小型涵道风扇无人机自适应解耦控制律设计

为解决小型涵道风扇式无人机俯仰通道和滚转通道之间的惯性耦合问题,采用简单自适应控制(simple a-daptive control,SAC)方法对无人机姿态角速度控制回路设计模型参考自适应控制器,使该控制回路在受到不确定扰动和参数摄动的影响下,仍能稳定跟随参考模型输出;同时对所构造参考模型进行串联前馈解耦,以使无人机跟随参考模型同步解耦,进而实现对无人机姿态角速度和自身姿态角的有效控制.仿真结果显示,该控制律能使无人机姿态稳定跟踪参考模型输出,并且有效抑制了被控对象参数摄动带来的不利影响,控制系统具有较强的自适应性和鲁棒性.     

基于ARM处理器的四旋翼无人机自主控制系统研究

为实现四旋翼无人机的自主飞行控制,设计并搭建了四旋翼无人机的硬件飞行控制平台.该平台采用自行组装的四旋翼飞行器作为本体,航向姿态参考系统(AHRS)MTi-G单元作为主要机载传感器,ARM嵌入式系统芯片作为主控制器,AVR单片机作为超控单元.基于四旋翼无人机的非线性动态模型,采用内外环结构的PD控制算法,构造了无人机的位置与姿态跟踪控制器.实现了四旋翼无人机滚转角、俯仰角和水平纵向、横向位置共四个自由度的自动控制.实验结果表明,本文提出的机载控制系统设计取得了较好的飞行控制效果.     

基于深度强化学习的无人机姿态控制器设计

为了能让四旋翼无人机的姿态控制器具有强大的目标值追踪与抗外部干扰的能力,提出了一种基于参考模型的深度确定性策略梯度的四旋翼无人机姿态控制器设计。该方法通过神经网络,将四旋翼无人机的状态直接映射到输出。本文的强化学习算法是结合深度确定性策略(deep deterministic policy gradient,DDPG)和深度神经网络所设计的。在DDPG算法结构中,进一步加入参考模型,规避控制量太大造成的系统超调,增强了系统的稳定性以及鲁棒性。同时,修改了强化学习中奖励的构成,成功消除了系统的稳态误差。经过研究实验表明,该控制方法可以对目标值进行快速地追踪且有着较强的鲁棒性,可见该控制器相比于传统的控制器,提高了其目标值追踪能力以及抗干扰能力。     

采用时延状态观测器的旋翼无人机自适应编队控制

针对无人机编队中的通信时延与工作引起的惯量变化,提出了一种基于时延状态观测器的旋翼无人机自适应编队控制方法。该方法利用编队结构参数确定队形,把编队控制转化为跟随无人机对虚拟无人机的轨迹跟踪;考虑精确的无人机动力学模型,并据此设计变时延状态观测器,对领航无人机的状态进行观测和补偿;针对补偿后的被控对象,设计自适应滑模编队控制器,并估计变负载工作状态下的质量和惯量。两组仿真结果表明:该方法对编队飞行中变质量变惯量行为的自适应误差小于6%,稳态时延状态的观测误差趋近0,体现出较好的控制精度和鲁棒性,具有很好的工程应用前景。     

四旋翼无人机自抗扰飞行控制器研究

为了提高飞行过程的抗扰动能力,针对四旋翼无人机自抗扰飞行控制器设计,分析自抗扰控制基本原理及其参数调节规律,在此基础上,改写四旋翼无人机动力学模型,引入虚拟控制量对位置和姿态进行控制解耦,应用扩张状态观测器实现状态解耦和扰动估计。最终得到四旋翼无人机双闭环自抗扰飞行控制器,实现对其位置和姿态的闭环控制。仿真实验结果表明,所设计控制器具有良好的解耦效果、抗干扰能力和鲁棒性能,可以实现对四旋翼无人机的飞行控制。     

基于模型参考模糊自适应的多缸同步控制

针对各通道间存在的耦合和外力扰动作用,以及工况和负载的复杂多变性,以四缸同步系统为例,应用了模型参考模糊自适应控制。根据被控对象和参考模型的输出偏差和偏差的变化来调整PI控制器的比例系数和积分系数,即通过模糊推理实时地调节PI参数,使受控系统的输出趋近于参考模型输出。仿真结果表明:该方法比传统PID控制能更有效的抑制各通道间的耦合和外力扰动作用,提高了系统的鲁棒性和同步精度。     

四旋翼无人机滑模-CPCMAC联合控制半物理仿真系统

针对四旋翼无人机强耦合、欠驱动、非线性等特点,以及在实际飞行过程中极易受到干扰的问题,对四旋翼无人机动力学模型进行分析,提出了一种基于联合的四旋翼无人机姿态控制算法,并在此基础上设计了四旋翼无人机半物理仿真系统。首先,针对非线性系统设计滑模控制器,选择跟踪航迹和翻滚角设计位置控制率和姿态控制率。其次,滑模控制器在实际应用中易产生震荡,利用基于信用积分的小脑模型神经网络(CPCMAC)来学习滑模控制的方式。最后,搭建基于LabVIEW的控制站,同Matlab/Simulink进行数据收发控制。仿真结果表明,在跟踪目标相同时,提出的四旋翼无人机滑模-CPCMAC联合控制相比于传统的比例积分微分(PID)控制和积分反步法控制优势明显,能够抑制超调和余差,在快速性和鲁棒性方面都更加优越。同时,构建的四旋翼无人机半物理仿真平台能清晰反馈出无人机参数的变化,应用预留的参数接口和地面控制站,降低了无人机飞控算法的开发难度,提高了开发效率,具有明显的实用价值。     

基于ADRC的四旋翼无人机姿态控制研究

四旋翼无人机由于受到自身的非线性、模型的不确定性和外部突发气流等的影响,较难完成预设的飞行任务.为此,使用自抗扰控制,通过安排合理的过渡过程减少超调和设计扩张状态观测器来估计总扰动并实时补偿,并实现四旋翼无人机姿态控制.仿真结果表明:相比传统PID控制,该控制方法使得四旋翼无人机能够更好地适应自身参数的变化和应付外部气流带来的影响,具有更好的鲁棒性和抗扰性.同时验证了自抗扰控制器下的系统具有超调小、精度高、收敛速度快、抗扰能力强和鲁棒性能好等特点.     

基于视觉的四旋翼飞行器稳定飞行控制

针对室内四旋翼搭载的常规惯性测量单元采集的速度具有很大误差, 在实际飞行过程中无法定点悬停的问题, 搭建了一套基于视觉的小型室内四旋翼飞行器, 应用串级比例、积分、微分控制算法(PID: Proportion Integral Differential)控制飞行器。实验结果显示, 此方法有效解决了室内或密闭环境下四旋翼在悬停飞行过程中水平漂移的问题, 能使四旋翼飞行器在室内的环境下平稳飞行。     

无人机神经网络重构控制

针对无人机可重构飞行控制系统提出一种基于径向基神经网络的模型跟随自适应逆重构控制方法,其核心是建立内外控制回路,内回路运用自适应逆控制,使得系统不受外部扰动和测量噪声的影响。外回路采用神经网络模型跟随自适应控制结构,使用神经网络和比例混合控制器,对参考模型和系统输出之间的误差进行自适应调整,利用误差来改变神经网络控制器的参数,使得系统达到满意的动态性能。并通过一个具体重构仿真结果证实了该方法的有效性。