一种四旋翼无人机控制方法

技术领域

本申请涉及无人机飞行控制技术领域，具体而言，涉及一种四旋翼无人机控制方法。

背景技术

无人机以其灵活性和低成本等优点被广泛应用于农业、测绘、军事、航拍等各个领域。但是，无人机作为一种典型的欠驱动、非线性且耦合的被控对象，在实际工程实践中存在着许多复杂的控制问题和要求，如对时变目标的跟踪、对外部干扰或建模不确定性的抵抗等。这些问题都对无人机的控制器设计提出了挑战。

传统的PID控制（比例积分微分控制，proportional-integral -derivativecontrol）方法基于反馈机制，应用广泛，不需要精确的系统建模，但不适用于时变任务的控制。滑模控制方法具有良好的动态响应特性和鲁棒性，但由于其固有的控制信号不连续的特性，可能会引起系统的抖振。反步控制方法具有控制器设计过程系统化、结构化的优点，但依赖于精确的系统模型，抗干扰性能较差。

因此，为了解决现有的四旋翼无人机控制方法存在不适用于时变任务的控制、控制信号不连续和抗干扰性能较差等缺点的技术问题，亟需一种四旋翼无人机控制方法。

发明内容

本申请的目的在于提供一种四旋翼无人机控制方法，通过将无人机的状态数据和期望控制目标值输入到基于无人机三阶系统动力学模型和多层递归神经网络控制器设计方法构建的无人机控制模型，对无人机进行控制，解决现有的四旋翼无人机控制方法存在不适用于时变任务的控制、控制信号不连续和抗干扰性能较差等缺点的技术问题，使无人机能够对外界或内部扰动进行较好的估计和抵抗，同时能够快速、准确地追踪目标飞行轨迹，并在控制收敛速度、响应速度和鲁棒性等方面有更良好的表现，提高了无人机的控制效率。

第一方面，本申请提供了一种四旋翼无人机控制方法，用于对四旋翼无人机进行控制，包括步骤：

获取无人机的状态数据；

根据预设的无人机三阶系统动力学模型，结合多层递归神经网络控制器设计方法，构建无人机控制模型；

以位置与姿态的耦合关系和关联关系为约束条件，将预设的期望控制目标值和所述状态数据输入到所述无人机控制模型，计算得到所述无人机的各控制输出分量；

对所述各控制输出分量进行转换，得到所述无人机各电机的控制量；

基于所述无人机各电机的控制量，对所述无人机的电机调速器进行控制。

本申请提供的四旋翼无人机控制方法可以实现对四旋翼无人机进行控制，通过将无人机的状态数据和期望控制目标值输入到基于无人机三阶系统动力学模型和多层递归神经网络控制器设计方法构建的无人机控制模型，对无人机进行控制，解决现有的四旋翼无人机控制方法存在不适用于时变任务的控制、控制信号不连续和抗干扰性能较差等缺点的技术问题，使无人机能够对外界或内部扰动进行较好的估计和抵抗，同时能够快速、准确地追踪目标飞行轨迹，并在控制收敛速度、响应速度和鲁棒性等方面有更良好的表现，提高了无人机的控制效率。

可选地，所述预设的无人机三阶系统动力学模型的构建步骤包括：

建立世界坐标系及无人机机体坐标系，并定义无人机在所述无人机机体坐标系下的控制状态变量；

根据牛顿第二定律和牛顿-欧拉方程，结合所述控制状态变量和预设的无人机电机一阶模型，忽略所述无人机在运动过程中的非主要影响因素，构建所述无人机在所述世界坐标系下的姿态角方程和各方向状态方程；

确定所述姿态角方程和所述各方向状态方程为所述无人机三阶系统动力学模型。

本申请提供的四旋翼无人机控制方法可以实现对四旋翼无人机进行控制，通过牛顿第二定律、牛顿-欧拉方程、控制状态变量和预设的无人机电机一阶模型，构建无人机三阶系统动力学模型，为后续的无人机控制提供了模型基础，有利于提高无人机的控制效率。

可选地，根据牛顿第二定律和牛顿-欧拉方程，结合所述控制状态变量和预设的无人机电机一阶模型，忽略所述无人机在运动过程中的非主要影响因素，构建所述无人机在所述世界坐标系下的姿态角方程和各方向状态方程，包括：

