一种无人机系统自适应控制方法、系统、设备及介质

本发明涉及无人机系统控制，具体涉及一种无人机系统自适应控制方法、系统、设备及介质。

背景技术：

1、四旋翼无人机(quadrotor unmanned aerial vehicles,quavs)凭借着其结构简单、易于操控、垂直起降等优势，在监视监测、物资运输、地图测绘等领域有着广泛的应用前景，是学术界和工业界重点关注和研究的对象之一。四旋翼无人机由于自身具有的欠驱动、强耦合、非线性等特性以及飞行过程中存在的外界干扰等因素的叠加影响，对其飞行控制系统设计方案提出了更高、更复杂、更加具有挑战性的要求。

2、近些年来，为了提升四旋翼无人机系统的性能，国内外学者提出了一系列控制策略。比如滑模控制、反步控制、自抗扰控制等。这些控制方法可以使得系统具有良好的稳态性能，然而因为没有误差约束机制来使输出误差保持在预定义的约束范围之内，这些控制策略都只能通过调节控制器参数来获得更好的瞬态性能。为了在系统中引入约束机制，tee等首次定义了障碍lyapunov函数，同时提出了对数型和积分型障碍lyapunov函数，并且在此基础上，引入了开关函数，构造了一类非对称障碍lyapunov函数。xu等同时考虑了约束与非约束两种情况提出了时变正切型lyapunov函数。针对无人机在非对称时变全状态约束下的控制问题，应用了一种新型的积分障碍lyapunov函数，拓宽了传统障碍lyapunov函数的适用范围。针对无人机异构编队的高精度控制问题，在时变lyapunov函数中引入对于误差的性能约束，保证了误差收敛的速度和精度。以及提出一种基于非对称时变积分障碍lyapunov函数，以确保系统始终满足动态变化的全状态约束。然而，这些工作对系统的超调量等瞬态性能指标的约束，并不够精确和灵活，且由于开关函数的引入，约束不具有连续性。

3、考虑到现实条件和安全因素，如无人机在通过狭窄通道时，以及无人机吊挂运载货物时，往往需要对系统的超调施加一定的约束；通过误差转移变换，限制了系统的超调。现有改进的广义预测控制算法利用预测控制的预测功能与信息，对控制量加权参数进行动态在线调整，从而达到满足响应快速和抑制超调目的；基于能量法设计了一种非线性控制策略，实现了对无人机位置的精确控制和飞行过程中的超调抑制。然而上述方法均无法实现对系统超调施加更为精确的约束，导致无法完成对复杂轨迹的跟踪任务。

技术实现思路

1、针对现有技术无法对系统超调施加更为精确的约束的不足，本发明提出一种无人机系统自适应控制方法、系统、设备及介质，通过构造非对称时变障碍lyapunov函数，选取管状预设性能边界，将无人机实际轨迹与期望轨迹之间的差值限制在管状预设性能边界之内，从而解决了现有技术存在的问题。

2、一种无人机系统自适应控制方法，包括以下步骤：

3、获取无人机的位置、姿态信息，根据无人机的位置、姿态信息将无人机系统分为位置子系统和姿态子系统；

4、依据位置子系统的系统误差、系统约束，构造非对称时变障碍lyapunov函数；根据非对称时变障碍lyapunov函数选取管状预设性能边界，通过将无人机实际轨迹与期望轨迹之间的差值限制在管状预设性能边界之内，对系统输出的超调量施加定量约束；同时利用rbf神经网络逼近无人机每个子系统受到的扰动，对无人机外部环境干扰进行估计，生成神经网络的自适应律，进而构造出位置子系统控制器；

5、根据非对称时变障碍lyapunov函数生成的位置通道控制律，采用反步滑模控制方法构造姿态子系统控制器；

6、通过位置子系统控制器和姿态子系统控制器对无人机系统进行自适应控制。

7、进一步地，所述获取无人机的位置、姿态信息，根据无人机的位置、姿态信息将无人机系统分为位置子系统和姿态子系统，具体包括以下步骤：

8、建立无人机系统的动力学模型，其表示为：

9、

10、其中：[x,y,z]表示无人机的位置状态，[φ,θ,ψ]表示无人机的姿态状态，分别表示对应x方向的速度、y方向的速度、z方向的速度、滚转角的速度、俯仰角的速度、偏航角的速度；表示相对应的加速度；m表示无人机的质量，l表示螺旋桨中心到重心的距离，g表示重力加速度，ki表示空气阻力系数，i1、i2、i3分别表示机体绕x、y、z轴的转动惯量，u1、u2、u3、u4表示控制输入，d(t)表示时变的扰动，t是时间；

