欠驱动四旋翼无人机的全神经自适应控制设计:一种分数阶超扭转滑模方法
《Aerospace Science and Technology》:Neuro-Adaptive Control Design for Underactuated Quadcopter Drone: A Fractional-Order Super-Twisting Sliding Mode Approach
【字体:
大
中
小
】
时间:2026年02月13日
来源:Aerospace Science and Technology 6.4
编辑推荐:
Safeer Ullah|Yukang Cui|Hisham Alghamdi|Sultan Alghamdi|Ahmed S. Alsafran|Abdullah A. Algethami|Dong-Won Jung巴基斯坦萨希瓦尔57000,奎德-阿扎姆工程与技术学院电气工程
Safeer Ullah|Yukang Cui|Hisham Alghamdi|Sultan Alghamdi|Ahmed S. Alsafran|Abdullah A. Algethami|Dong-Won Jung巴基斯坦萨希瓦尔57000,奎德-阿扎姆工程与技术学院电气工程系
摘要:无人机,尤其是四旋翼飞行器,由于其非线性动力学特性、欠驱动结构以及易受风浪和传感器噪声等外部干扰的影响,给控制带来了巨大挑战。为解决这些问题,本文提出了一种神经自适应分数阶超扭转滑模控制框架,该框架结合了分数阶超扭转微分器与具有注意力机制的深度残差神经网络。该控制方法能够保证有限时间收敛性,并且在存在不确定因素和干扰的情况下仍能保持稳定性,同时减少抖动现象。借助具有注意力机制的深度残差神经网络,即便面对高度非线性的输入信号,该控制方法也能保持适应性,进而降低对精确系统模型的需求。此外,分数阶超扭转微分器在嘈杂环境中仍能实现精准的实时速度估计,从而提升状态反馈效果及整个系统的稳定性。基于李雅普诺夫的分析严格证明了该方法的有限时间收敛性,而高精度的MATLAB/Simulink仿真结果表明,与传统控制方法相比,所提出的控制方案在轨迹跟踪和系统稳定性方面表现更优。这一综合策略有助于在充满变数的环境中实现四旋翼无人机的稳定控制。
引言:无人机,特别是四旋翼飞行器,因其在监控、航空测绘、灾难救援以及自主配送等领域的广泛应用而备受关注[1]。然而,由于其复杂的非线性动力学特性、欠驱动结构以及易受外部干扰的影响,这类飞行器的控制难题相当棘手。为在气动效应、载荷变化、执行器故障以及传感器噪声等不确定性因素存在的情况下实现稳定且精准的轨迹跟踪,确实需要先进的控制方法[2]。传统的控制方法,如比例积分微分控制、线性二次调节器以及线性二次高斯控制器,因其简单易实现而被广泛用于四旋翼飞行器的控制中。这些方法通过最小化特定成本函数来实现诸如最低能耗或最小跟踪误差等目标,这也是本研究关注的重点[3][4]。不过,由于这些方法的控制设计依赖于线性化模型,无法完全体现四旋翼飞行器的非线性特性,因此其在实现系统稳定性和性能方面存在局限。正是出于这一需求,更为先进的非线性控制和自适应控制方法应运而生。基于被动性的控制方法也被用于四旋翼飞行器的稳定控制,通过利用系统的能量特性来设计出能够确保性能与稳定性的控制器,此类方法已在四旋翼系统中得到成功应用,并展现出更高的稳定性和可靠性[5][6]。