根据所述牛顿第二定律和所述牛顿-欧拉方程，忽略所述无人机在运动过程中的非主要影响因素，建立所述无人机在所述世界坐标下的位置动力学方程和姿态动力学模型；

基于所述位置动力学方程和所述姿态动力学模型，结合所述控制状态变量和所述预设的无人机电机一阶模型，构建所述无人机的姿态角方程和各方向状态方程。

可选地，所述位置动力学方程具体为：

；

其中，x为无人机在世界坐标系下的横坐标，y为无人机在世界坐标系下的纵坐标，z为无人机在世界坐标系下的竖坐标，

所述姿态动力学模型具体为：

；

其中，

所述预设的无人机电机一阶模型具体为：

；

其中，

可选地，所述姿态角方程包括横滚角状态方程、俯仰角状态方程和偏航角状态方程；

所述横滚角状态方程具体为：

；

其中，

所述俯仰角状态方程为：

；

其中，

所述偏航角状态方程为：

；

其中，

可选地，所述各方向状态方程包括竖坐标方向状态方程、横坐标方向状态方程和纵坐标方向状态方程；

所述竖坐标方向状态方程具体为：

；

其中，

所述横坐标方向状态方程具体为：

；

其中，

所述纵坐标方向状态方程具体为：

；

其中，

可选地，根据预设的无人机三阶系统动力学模型，结合多层递归神经网络控制器设计方法，构建无人机控制模型，包括：

根据所述多层递归神经网络控制器设计方法，构建多层误差函数；

基于所述多层误差函数，结合预设的自适应率迭代公式和预设的自适应率约束条件，得到多层递归神经网络控制器；

根据所述预设的无人机三阶系统动力学模型和所述多层递归神经网络控制器，构建所述无人机控制模型。

本申请提供的四旋翼无人机控制方法可以实现对四旋翼无人机进行控制，根据多层递归神经网络控制器设计方法，结合预设的无人机三阶系统动力学模型、预设的自适应率迭代公式和预设的自适应率约束条件，构建无人机控制模型，通过无人机控制模型能够快速、准确地追踪目标飞行轨迹，有利于提高无人机的控制效率。

可选地，所述无人机控制模型包括无人机位置控制模型和无人机姿态控制模型；

所述无人机位置控制模型具体为：

；

；

其中，

所述无人机姿态控制模型具体为：

；

其中，

可选地，预设的自适应率约束条件具体为：

；

其中，

可选地，对所述各控制输出分量进行转换的转换公式具体为：

；

其中，

有益效果：本申请提供的四旋翼无人机控制方法，通过将无人机的状态数据和期望控制目标值输入到基于无人机三阶系统动力学模型和多层递归神经网络控制器设计方法构建的无人机控制模型，对无人机进行控制，解决现有的四旋翼无人机控制方法存在不适用于时变任务的控制、控制信号不连续和抗干扰性能较差等缺点的技术问题，使无人机能够对外界或内部扰动进行较好的估计和抵抗，同时能够快速、准确地追踪目标飞行轨迹，并在控制收敛速度、响应速度和鲁棒性等方面有更良好的表现，提高了无人机的控制效率。

附图说明

图1为本申请实施例提供的四旋翼无人机控制方法的流程图。

图2为在世界坐标系及无人机机体坐标系下的无人机的示意图。

图3为无人机的状态轨迹与目标轨迹的对比示意图。

图4为无人机在俯仰角方向上的实际扰动值和估计扰动值的对比示意图。

图5为无人机在偏航角方向上的实际扰动值和估计扰动值的对比示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1是本申请一些实施例中的一种四旋翼无人机控制方法，用于对四旋翼无人机进行控制，包括：

步骤S101，获取无人机的状态数据；

步骤S102，根据预设的无人机三阶系统动力学模型，结合多层递归神经网络控制器设计方法，构建无人机控制模型；

步骤S103，以位置与姿态的耦合关系与关联关系为约束条件，将预设的期望控制目标值和状态数据输入到无人机控制模型，计算得到无人机的各控制输出分量；

步骤S104，对各控制输出分量进行转换，得到无人机各电机的控制量；

步骤S105，基于无人机各电机的控制量，对无人机的电机调速器进行控制。

该四旋翼无人机控制方法，通过将无人机的状态数据和期望控制目标值输入到基于无人机三阶系统动力学模型和多层递归神经网络控制器设计方法构建的无人机控制模型，对无人机进行控制，解决现有的四旋翼无人机控制方法存在不适用于时变任务的控制、控制信号不连续和抗干扰性能较差等缺点的技术问题，使无人机能够对外界或内部扰动进行较好的估计和抵抗，同时能够快速、准确地追踪目标飞行轨迹，并在控制收敛速度、响应速度和鲁棒性等方面有更良好的表现，提高了无人机的控制效率。

