翼无人机LADRC控制律设计

针对四旋翼无人机易受侧风干扰、影响控制效果的问题,提出了一种基于线性自抗扰的控制方法。首先分析了四旋翼无人机姿态模型,建立了四种风组合的模拟侧风模型;其次建立了二阶LADRC闭环控制回路,设计反馈控制律实现姿态控制,并分析证明了闭环系统有界稳定。仿真验证结果表明,侧风干扰下,LADRC控制器能对总扰动进行很好的估计和补偿,从而保证了系统的抗干扰性。     

基于零空间方法的四旋翼无人机避障与协同编队控制

针对四旋翼无人机在编队飞行执行任务时可能遭遇障碍物问题,考虑多无人机避障及机间避撞的需求,提出 1种基于零空间方法的四旋翼无人机避障与协同编队控制算法。首先,建立四旋翼无人机动力学模型,并建立虚拟控制量简化控制模型;其次,基于零空间方法进行避障与协同编队控制算法研究,将无人机任务执行分解为目标趋向任务、避障避撞任务和协同编队任务,并根据优先级进行任务融合得到期望速度;再次,基于 PID方法设计控制律;最后,通过仿真验证所提控制算法的有效性。所提方法可保证四旋翼无人机在编队飞行中遭遇障碍物时的飞行安全。     

基于滑模控制的四旋翼无人机自适应跟踪控制

针对四旋翼无人机在系统内部模型参数不确定性情况下的轨迹跟踪问题,提出了一种基于滑模控制的四旋翼无人机自适应跟踪控制方法。首先,采用单位四元数来描述系统姿态,将系统分解为位置子系统和姿态子系统;考虑到位置子系统的欠驱动特性,引入了虚拟控制力,跟踪位置信息并解算出实际升力和理想姿态;其次,通过自适应滑模控制器补偿了质量和转动惯量的不确定性,实现了轨迹的跟踪;最后,利用Lyapunov理论证明了闭环系统的稳定性。仿真结果表明了算法的有效性。     

基于模糊LADRC的倾转四旋翼无人机纵向姿态控制

针对倾转四旋翼无人机存在控制冗余和模型具有时变性及不确定性的问题,进行了纵向姿态控制系统建模和仿真研究。运用牛顿运动定律和刚体转动定律建立无人机六自由度运动模型,并采用试验测量及数值仿真的方法获取模型参数。采用设计控制分配系数的方法解决控制冗余的问题。设计了基于线性自抗扰控制(LADRC)方法的姿态控制器并采用模糊控制对其参数进行在线整定,提高了控制系统的响应速度和鲁棒性。搭建了Simulink仿真模型,通过无人机纵向飞行控制仿真试验,验证了所设计的控制分配系数的合理性以及姿态控制器的有效性。     

基于BPNN参数整定的四旋翼吊挂自抗扰飞行控制

针对四旋翼无人机吊挂系统状态耦合和载荷抗摆问题,开展了四旋翼无人机吊挂系统抗摆飞行控制研究。首先,利用牛顿-欧拉法和拉格朗日方程建立吊挂系统的动态特性方程。然后,采用反向传播神经网络(BPNN)在线调节自抗扰控制(ADRC)中的扩张状态观测器(ESO)参数,以提高ESO的估计精度和控制器的抗干扰能力。最后,通过仿真对比分析了反向传播神经网络-自抗扰控制(BPNN-ADRC)和传统ADRC的控制系统性能。仿真结果表明,基于BPNN-ADRC的飞行控制系统不仅具有稳定的轨迹跟踪能力,参数调节容易,而且响应速度快,超调量小,抗干扰能力强。     