11、定义无人机系统状态变量为：

12、

13、定义：

14、

15、则位置子系统和姿态子系统分别表示为：

16、

17、进一步地，所述神经网络的自适应律的生成过程，具体包括以下步骤：

18、对于任意一个子系统表示为：

19、

20、其中，u1表示控制输入，m表示机体的质量，k1表示空气阻力系数；

21、对子系统误差e1x求导得：

22、

23、其中，x1d表示期望位置；

24、构造障碍lyapunov函数vx1，表达式为：

25、

26、其中，θ为转换误差，为约束上界，b为约束下界；选取管状预设性能边界为记：

27、

28、对vx1求导得：

29、

30、其中，e2x＝x2-αx，ax为虚拟控制律，ax表示为：

31、

32、其中，γ1x为大于零的常数；

33、根据障碍lyapunov函数vx1和子系统误差e1x求导公式，得：

34、

35、对e2x求导得：

36、

37、利用rbf神经网络逼近dx，得到神经网络的输出为：

38、

39、其中，是对神经网络权重的估计值，h(x)为神经网络的高斯基函数输出；

40、根据神经网络网络的输出表达式得到控制律的表达式，表示为：

41、

42、进一步地，所述利用rbf神经网络逼近无人机每个子系统受到的扰动，对无人机外部环境干扰进行估计，生成神经网络的自适应律，具体包括以下步骤：

43、构造lyapunov函数vx2，表达式为：

44、

45、对vx2求导，得：

46、

47、根据lyapunov函数vx2与神经网络网络的输出表达式，得：

48、

49、构造lyapunov函数vx3，表达式为：

50、

51、对vx3进行求导，得：

52、

53、其中，εx为神经网络的逼近误差；

54、得到的自适应律为：

55、

56、进一步地，所述采用反步滑模控制方法构造姿态子系统控制器，具体包括以下步骤：

57、将姿态子系统分为横滚、俯仰和偏航三个子系统，对于横滚子系统，表示为：

58、

59、其中，u2表示控制输入；

60、对e1φ求导，得：

61、

62、构造lyapunov函数vφ1，表达式为：

63、

64、对vφ1求导得：

65、

66、其中，eφ2＝x8-αφ1，αφ1＝-cφ1eφ1+x8d，cφ1为正常数；

67、设计滑模面sφ：

68、sφ＝λφeφ1+eφ2；

69、其中，λφ为定义的正常数；

70、对滑模面求导：

71、

72、选取lyapunov函数：

73、

74、对vφ2求导，得：

75、

76、根据滑模面的求导表达式得到横滚子系统的控制律为：

77、

78、同理得到俯仰和偏航子系统的控制律分别为：

79、

80、根据横滚、俯仰和偏航三个子系统的控制律构造出姿态子系统控制器。

81、进一步地，所述管状预设性能边界其表示为：

82、

83、其中，ba0、bb0为预设性能边界函数qa、qb的初始值，ba∞、bb∞为t→∞时qa、qb的稳态值，c1、c2为qa、qb的收敛速度，qa>qb≥0；初始误差值e(0)满足bb0<e(0)<ba0，则无人机系统的超调满足：

84、

85、进一步地，所述rbf神经网络的逼近函数，表达式为：

86、

87、其中，h(x)为逼近误差，μ(x)为神经网络逼近误差，w*为理想权重；

88、

89、其中：cj为高斯函数的中心值，bj为宽度。

90、本发明还包括一种无人机系统自适应控制系统，包括：

91、获取模块，用于获取无人机的位置、姿态信息，根据无人机的位置、姿态信息将无人机系统分为位置子系统和姿态子系统；

92、位置子系统控制器构造模块，用于依据位置子系统的系统误差、系统约束，构造非对称时变障碍lyapunov函数；根据非对称时变障碍lyapunov函数选取管状预设性能边界，通过将无人机实际轨迹与期望轨迹之间的差值限制在管状预设性能边界之内，对系统输出的超调量施加定量约束；同时利用rbf神经网络逼近无人机每个子系统受到的扰动，对无人机外部环境干扰进行估计，生成神经网络的自适应律，进而构造出位置子系统控制器；

93、姿态子系统控制器构造模块，用于根据非对称时变障碍lyapunov函数生成的位置通道控制律，采用反步滑模控制方法构造姿态子系统控制器；

94、控制模块，用于通过位置子系统控制器和姿态子系统控制器对无人机系统进行自适应控制。

95、本发明还包括一种无人机系统自适应控制计算机设备，包括：存储器、处理器以及存储在所述存储器内的计算机程序，所述处理器执行所述计算机程序时实现所述的无人机系统自适应控制方法的步骤。

96、本发明还包括一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，用于执行所述的无人机系统自适应控制方法的步骤。

97、本发明提供了一种无人机系统自适应控制方法、系统、设备及介质，具备以下有益效果：

98、本发明通过构造非对称时变障碍lyapunov函数，选取管状预设性能边界，进而达到将无人机实际轨迹与期望轨迹之间的差值限制在管状预设性能边界之内的目的，通过反演法设计反馈控制律和神经网络自适应律，保证了系统的性能约束；该控制策略可以在对无人机位置施加定量超调约束的前提下，完成对复杂轨迹的跟踪任务，且系统具有更为灵活和精确的瞬态性能约束，并且具有较强的鲁棒性。