具体地，在步骤S101中，通过无人机自身的传感器，获取无人机的状态数据，状态数据包括无人机在三维空间中的坐标位置信息、运动速度、姿态角信息与电机转速等数据。

具体地，在步骤S102中，无人机三阶系统动力学模型的构建步骤包括：

建立世界坐标系及无人机机体坐标系，并定义无人机在无人机机体坐标系下的控制状态变量；

根据牛顿第二定律和牛顿-欧拉方程，结合控制状态变量和预设的无人机电机一阶模型，忽略无人机在运动过程中的非主要影响因素，构建无人机在世界坐标系下的姿态角方程和各方向状态方程；

确定姿态角方程和各方向状态方程为无人机三阶系统动力学模型。

在步骤S102中，建立世界坐标系及无人机机体坐标系，而为了便于统一描述，定义无人机在无人机机体坐标系下的控制状态变量，对无人机的控制状态变量的定义具体如下所示：

；

其中，

如图2所示，图2为在世界坐标系及无人机机体坐标系下的无人机的示意图，其中，无人机为四旋翼无人机（四旋翼无人机共4个电机和4对机翼，4个电机分别为电机1、2、3、4，每个电机都控制1对机翼），由X

具体地，在步骤S102中，根据牛顿第二定律和牛顿-欧拉方程，结合控制状态变量和预设的无人机电机一阶模型，忽略无人机在运动过程中的非主要影响因素，构建无人机在世界坐标系下的姿态角方程和各方向状态方程，包括：

根据牛顿第二定律和牛顿-欧拉方程，忽略无人机在运动过程中的非主要影响因素，建立无人机在世界坐标下的位置动力学方程和姿态动力学模型；

基于位置动力学方程和姿态动力学模型，结合控制状态变量和预设的无人机电机一阶模型，构建无人机的姿态角方程和各方向状态方程。

在步骤S102中，根据牛顿第二定律，忽略空气阻力等非主要影响因素，建立无人机在世界坐标下的位置动力学方程，根据牛顿-欧拉方程，忽略陀螺效应等非主要影响因素，建立无人机在世界坐标下的姿态动力学模型，将预设的无人机电机一阶模型和控制状态变量纳入位置动力学方程和姿态动力学模型，可以得到无人机在姿态和位置上的更准确的动力学模型（以状态方程形式建立的动力学模型），即姿态角方程和各方向状态方程。

其中，位置动力学方程具体为：

；

其中，x为无人机在世界坐标系下的横坐标，y为无人机在世界坐标系下的纵坐标，z为无人机在世界坐标系下的竖坐标，

姿态动力学模型具体为：

；

其中，

预设的无人机电机一阶模型具体为：

；

其中，

具体地，姿态角方程包括横滚角状态方程、俯仰角状态方程和偏航角状态方程。

横滚角状态方程具体为：

；

其中，

俯仰角状态方程为：

；

其中，

偏航角状态方程为：

；

其中，

具体地，各方向状态方程包括竖坐标方向状态方程、横坐标方向状态方程和纵坐标方向状态方程。

竖坐标方向状态方程具体为：

；

其中，

横坐标方向状态方程具体为：

；

其中，

纵坐标方向状态方程具体为：

；

其中，

具体地，确定姿态角方程和各方向状态方程为无人机三阶系统动力学模型，将姿态角方程和各方向状态方程进行归纳表述，可得到通用的三阶系统模型（x、y方向上表示为二阶系统模型，可看作三阶系统模型的简化）。通用的三阶系统模型具体为：

