四旋翼无人飞行器混合控制系统研究

doi:10.3724/SP.J.1087.2013.00858

计算机应用 ›› 2013, Vol. 33 ›› Issue (03): 858-861.DOI: 10.3724/SP.J.1087.2013.00858

四旋翼无人飞行器混合控制系统研究

夏国清¹,廖粤峰^1*,王璐²

1.哈尔滨工程大学自动化学院,哈尔滨 150001;
2.上海交通大学电子信息与电气工程学院,上海 200240

收稿日期:2012-09-14 修回日期:2012-10-26 出版日期:2013-03-01 发布日期:2013-03-01
通讯作者: 廖粤峰（夏国清转）
作者简介:夏国清(1962-),男,黑龙江哈尔滨人,教授,博士生导师,博士,主要研究方向:船舶动力定位; 廖粤峰(1988-),男(满族),广东阳春人,硕士研究生,主要研究方向:飞行器控制; 王璐(1987-),男,河南洛阳人,博士研究生,主要研究方向:非线性滤波、非线性控制。

Research on hybrid control system of quadrotor UAV

XIA Guoqing¹, LIAO Yuefeng^1*, WANG Lu²

1.Automation College, Harbin Engineering University, Harbin Heilongjiang 150001,China;
2.College of Electronic Information and Electric Engineering, Shanghai Jiao Tong University, Shanghai 200240, China

Received:2012-09-14 Revised:2012-10-26 Online:2013-03-01 Published:2013-03-01
Contact: LIAO yuefeng

摘要/Abstract

摘要： 针对四旋翼无人飞行器质量未知情况下的垂直起降控制问题,提出一种基于状态反馈和神经网络自适应的混合控制方法。该方法通过一个状态反馈控制器实现飞行器的水平位置和航向控制,考虑到飞行器负载的未知特性,通过径向基函数(RBF)神经网络对飞行器质量进行估计,从而实现对高度的精确控制。仿真分析及验证表明,所提出的控制方法能够有效实现飞行器高度的精确控制,并能够在线估计出飞行器质量参数。

关键词: 四旋翼无人飞行器, 混合控制, 神经网络, 自适应控制, 径向基函数

Abstract: A hybrid control method based on state feedback and adaptive neural network was proposed, which considered the taking off and landing control problem under unknown mass of the Unmanned Aerial Vehicle (UAV). A state feedback controller was designed to realize the horizontal position and heading control. The accurate control of height was archived considering the vehicle's unknown load through the Radial Basis Function (RBF) neural network. The simulation analysis and experiments illustrate that the proposed control method can effectively realize the accurate control of height, and can be able to online estimate aircraft quality parameters.

Key words: quadrotor Unmanned Aerial Vehicle (UAV), hybrid control, neural network, adaptive control, Radial Basis Function (RBF)

中图分类号:

TP273.2

夏国清廖粤峰王璐. 四旋翼无人飞行器混合控制系统研究[J]. 计算机应用, 2013, 33(03): 858-861.

XIA Guoqing LIAO Yuefeng WANG Lu. Research on hybrid control system of quadrotor UAV[J]. Journal of Computer Applications, 2013, 33(03): 858-861.

