针对固定翼无人机纵向姿态控制中存在模型不确定性和外部干扰等问题,本文提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的自适应滑模控制方法。该方法利用RBF逼近姿态控制系统中的未建模动态,通过设...针对固定翼无人机纵向姿态控制中存在模型不确定性和外部干扰等问题,本文提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的自适应滑模控制方法。该方法利用RBF逼近姿态控制系统中的未建模动态,通过设计的自适应律实时调整神经网络权值,实现对模型误差和外部干扰的有效补偿。同时,基于Lyapunov稳定性理论设计了固定翼无人机的纵向姿态滑模控制律,确保闭环系统的全局稳定性和有限时间收敛特性。仿真结果表明,与传统PID控制及滑模控制方法相比,本文方法在存在参数摄动和外部干扰的情况下,能够显著提高固定翼无人机纵向姿态控制系统的跟踪精度和鲁棒性能。展开更多
针对受外部干扰和模型不确定性影响的四旋翼飞行器的姿态控制问题,提出一种基于固定时间的降阶扩张状态观测器(reduced-order extended state observer,RESO)和固定时间反步状态反馈控制律的自抗扰姿态控制方法。基于四旋翼动力学模型...针对受外部干扰和模型不确定性影响的四旋翼飞行器的姿态控制问题,提出一种基于固定时间的降阶扩张状态观测器(reduced-order extended state observer,RESO)和固定时间反步状态反馈控制律的自抗扰姿态控制方法。基于四旋翼动力学模型及自抗扰(active disturbance rejection control,ADRC)理论,首先利用系统输出可测特性,设计具有固定时间收敛性能的降阶扩张状态观测器并对观测器收敛性进行理论证明;其次,在反步控制的基础上结合固定时间理论,设计固定时间反步状态反馈控制器,并理论证明了闭环系统的跟踪误差能在固定时间内收敛至原点。最后,通过仿真算例,从收敛时间、稳态误差、最大误差以及均方误差等指标考察了所提出的控制方法的性能。仿真结果表明:所提出的改进方法相较于传统自抗扰控制及反步滑模控制具有更好的控制品质。展开更多
文摘针对固定翼无人机纵向姿态控制中存在模型不确定性和外部干扰等问题,本文提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的自适应滑模控制方法。该方法利用RBF逼近姿态控制系统中的未建模动态,通过设计的自适应律实时调整神经网络权值,实现对模型误差和外部干扰的有效补偿。同时,基于Lyapunov稳定性理论设计了固定翼无人机的纵向姿态滑模控制律,确保闭环系统的全局稳定性和有限时间收敛特性。仿真结果表明,与传统PID控制及滑模控制方法相比,本文方法在存在参数摄动和外部干扰的情况下,能够显著提高固定翼无人机纵向姿态控制系统的跟踪精度和鲁棒性能。