补偿函数观测器及其在飞行器姿态控制中的应用

风扰、气流扰动和模型未知部分的估计精度直接影响着无人机（UAV）的稳定性和控制品质,扩张观测器（ESO）能估计这些部分,但存在型别低,收敛性差,估计精度低等问题。补偿函数观测器（CFO）采用纯积分、补偿和传递函数型别的思想,改变了ESO结构,使得CFO较ESO高2个型别,精度高,收敛性强。然而,CFO是利用线性滤波器补偿系统的未知函数或扰动,对快速变化的高次非线性函数补偿能力不足。本文用径向基（RBF）神经网络替代了线性滤波器或积分器,提出了带有RBF神经网络的CFO,进一步提高了估计精度。应用带有RBF神经网络的CFO得到的非线性未知函数和扰动以及微分信息,设计了主动模型函数补偿控制算法,应用Lyapunov稳定性理论证明了闭环系统的稳定性。将该模型补偿控制算法成功地应用于四旋翼飞行器姿态系统的控制。仿真对比了所提出的基于CFO的模型补偿控制,PID控制和自抗扰控制算法,同时在基于Pixhawk的控制测试平台实验中,对比了这3种控制策略,测试四旋翼飞行器对不同参考姿态的跟踪性能。结果表明,所提出的控制方法,在暂态性能和稳态跟踪精度方面,优于其它控制器。     

倾转三旋翼无人机纵向推力矢量控制研究

针对倾转三旋翼无人机纵向姿态控制问题开展研究,结合倾转三旋翼无人机构型的特殊性,提出了一种基于推力矢量控制的纵向姿态控制策略,同时基于新型的推力矢量控制方法设计了更高效的倾转三旋翼无人机操纵机制;采用牛顿-欧拉法对倾转三旋翼无人机进行动力学建模分析,通过对机翼采取分段分析的方法,设计了旋翼/机翼下洗载荷模型,并进行了仿真和实地飞行试验。试验结果表明,所提出的纵向姿态控制策略,能有效提高无人机飞行效率,具有更强的速度响应能力,提高了飞行过程中的可靠性和安全性。     

视场受限制导与控制一体化设计

针对拦截弹视场受限问题,提出了一种基于动态面控制和自适应扩张状态观测器(ESO)的制导控制一体化(IGC)设计方法。首先,建立基于目标拦截过程的拦截弹运动方程和非线性动力学方程的IGC模型;其次,设计自适应ESO估计导弹自身信息干扰和目标加速度误差。然后,设计基于动态面控制的IGC算法获取虚拟控制力矩,并利用李雅普诺夫(Lyapunov)理论证明系统稳定性。仿真结果表明,所设计的IGC算法能够实现在视场受限情况下稳定制导和控制导弹姿态,满足动能碰撞杀伤目标的要求,可用于导弹制导和控制系统设计。     

基于预设性能的四旋翼无人机编队安全控制

针对四旋翼无人机编队系统存在模型不确定性、未知外部干扰与内部碰撞等问题,提出一种基于预设性能的安全控制方法。首先使用预设性能函数结合误差转换方法,将防止内部碰撞的不等式约束问题转换为无约束问题。同时针对模型中的不确定项,使用神经网络进行逼近;针对神经网络逼近误差与未知外部干扰组成的复合干扰,使用非线性干扰观测器进行估计,并分别设计位置与姿态子系统控制器,避免了编队内四旋翼无人机的碰撞。然后借助Lyapunov方法证明了闭环系统所有信号的收敛性。最后通过数值仿真验证了所提控制方法的有效性。     

倾转双旋翼无人机风场扰动下的建模和控制器设计

针对可倾转双旋翼无人机容易受外界风场扰动和模型不确定性影响的问题,设计了基于自抗扰控制技术的飞行姿态和PID轨迹组合控制。通过分析阵风对无人机姿态的影响,利用牛顿-欧拉法推导出有风条件下的双旋翼动力学方程;然后,通过Dryden大气紊流模型建立了无人机所处的风场环境;最后,用自抗扰控制器对无人机的动力学模型作干扰补偿,并采用粒子群算法进行参数整定,解决自抗扰技术参数繁多、人工调节复杂的问题。仿真结果表明,所设计的自抗扰姿态控制和PID轨迹组合控制器能有效抑制紊流风扰动,实现稳定飞行。     