参考文献

[1]ABDESSAMEUD A, TAYEBI A. Global trajectory tracking control of VTOL-UAVs without linear velocity measurements[J]. Automatica,2010,46(6):1053-1059.
[2]ZUO Z. Trajectory tracking control design with command-filtered compensation for a quadrotor[J]. IET Control Theory & Applications,2010,4(11):2343-2355.
[3]BENALLEGUE A, MOKHTARI A, FRIDMAN L. Feedback linearization and high order sliding mode observer for a quadrotor UAV [C]// Proceedings of the International Workshop on Variable Structure Systems. Piscataway, NJ: IEEE Press,2006:365-372.
[4]WASLANDER S L, HOFFMANN G M, JANG J S, et al. Multi-Agent quadrotor testbed control design: integral sliding mode vs. reinforcement learning [C]// International Conference on Intelligent Robots and Systems. Piscataway, NJ: IEEE Press,2005:468-473.
[5]BOUABDALLAH S, SIEGWART R. Backstepping and sliding mode techniques applied to an indoor micro quadrotor [C]// International Conference on Robotics and Automation. Piscataway, NJ: IEEE Press,2005:2247-2252.
[6]薛文涛,吴晓蓓,翟玉强,等.三自由度飞行器模型的神经网络PID控制[J].控制工程,2009,16(2):214-219.
[7]李光春,王璐,王兆龙,等. 基于四元数的四旋翼无人飞行器轨迹跟踪控制[J]. 应用科学学报,2012,30(4):415-422.
[8]王璐,李光春,王兆龙,等.欠驱动四旋翼无人飞行器的滑模控制 [J]. 哈尔滨工程大学学报,2012,33(10): 1248-1253.
[9]卓开育,陆秋君.基于改进RBF神经网络的车辆类型识别[J]. 计算机应用,2011,31(S2):85-89.
[10]贺可鑫,何小海,陶青川,等. 基于RBF神经网络的COSM图像复原算法[J].计算机应用,2009,29(S1):79-85.
[11]刁琛. 四旋翼无人飞行器的非线性自适应控制器设计[D].天津:天津大学,2010:13-18.
[12]周东华.非线性系统的自适应控制导论[M].北京:清华大学出版社,2002:88-103.
[13]SLOTINE J J, LI W P. 应用非线性控制[M].程代展,译.北京:机械工业出版社,2004:211-264.
[14]张利军,贾鹤鸣,边信黔,等. 基于L2干扰抑制的水下机器人三维航迹跟踪控制[J]. 控制理论与应用,2011,28(5):645-651.
[15]FUNAHASHI K-I. On the approximate realization of continuous mappings by neural networks[J]. Neural Networks, 1989,2(3):183-192.
[16]贾鹤鸣,宋文龙,郭婧.基于神经网络滑模的采摘机械臂控制设计[J].吉林大学学报:工学版,2012,42(3):709-713.
[17]POUNDS P, MAHONY R, CORKE P. Modelling and control of a large quadrotor robot[J]. Control Engineering Practice, 2010,18(7):691-699.

四旋翼无人飞行器混合控制系统研究

Research on hybrid control system of quadrotor UAV

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[2]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[3]	张永斌, 常文欣, 孙连山, 张航. 基于字典的域名生成算法生成域名的检测方法[J]. 计算机应用, 2021, 41(9): 2609-2614.
[4]	赵宏, 孔东一. 图像特征注意力与自适应注意力融合的图像内容中文描述[J]. 计算机应用, 2021, 41(9): 2496-2503.
[5]	徐江浪, 李林燕, 万新军, 胡伏原. 结合目标检测的室内场景识别方法[J]. 计算机应用, 2021, 41(9): 2720-2725.
[6]	牟长宁, 王海鹏, 周丕宇, 侯鑫行. 基于图卷积神经网络的串联质谱从头测序[J]. 计算机应用, 2021, 41(9): 2773-2779.
[7]	刘子辰, 李小娟, 韦伟. 基于循环神经网络的专利价格自动评估[J]. 计算机应用, 2021, 41(9): 2532-2538.
[8]	王贺兵, 张春梅. 基于非对称卷积-压缩激发-次代残差网络的人脸关键点检测[J]. 计算机应用, 2021, 41(9): 2741-2747.
[9]	严海升, 马新强. 基于径向基函数的多目标回归特征构建算法[J]. 计算机应用, 2021, 41(8): 2219-2224.
[10]	丁尹, 桑楠, 李晓瑜, 吴飞舟. 基于循环神经网络的电信行业容量数据预测方法[J]. 计算机应用, 2021, 41(8): 2373-2378.
[11]	秦斌斌, 彭良康, 卢向明, 钱江波. 司机分心驾驶检测研究进展[J]. 计算机应用, 2021, 41(8): 2330-2337.
[12]	黄程程, 董霄霄, 李钊. 基于二维Winograd算法的深流水线5×5卷积方法[J]. 计算机应用, 2021, 41(8): 2258-2264.
[13]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[14]	曹玉红, 徐海, 刘荪傲, 王紫霄, 李宏亮. 基于深度学习的医学影像分割研究综述[J]. 计算机应用, 2021, 41(8): 2273-2287.
[15]	武维, 李泽平, 杨华蔚, 林川, 王忠德. 融合内容特征和时序信息的深度注意力视频流行度预测模型[J]. 计算机应用, 2021, 41(7): 1878-1884.