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。