滑模控制是一种极为流行的非线性控制方法,尤其在存在不确定因素的情况下,它能为四旋翼无人机系统提供强大的稳定性[7]。该方法通过将系统状态强制引导至特定的滑模面上,从而实现系统稳定性与精准跟踪。在滑模控制作用下,闭环系统对参数变化及外部干扰具有很强的鲁棒性,不过其性能仍可能受到未预期不确定因素的影响——这一特性对于应对现实环境中的各种状况尤为重要。滑模控制固有的鲁棒性使其成为那些容易受到风浪、载荷波动以及传感器噪声等外部干扰影响的四旋翼飞行器的理想控制方式。有研究针对不确定条件下的四旋翼飞行器动态稳定性,设计了基于积分器的滑模控制方法[8][9],通过消除系统到达阶段,该方法从一开始就提升了系统的鲁棒性,进而显著改善了闭环系统的性能[10]。但需注意的是,这种积分型滑模控制方法并不会降低系统的阶数,即整个系统的参数和状态都会参与到滑模控制过程中,这一特性可能会影响控制性能,尤其是在对参数变化敏感或存在动态扰动的系统中。为解决滑模控制的高频抖动问题,人们提出了更高阶的滑模控制方法,如超扭转滑模控制[11],相较于传统滑模控制,该方法不仅能提高收敛速度,还能减少抖动,但其仍然依赖精确的系统建模,且在面对强非线性特性和噪声较大的测量数据时表现不佳。
模糊逻辑控制也是广泛应用于四旋翼飞行器的一种控制技术。模糊逻辑控制器通过语言规则来处理不确定性及非线性问题,这类方法在复杂且充满不确定性的环境中尤为适用。将模糊逻辑与滑模控制相结合形成的模糊滑模控制方法,已被证明能够有效减少抖动并提升系统的鲁棒性[12][13]。这种混合控制方法融合了两种方法的优点,为四旋翼飞行器提供了一种灵活且具备自适应能力的控制方案。事件触发控制则是一种新一代的控制方法,它能有效降低控制系统的计算负荷与通信开销。在这种控制策略中,控制更新仅在必要时进行,从而优化了系统效率并减少了资源消耗。已有研究在四旋翼飞行器上应用了事件触发控制方法,结果显示其在性能提升和资源利用方面均有显著优势[14][15]。例如,有研究通过构建事件触发型模型预测控制方法,在保证最优控制性能的同时降低了计算负担。此外,还有研究探索将多种控制方法进行混合使用的混合控制策略,比如将滑模控制与自适应控制或模糊逻辑控制相结合,这样可以充分利用各种方法的优点,进一步提升系统的鲁棒性与性能[16][17]。在四旋翼飞行器控制领域,还研究了根据系统运行状态切换不同控制律的开关控制技术,这类技术对于需要多种工作模式或动态变化较大的系统而言非常有效。研究表明,开关控制技术能够在四旋翼飞行器系统中实现稳定且具备自适应能力的控制效果[18][19]。
此外,回退控制也因其实验性的设计流程以及处理具有未知不确定性的非线性系统的能力而受到重视。通过为各子系统设计递归控制律,回退控制能够为系统提供稳定性与跟踪性能。有研究将回退控制与滑模控制相结合,成功提升了四旋翼飞行系统的鲁棒性,并消除了抖动现象[20][21],尤其在对四旋翼飞行器的欠驱动动力学特性进行控制时效果显著。为进一步提升输出反馈控制方法在面对不确定性及外部干扰时的鲁棒性,基于观测器的控制方法逐渐成为研究热点。这类方法通过观测器来估计那些难以确定的干扰因素,随后调整控制器配置以维持系统的稳定性,相关研究已在先前文献中有所阐述[22][23][24]。事实证明,基于观测器的控制方法能够有效将系统的状态变量引导至期望值附近。有研究提出的基于观测器的滑模控制方法,在抑制抖动的同时提升了系统对不确定因素的适应能力。在Levant的相关研究中[26],他在输出反馈控制框架内设计了一种具有恒定增益的高阶鲁棒精确微分器,用于在系统位置受限的条件下估计系统的导数状态。不过,考虑到实际系统中往往存在较高的噪声水平或快速的动态变化,这种控制器的应用效果可能存在疑问。另一种能够提升控制系统鲁棒性能的有效方法是基于干扰观测器的控制方法,这类方法能够实时估计并抵消干扰,从而实现稳定且精准的控制效果。已有研究在四旋翼飞行器上成功应用了基于干扰观测器的控制方法,显著提升了系统的抗干扰能力与轨迹跟踪精度[27][28]。例如,就有研究采用非线性干扰观测器来估计和消除外部干扰,从而实现对四旋翼飞行器动态特性的精准控制。还有不少研究将神经网络引入控制器设计中,以此提升系统在处理接近未知的非线性特性及干扰时的鲁棒性[29][30]。当这类基于神经网络的方法与观测器相结合时,被证明能够极大提升控制系统的鲁棒性,通过有效近似复杂系统特性,它们能够打造出更为稳定且精准的控制系统。