四旋翼无人机飞行轨迹的自主导航控制

<正>四旋翼无人机系统具有多变量、强耦合性,如果把对信号响应速度不同的各个变量混杂在一起设计控制系统会引起系统不稳定,需按时间尺度将控制变量分组进行控制系统设计。有关文献运用奇异摄动理论将固定翼飞行器系统按照各变量对输入信号响应速度不同进行分组,分别设计内环、中环以及外环控制律。传统飞行运动控制一般采用航迹速度、爬升角和倾斜角作为控制变量来控制飞行轨迹。四旋翼无人机在飞行过程中,可通过调整姿态角度来控制其质心运动,质心运     

不确定强耦合下四旋翼姿态鲁棒自适应控制

针对多源不确定强耦合下的四旋翼无人机姿态控制问题，首次设计了一种多层逼近自适应神经网络动态面控制算法。区别于以往的加性耦合不确定研究，考虑无人机飞行控制中的乘性耦合多源不确定估计与补偿问题。首先，构建不确定四旋翼无人机姿态动力学模型，并基于神经网络与傅里叶展开实现乘性耦合不确定的巧妙转换；其次，将自适应技术与反步法相结合，设计多层逼近自适应控制律；同时将动态面技术用于解决反步法中虚拟控制律求导问题。完整理论分析与仿真实验表明了所述控制策略的有效性。     

基于线性自抗扰的四旋翼无人机轨迹跟踪控制

针对四旋翼无人机在轨迹跟踪控制过程中存在的不确定性和外部扰动,提出了一种基于线性自抗扰的轨迹跟踪控制方法。首先,基于线性自抗扰设计了四旋翼控制器,将四旋翼无人机的轨迹跟踪控制系统分成内外两个控制环路,外环由PD控制,内环由线性自抗扰控制;然后,进行了仿真验证与分析,并与基于补偿的PD控制方法进行对比分析;最后,开展了飞行验证。研究结果表明,线性自抗扰控制器不仅调节时间短,而且能补偿系统所受到的内、外干扰,提高系统的稳定性,较好地满足了系统性能要求,其抗干扰能力也优于基于补偿的PD控制。     

基于BSP-ANN的四旋翼无人机轨迹跟踪方法

为了降低无人机轨迹跟踪误差,提高系统抗干扰能力,对反步（Backstepping）法进行改进提出一种基于反步神经网络（BSP-ANN）的无人机轨迹跟踪方法。首先,建立了四旋翼无人机运动学模型;然后,结合Backstepping方法在无人机的姿态控制、轨迹跟踪控制系统中引入Sigma-Pi神经网络,同时设计Sigma-Pi神经网络控制率,并证明该控制率满足Lyapunov意义下的系统稳定;最后,分别给出了相应的仿真实验。仿真结果表明：该算法可以有效降低跟踪误差,缩短无人机跟踪时间,同时可以提高系统的抗干扰能力。     

复杂环境下多无人机轨迹姿态协同控制

考虑多无人机在实际飞行过程中的避障需求，在建立面向控制的四旋翼无人机轨迹姿态模型基础上，为克服传统多无人机为每架无人机规划轨迹的不足，研究了基于多无人机中心点的轨迹设计策略。进一步，考虑避障约束，基于半定规划进行迭代区域扩张完成了多无人机的安全飞行区域及队形设计。在此基础上，基于干扰补偿策略为每架无人机设计了协同控制器，最终确保了多无人机在多障碍环境下的安全飞行。     

四旋翼无人机建模及其四元数控制律设计

对四旋翼无人机进行建模与控制.在建模时采用了物理机理建模方法,尤其是对电机和螺旋桨进行了详细的建模,然后应用四元数对所建的模型进行了姿态角的控制.首先将欧拉角转换为四元数,然后求出误差四元数,接着由误差四元数推导出所要转动的角度和所要绕的轴.在此基础上,又对各个方向上的速度进行了控制,并与PID控制结果进行了对比.仿真结果表明,基于四元数的控制律更能有效地控制四旋翼速度较大的情况.