利用模型预测控制及嵌入式积分器的无人机自动驾驶系统

《Aerospace Science and Technology》：Autopilot for unmanned aerial vehicle using model predictive control with embedded integrators

模型预测控制无人机自动驾驶系统研究，提出嵌入式积分器模型预测控制（EIMPC）方法，对比传统PID控制，在强风（Beaufort 9）干扰下实现更优的飞行轨迹跟踪、控制面偏转幅度降低约40%、抗模型参数失配能力提升，且调参复杂度显著降低。

　　皮奥特·A·费利西亚克（Piotr A. Felisiak） 弗罗茨瓦夫科技大学（Wroc?aw University of Science and Technology），Wyspiańskiego海滨路27号，弗罗茨瓦夫，50-370，下西里西亚省，波兰

摘要

本文报道了一种基于模型预测控制（MPC）的固定翼无人机（UAV）自动驾驶仪的开发过程。通过11次仿真实验表明，该自动驾驶仪能够实现空速、高度和航向的跟踪，有效抑制强风干扰，并对模型参数的不匹配具有较好的鲁棒性。研究还表明，与基于经典比例-积分-微分（PID）控制的基线自动驾驶仪相比，所提出的自动驾驶仪更易于调优。在模拟的贝福风级为9的风暴条件下，该自动驾驶仪仍能保持满意的跟踪性能，同时显著减少了控制面的偏转幅度。此外，在控制力方面，所提出的方法也比基于PID的基线自动驾驶仪更能抵抗状态估计噪声的影响。该自动驾驶仪由两个预测控制器组成，分别用于横向和纵向运动的解耦控制。其独特之处在于控制器内部采用了嵌入式积分器，这是此类控制器首次应用于无人机控制领域。

引言

自动驾驶仪是一种自动系统，用于在无需人工干预的情况下控制飞行器的路径，包括无人机（UAV）。虽然它对于减轻飞行员疲劳至关重要，但对于自主无人机来说更是不可或缺。 传统的无人机自动驾驶解决方案是使用多个单输入单输出的比例-积分-微分（PID）控制器[1]。然而，由于无人机动态的耦合性，这些控制器常常会相互干扰，导致控制效果不佳。典型的PID基自动驾驶仪设计方法包括多个嵌套的闭环循环，其中每个内环的带宽通常是外环的1/5到1/10[1]。这种设计方式增加了复杂性，并使得闭环动态响应变慢。 另一种解决方案是采用先进的控制方法，例如线性二次调节器（LQR）或线性二次高斯调节器（LQG）[2,3]。然而，LQG控制需要了解模型和测量扰动的概率特性，而这些信息在实践中往往难以获取。 模型预测控制（MPC）是一种在动态较慢的行业（如化工行业）中得到广泛应用的控制技术。MPC能够直接且容易地处理输入、状态和输出约束，并在每个采样时刻重新计算控制轨迹，从而在存在未知干扰和不确定性的情况下更接近最优轨迹。此外，参考轨迹、约束和模型参数可以在线调整。由于MPC不对线性假设严格依赖（与LQR不同），因此它能够应对非线性系统的强约束和较大偏差问题。尽管MPC的计算复杂度较高，但随着计算硬件的进步，这一缺点正在逐渐得到缓解。关于基于线性时不变模型的MPC自动驾驶仪的研究相对较少[6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29]。最近的研究方向包括利用确定性人工智能[20]进行自主轨迹生成，以及将MPC与路径规划和引导结合[9,14,18,26]。还有一些创新方法，如粒子群优化和Harris鹰优化[27]，以及总能量控制系统[28]。 本文提出了一种基于带有嵌入式积分器的模型的MPC自动驾驶算法，包括两个预测控制器，分别用于控制无人机的横向和纵向运动。选择这种控制方式的原因在于嵌入式积分器能够有效抑制强恒定干扰（如持续强风）。本研究的主要贡献和创新点包括： 1. 首次将嵌入式积分器的MPC应用于航空航天工程领域，特别是无人机控制问题[1]； 2. 证明所选EIMPC算法比基于PID的基线自动驾驶仪更易于调优； 3. 在强风（包含阵风湍流）条件下实现了飞行稳定。 本文的结构如下：第2节介绍无人机动力学和大气扰动的数学模型；第3节阐述EIMPC控制算法及其与基于PID的基线自动驾驶仪的比较；第4节展示无人机控制过程的仿真结果；第5节对结果进行讨论；第6节总结研究结论。

数学模型

本节描述了数学模型，首先介绍第2.1节中的大气扰动建模，用于无人机飞行仿真；接着是第2.2节中的无人机非线性动力学模型，既用于飞行仿真也用于线性设计模型的开发；第2.4节进一步增加了积分器的功能。

控制

EIMPC的控制原理在第3.1节中详细说明，第3.2节对比了EIMPC与PID自动驾驶仪的调优难度。

仿真

通过11次仿真验证了控制系统的性能。所有仿真的时间单位均为秒。部分参数值在所有仿真中保持一致，无人机参数参考[1]中的数据。每次仿真的EIMPC控制器采样时间为0.1秒，升降舵、副翼和方向舵的最大偏转幅度也有明确规定。

讨论

首先对图形化结果显示进行定性和直观解释，随后进行定量评估。

结论

本文提出了一种基于两个模型预测控制器的固定翼无人机横向和纵向运动自动驾驶仪。这是EIMPC首次应用于无人机控制领域。研究涵盖了上升和水平飞行阶段，假设执行器无滞后效应，但可通过调整控制权重来应对有限的执行器响应速度。同时，本文还对传统控制方法进行了定性和定量比较。

作者贡献声明

皮奥特·A·费利西亚克（Piotr A. Felisiak）负责论文的撰写、审稿与编辑、原始稿件的撰写、可视化处理、软件开发、项目管理、方法论设计、数据分析以及概念框架的构建。