强化学习如今也越来越被广泛应用于四旋翼飞行器的控制中。强化学习控制器通过在环境中不断探索学习最佳控制策略,因此具备极强的适应性,能够很好地应对不断变化的环境条件。深度强化学习与Q学习方法已被应用于四旋翼飞行器控制中,这些方法显著提升了系统的控制性能与适应能力[31][32]。除了神经网络之外,自适应控制方法也得到了广泛研究,这类方法能够根据系统运行状态实时调整控制器参数,从而提升系统在面对模型不确定性及外部干扰时的稳定性。例如,模型参考自适应控制与基于李雅普诺夫的自适应控制方法已成功应用于四旋翼飞行器控制中,提升了系统的跟踪性能与抗干扰能力[33][34],这类方法在系统动力学特性尚未完全明确或存在剧烈波动的情况下尤为适用。此外,人们还尝试将鲁棒控制技术应用于四旋翼飞行器控制中,比如H∞控制与μ综合控制等方法,这类方法旨在设计出能够在不确定性与干扰环境下依然保持优异性能的控制器。研究表明,鲁棒控制技术能够在四旋翼飞行系统中实现高水平的鲁棒稳定性与抗干扰能力[35][36]。例如,H∞控制已被用于控制器设计,能够在确保系统具有稳定鲁棒性能的同时,将系统受到的干扰降至最低。预测控制方法,如模型预测控制,也被用于四旋翼飞行器控制中。模型预测控制能够在系统约束条件下对控制输入进行有限时间范围内的最优控制优化,因此常用于那些需要对轨迹进行精准跟踪且需要避开障碍物的应用场景。在最近的研发中,模型预测控制还被赋予了更好的鲁棒性与时变性适应能力,以便更有效地应对不确定性及干扰[37][38]。例如,已有研究开发出了有效的模型预测控制方法,能够考虑模型存在的不确定性及干扰因素,从而在严格约束条件下实现稳定且精准的控制效果。非线性模型预测控制则是另一种先进的控制方法,它基于系统的非线性模型来预测系统的未来状态,然后通过求解带约束的有限时间最优控制问题来确定最优控制输入。这类方法已被证明能够实现非常出色的跟踪效果,且对系统不确定性具有很强的抵抗能力[39][40]。例如,就有研究在存在障碍物及外部干扰的情况下,运用非线性模型预测控制方法实现了精准的轨迹跟踪。
另一个具有研究前景的方向是分数阶控制方法,这类方法基于分数微积分理论,对整数阶控制方法进行了拓展。分数阶PID控制与分数阶滑模控制控制器为控制器参数提供了更大的调整空间,从而有助于更好地应对系统中的非线性特性与不确定性[41][42]。尽管近年来已有研究针对四旋翼无人机开展了滑模控制与基于观测器的控制策略研究,但仍有许多问题亟待解决。传统的滑模控制方法会产生抖动现象,这不仅会影响输出质量[43],还会导致执行器出现高频振动并加速其老化。为解决这一问题,人们开发了更高阶的滑模控制器与基于观测器的控制方案,但这些方法依赖于对系统动力学特性及输入信号的精确了解,而在实际应用中,系统往往存在不确定性及干扰因素,这一假设并不现实。基于神经网络的自适应控制方法虽然在处理非线性问题方面效果不错,但却无法处理分数阶动力学特性或快速变化的干扰因素。而基于高增益观测器或鲁棒微分器的估计器对噪声极为敏感,在面临强烈干扰时性能会大幅下降。此外,分数阶微积分在滑模控制中的应用仍处于起步阶段,尤其是对于那些需要更高鲁棒性及灵活性的四旋翼飞行器系统而言。最后,大多数自适应控制与基于观测器的控制方案都无法实现有限时间收敛,而这对于需要实时控制的无人机操作来说至关重要,因为这类应用要求控制动作既快速又精准。正是由于这些方法的局限性,我们提出了基于分数阶微积分、神经网络自适应机制以及鲁棒微分器的新型控制框架,该框架为在存在未知干扰情况下的四旋翼无人机控制提供了统一的解决方案。
1. 新型NA-FOSTSMC控制框架:本文提出了一种神经自适应分数阶超扭转滑模控制框架,用于在存在未知外部干扰的情况下实现欠驱动四旋翼飞行器的轨迹跟踪。与那些存在鲁棒性不足及抖动问题的PID控制器与传统滑模控制器,以及严重依赖精确模型标准的超扭转滑模控制方法不同,所提出的框架通过引入分数微积分理论,实现了有限时间收敛性,并提升了系统抗干扰能力。