；

其中，

具体地，在步骤S102中，根据预设的无人机三阶系统动力学模型，结合多层递归神经网络控制器设计方法，构建无人机控制模型，包括：

根据多层递归神经网络控制器设计方法，构建多层误差函数；

基于多层误差函数，结合预设的自适应率迭代公式和预设的自适应率约束条件，得到多层递归神经网络控制器；

根据预设的无人机三阶系统动力学模型和多层递归神经网络控制器，构建无人机控制模型。

在步骤S102中，对于控制状态变量

根据多层递归神经网络控制器设计方法，误差函数应满足如下多层递归神经网络动力学设计公式：

；

其中，

但由于上述公式不包含控制变量

同样地，对第二层误差函数运用多层递归神经网络动力学设计公式

；

其中，

由于上述公式中依旧不包含输入控制变量

；

其中，

至此，最终定义第四层误差函数

；

其中，

而由于多层递归神经网络控制器存在未知扰动或建模不确定性导致的未知值

；

其中，

其中，预设的自适应率约束条件具体为：

；

其中，

根据预设的无人机三阶系统动力学模型和多层递归神经网络控制器，构建无人机控制模型，无人机控制模型包括无人机位置控制模型和无人机姿态控制模型；

无人机位置控制模型具体为：

；

；

其中，

无人机姿态控制模型具体为：

；

其中，

具体地，在步骤S103中，由于无人机位置控制器（无人机位置控制模型）与姿态控制器（无人机姿态控制模型）之间存在相互耦合与关联（即以位置与姿态的耦合关系和关联关系为约束条件），而四旋翼无人机是欠驱动系统，其位置控制是通过角度变化来实现的。无人机在

；

其中，

基于上述约束条件，将预设的期望控制目标值和状态数据输入到无人机控制模型，计算得到无人机的各控制输出分量。

具体地，在步骤S104中，对各控制输出分量进行解析与转换，得到各电机的控制量，具体转换关系如下所示：

；

其中，

具体地，在步骤S105中，通过将各电机的控制量传递给无人机电机调试器，可以实现对无人机电机转速的控制，从而实现稳定、高效、快速、抗干扰的无人机飞行控制，使无人机能够在扰动条件下完成对时变目标轨迹的快速跟踪任务。

例如，对无人机姿态各方向下施加了恒值和时变扰动，使无人机在扰动条件下实现对如下方程表述的螺旋轨迹进行跟踪（单位为米）：

；

其中，

对横滚角

；

如图3所示，图3为无人机的状态轨迹与目标轨迹的对比示意图，其中，带有箭头的线条表示无人机的状态轨迹，无箭头线条表示无人机的目标轨迹，x（t）、y（t）、z（t）分别为世界坐标系的横坐标、纵坐标和竖坐标，从图3可以看出，无人机的状态轨迹与目标轨迹快速重合。

如图4所示，图4为无人机在俯仰角方向上的实际扰动值和估计扰动值的对比示意图，其中，横坐标为时间，单位为秒，纵坐标为无人机在俯仰角方向上的扰动值，带有箭头的虚线表示无人机在俯仰角

如图5所示，图5为无人机在偏航角方向上的实际扰动值和估计扰动值的对比示意图，其中，横坐标为时间，单位为秒，纵坐标为无人机在偏航角方向上的扰动值，带有箭头的虚线表示无人机在偏航角

综上，本申请的无人机控制模型能够快速估计并拟合出了无人机所受到的恒值和时变干扰，验证了本申请的四旋翼无人机控制方法和无人机控制模型能够克服扰动或建模不确定性问题，能够快速、准确地实现无人机对时变轨迹的跟踪。

由上可知，该四旋翼无人机控制方法，通过获取无人机的状态数据，根据预设的无人机三阶系统动力学模型，结合多层递归神经网络控制器设计方法，构建无人机控制模型，以位置与姿态的耦合关系与关联关系为约束条件，将预设的期望控制目标值和状态数据输入到无人机控制模型，计算得到无人机的各控制输出分量，对各控制输出分量进行转换，得到无人机各电机的控制量，基于无人机各电机的控制量，对无人机的电机调速器进行控制；从而，通过将无人机的状态数据和期望控制目标值输入到基于无人机三阶系统动力学模型和多层递归神经网络控制器设计方法构建的无人机控制模型，对无人机进行控制，解决现有的四旋翼无人机控制方法存在不适用于时变任务的控制、控制信号不连续和抗干扰性能较差等缺点的技术问题，使无人机能够对外界或内部扰动进行较好的估计和抵抗，同时能够快速、准确地追踪目标飞行轨迹，并在控制收敛速度、响应速度和鲁棒性等方面有更良好的表现，提高了无人机的控制效率。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。