《Ain Shams Engineering Journal》：PSO-optimized physics-informed neural network-based fuzzy-sliding mode controller design for quadrotor altitude stabilization and trajectory tracking
编辑推荐：
本文提出了一种新颖的混合智能控制框架，用于四旋翼无人机（UAV），通过集成滑模控制（SMC）、物理信息神经网络（PINN）和模糊逻辑控制（FLC）。鲁棒轨迹跟踪因非线性动力学、不确定性和外部扰动仍具挑战性。尽管SMC提供强鲁棒性，但存在抖振和等效控制估计困难。
本文提出了一种新颖的混合智能控制框架，用于四旋翼无人机（UAV），通过集成滑模控制（SMC）、物理信息神经网络（PINN）和模糊逻辑控制（FLC）。鲁棒轨迹跟踪因非线性动力学、不确定性和外部扰动仍具挑战性。尽管SMC提供强鲁棒性，但存在抖振和等效控制估计困难。为解决这些限制，研究人员开发了一种数据-物理驱动的基于PINN的模糊SMC架构，通过将四旋翼动力学和滑模面约束嵌入训练损失以确保物理一致性。首先设计PSO优化的基线SMC，之后PINN估计等效控制分量，同时FLC补偿切换控制动作以抑制抖振。在多种飞行场景下的软件在环仿真结果表明，与基线SMC、FSMC和神经模糊SMC方法相比，所提框架在跟踪精度、扰动抑制和降低控制能量方面表现更优，突出了所提框架在不确定环境下智能四旋翼无人机控制的有效性。
四旋翼无人机（UAV）在监视、灾害管理、精确农业等领域广泛应用，但其非线性、欠驱动和易受扰动特性使控制器设计极具挑战。滑模控制（SMC）虽鲁棒性强，但存在抖振和等效控制估计困难，且高阶SMC、自适应SMC、模糊SMC（FSMC）和神经模糊SMC（NFSMC）等方法仍对模型精度依赖或抖振抑制不彻底。为此，研究人员提出将物理信息神经网络（PINN）与FSMC结合，利用数据-物理驱动学习，在保持物理一致性的同时提升控制性能。研究人员开展了PSO优化的PINN-FSMC框架研究：首先设计PSO优化的基线SMC，然后训练PINN估计等效控制，同时设计FLC补偿切换控制以抑制抖振。通过软件在环仿真验证，得出结论：所提方法在跟踪精度、扰动抑制和控制能量方面优于基线SMC、FSMC和NFSMC。重要意义在于为智能四旋翼无人机控制提供新途径，展示了数据-物理驱动学习的潜力。论文发表在《Ain Shams Engineering Journal》。
关键技术方法（不超过250字）：研究人员采用以下主要方法：1) 粒子群优化（PSO）算法，用于优化基线SMC的切换增益和滑模面斜率参数，以最小化积分时间绝对误差（ITAE）；2) 物理信息神经网络（PINN），将四旋翼飞行动力学和滑模面约束嵌入损失函数，利用仿真数据（5000个样本，采样间隔0.01s）离线训练，估计等效控制分量；3) Mamdani型模糊逻辑控制器（FLC），采用单输入单输出结构，以滑模面变量为输入，输出模糊补偿信号，用于近似切换控制以抑制抖振。样本队列来源为基线SMC的MATLAB仿真数据。
研究结果（保留每个小标题）：
4.1 标称场景下的扩展螺旋轨迹跟踪：通过标称场景下的扩展螺旋轨迹跟踪仿真，验证了层次化控制框架的有效性，实现了六自由度完全控制，包括位置、姿态和四元数跟踪，且控制能量和跟踪误差在可接受范围内。
4.2 匹配不确定性场景下的性能分析：引入质量和气动阻力系数的参数不确定性（Δm=0.1+2e
-t/50，Δcd=0.05+0.2sin(0.1t)）作为匹配不确定性，重新设计控制器后比较。结果显示，PINN-FSMC在跟踪响应和误差方面优于基线SMC和FSMC，表明其鲁棒性更强。
4.3 非匹配不确定性场景下的性能分析：注入风扰等非匹配不确定性（d(t)=2sin(0.005t)），评估控制器性能。结果显示，PINN-FSMC在三维空间轨迹跟踪中表现更优，跟踪误差更小，控制能量更低，相比基线SMC、FSMC和NFSMC具有更好的鲁棒性。
4.4 混合数据-物理驱动模型与纯数据驱动模型的性能评估：比较PINN-FSMC与NFSMC（纯数据驱动），在相同非匹配不确定性下，PINN-FSMC因嵌入物理知识而具有更好的泛化能力和跟踪精度。进一步在悬停和正弦扰动（d(t)=2sin(5t)）下比较多种性能指标（MAPE、RMSE、MSE、ISE、IAE、ITAE、ITSE），PINN-FSMC在所有指标上均最低，证明了其优越的跟踪精度和扰动抑制能力。
总结讨论部分：研究结果充分表明，将物理信息神经网络与模糊滑模控制结合，能够有效克服传统SMC的抖振问题，并在匹配和非匹配不确定性下保持鲁棒性。与纯数据驱动方法相比，物理约束的引入提升了泛化能力。尽管计算复杂度增加，但现代嵌入式处理器使实时部署成为可能。
研究结论部分翻译：本研究提出了一种PSO优化的PINN-FSMC框架，用于四旋翼无人机（UAV）的鲁棒高度稳定和轨迹跟踪控制。核心贡献在于将物理信息神经网络（PINN）与模糊滑模控制（FSMC）架构集成，以克服传统和数据驱动SMC策略的局限性。首先，基于牛顿-四元数建立了四旋翼无人机飞行动力学模型，并设计了PSO优化的基线SMC。然后，训练PINN利用数据、无人机飞行动力学（作为物理定律）和滑模面约束来估计等效控制，而FLC则用于估计切换控制。最后，通过软件在环仿真在标称场景以及注入匹配和非匹配不确定性的情况下实施了所提基于PINN的FSMC并进行测试。在扩展螺旋轨迹、悬停场景和注入扰动下的广泛仿真表明，所提控制器在跟踪精度、控制平滑性和对不确定性的鲁棒性方面始终优于基线SMC、FSMC和NFSMC，且控制能量显著最小化。这些发现表明，数据-物理驱动的智能控制框架在模拟不确定性下改善四旋翼无人机轨迹跟踪性能方面具有强大潜力；然而，需要通过实时实验实现和硬件级测试进一步验证其在实际自主任务中的实用性。尽管所提PINN-FSMC框架中PINN和FLC的集成增加了计算复杂度，但高速嵌入式处理器和GPU支持计算的最新进展使其在无人机应用中日益可行。因此，未来研究可扩展至通过硬件在环仿真验证所提方法，并探索基于物理信息Transformer模型的高性能四旋翼无人机自主控制。