2. 引入DRNAM以实现自适应性:该框架中整合了具有注意力机制的深度残差神经网络,用于估计系统中的非线性漂移项及输入信号特征。与以往自适应控制研究中所使用的简单前馈神经网络相比,DRNAM能够实现更深入的特征提取,并对相关状态进行动态优先级排序,从而提升系统的适应性,同时减少对精确系统模型的依赖。3. FOST-SMD微分器的开发:本文提出了一种分数阶超扭转滑模微分器(FOST-SMD),用于根据带有噪声的位置测量值来估计速度状态。传统微分器对噪声较为敏感且会放大噪声,而基于分数阶的方法则能在存在不确定性的情况下提供可靠的反馈,进而提高应用于无人机时的系统鲁棒性。除了在方法论上的贡献外,该方案还具有实际优势。通过运用分数阶微积分和超扭转滑模技术,可确保闭环系统在有限时间内收敛,同时在存在匹配的不确定性及外部干扰时消除抖振现象。此外,还通过严格的李雅普诺夫稳定性分析,正式证明了整个控制系统的有限时间稳定性。通过高精度的MATLAB/Simulink仿真进一步验证了该方案的有效性与实用性,结果表明其与传统控制策略相比,具有更高的轨迹跟踪精度、更强的鲁棒性以及更好的控制效率。本文的其余结构如下:第2节阐述四旋翼无人机的问题建模;第3节介绍所提出的控制设计;第4节对比该方案与先前结果的性能差异;最后第5节总结全文。
**问题建模**
四旋翼的旋转运动由滚转角φ、俯仰角θ和偏航角ψ描述,而平移运动则包括横向位置(x, y)和高度z。其动力学方程如下:
φ¨=IR?˙ωˉIx+(Iy?Iz)Ix?˙ψ˙+blIxU
?¨=?IRφ˙ωˉIy+(Iz?Ix)Iyφ˙ψ˙+blIyU
ψ¨=(Ix?Iy)Izφ˙?˙+dIzU
x¨=(sinψsinφ+cosψsinθcosφ)bmU
y¨=(sinψsinθcosφ?cosψsinφ)bmU
z¨=(cosθcosφ)bmU?g
其中b为推力系数,d为阻力系数,IR为转子惯性,l为臂长,ω为角速度。
**控制设计**
本节提出了一种高效智能的有限时间控制策略,用于四旋翼系统,该策略通过将NA-FOSTSMC与FOST-SMD相结合来实现。所设计的框架旨在确保精确的轨迹跟踪能力、强大的抗外部干扰能力,以及在模型存在不确定性时的适应性。本质上,在该算法中,系统状态能够在有限时间内收敛到期望的轨迹上,同时还能有效抑制抖振现象。
**仿真结果**
在MATLAB/Simulink环境中进行了数值仿真,以验证所提控制算法在轨迹跟踪精度、对抗有界不确定性的能力以及抗噪声能力方面的优势。通过FOSTSMD和DRNAM分别估计了欠驱动子系统的速度状态以及非线性漂移函数,其中部分仿真还考虑了是否使用FOSTSMD的情况。仿真中所用的四旋翼模型参数已给出。
**结论**
本文提出了一种用于存在不确定性条件下的四旋翼轨迹跟踪的分数阶超扭转滑模控制方法。通过将系统转化为输入解耦形式,并结合分数阶微积分与超扭转设计,实现了系统的有限时间收敛及抖振抑制。带有注意力机制的深度残差神经网络用于估计未知的非线性因素,从而降低了对模型的依赖;而分数阶超扭转微分器则确保了系统的稳定性。
**作者贡献声明**
Safeer Ullah:写作——审稿与编辑,写作——初稿撰写,指导,软件开发,方法论,形式分析,概念设计。Yukang Cui:写作——审稿与编辑,研究工作,形式分析。Hisham Alghamdi:写作——审稿与编辑,项目管理,研究工作,概念设计。Sultan Alghamdi:验证,项目管理,数据整理。Ahmed S. Alsafran:写作——审稿与编辑,验证,项目管理,研究工作,概念设计。
**利益冲突声明**
作者们声明不存在与本研究相关的利益冲突。该研究是独立开展的,没有可能影响研究结果的任何财务或个人关系。所有作者均已批准手稿的最终版本,并同意将其投稿至《航空航天科学与技术》期刊。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号