Modeling and Robust Backstepping Sliding Mode Control with Adaptive RBFNN for a Novel Coaxial Eight-rotor UAV

This paper focuses on the robust attitude control of a novel coaxial eight-rotor unmanned aerial vehicles (UAV) which has higher drive capability as well as greater robustness against disturbances than quad-rotor UAV. The dynamical and kinematical model for the coaxial eight-rotor UAV is developed, which has never been proposed before. A robust backstepping sliding mode controller (BSMC) with adaptive radial basis function neural network (RBFNN) is proposed to control the attitude of the eightrotor UAV in the presence of model uncertainties and external disturbances. The combinative method of backstepping control and sliding mode control has improved robustness and simplified design procedure benefiting from the advantages of both controllers. The adaptive RBFNN as the uncertainty observer can effectively estimate the lumped uncertainties without the knowledge of their bounds for the eight-rotor UAV. Additionally, the adaptive learning algorithm, which can learn the parameters of RBFNN online and compensate the approximation error, is derived using Lyapunov stability theorem. And then the uniformly ultimate stability of the eight-rotor system is proved. Finally, simulation results demonstrate the validity of the proposed robust control method adopted in the novel coaxial eight-rotor UAV in the case of model uncertainties and external disturbances. © 2014 Chinese Association of Automation.

基于相依网络的无人机集群通信系统鲁棒性分析

作为地震灾害救援和侦察战场等的主力设备,无人机集群通信系统的鲁棒性是抗毁性的重要指标,本文借助复杂相依网络理论建模无人机集群通信系统,引入相对网络效能比作为通信系统网络整体鲁棒性的指标,准确地反映节点之间的相互依赖关系,为评估通信系统在目标攻击下的鲁棒性提供了一种全新的视角。基于经典M-L模型和动态信息的负载重分配策略,建立相依同构ER-ER和异构ER-BA网络模型,考虑两层网络中相依节点度数的特性进行目标攻击,分析其在攻击下的级联失效动态过程,以及任意两节点的连边概率、平均度数和容量系数等特征参数,对通信网络整体鲁棒性的影响。研究表明,网络鲁棒性和网络相依强度负相关,在级联失效过程中可考虑降低52.09%~72.9%相依强度,以抵抗更严重的通信网络崩塌;对同构网络来说,相依模式的不同,RL、AL较DL整体鲁棒性分别降低了9.25%和15.95%。

基于改进PSO和CHNN的无人机路径鲁棒性优化

当前无人机路径规划通过机器学习和深度学习以及进化算法和智能算法的融合运用来实现。针对无人机在不同城市之间的路径鲁棒性优化的问题,现有的单一神经网络模型在一定程度上达不到最优解,并且会出现局部寻优的情况,导致优化效果达不到最大化。研究了一种运用改进粒子群算法结合连续性Hopfield神经网络模型的寻优迭代,通过改进粒子群算法中的惯性权重,控制粒子运动速度,在所有粒子进行更新的过程中,每个单独粒子均有独立的搜索和寻优能力。结果表明IPSO CHNN神经网络模型可以有效避免局部最优解,并且相较于传统的HNN对无人机路径鲁棒性的优化效果更好。

基于贝叶斯改进神经网络的电力无人机鲁棒姿态控制方法

针对电力无人机在工作状态下受到外部因素干扰导致无法精准控制运动姿态的问题,提出基于贝叶斯改进神经网络的电力无人机鲁棒姿态控制方法;综合考虑电力无人机的组成结构、运动以及动力原理,构建电力无人机数学模型,利用传感器设备检测电力无人机的实时位姿,采用飞行路线规划的方式确定姿态控制目标;在考虑风场威胁条件和故障状态的情况下,利用贝叶斯改进神经网络计算无人机的姿态控制量,以鲁棒姿态控制器作为硬件支持,实现鲁棒姿态控制;通过性能测试得出结论:优化设计方法的姿态角控制误差始终低于0.2°,且在3种不同风场工况下,控制误差的波动程度不高于0.5°,与传统方法相比,优化设计方法在姿态控制精度和鲁棒性方面具有明显优势。

无人机空地网络研究综述

无人机具有快速部署、成本低廉等优势.无人机空地网络通过将基站设备部署至升空无人机平台,能从空中快速构建对地覆盖网络,因而在应急救灾、偏远覆盖、智能交通、智慧城市等方面具有广阔的应用前景,近年来受到广泛关注.面向无人机空地网络应用场景,结合无人机的机动、组网、载荷等特点,围绕无人机空地网络覆盖性能提升、无人机空地网络通感算一体化设计、智能反射面技术辅助的无人机空地网络、鲁棒无人机空地网络四个维度,从网络场景、关键技术挑战、性能优化控制方法等几方面梳理无人机空地网络的研究现状,并探索优化提升无人机空地网络性能的未来研究方向.

基于复杂网络的无人机集群健壮性评估研究

针对无人机集群在受到攻击并重构后的健壮性问题,首先利用复杂网络方法建立三层蜂群无人机网络模型,然后对该模型进行随机攻击和针对性攻击,并提出利用模体度中心性及其它指标进行链路重构的方法,从而构建攻击—重构模型。为评价上述模型的有效性,提出综合考虑复杂网络指标健壮性和无人机集群任务性能健壮性的评估方法。然后分析两种攻击模式下的无人机集群网络的健壮性,最后进行仿真,结果表明,以上方法可快速判断无人机集群网络是否具有健壮性。

基于自适应神经网络的四旋翼无人机轨迹跟踪控制

四旋翼无人机在飞行过程中易受到难测量的非线性多源干扰,进而影响系统的稳定性和控制精度。针对此问题,提出了一种基于自适应神经网络的鲁棒轨迹跟踪控制策略。首先,将四旋翼无人机的跟踪问题转化为对位置子系统和姿态子系统的期望指令跟踪控制问题,针对2个子系统设计基于干扰估计器的控制策略,使系统快速逼近期望轨迹;其次,针对干扰估计器存在估计误差问题,在位置子系统引入了自适应神经网络补偿,实现非线性多源干扰的高精度补偿;最后,通过仿真与实验验证所提控制策略的性能。实验结果表明,所提控制策略在快时变干扰下仍然能够实现期望轨迹跟踪控制,风扰环境下悬停和圆形轨迹跟踪的位置控制精度分别达到0.02m和0.1m,姿态控制精度达到0.1°。

无人机鲁棒反推自适应编队导引控制设计

针对一般不确定系统研究了一种鲁棒反推自适应控制方法,采用自适应神经网络对未建模动态进行补偿,并利用Lyapunov理论证明了跟踪误差的有界性.分析了长机一僚机编队方式下的无人机编队导引控制策略,采用鲁棒反推自适应控制与动态逆方法对无人机编队飞行综合导引控制律进行设计.进行了六自由度非线性仿真,表明所设计的编队导引控制器能使僚机对不确定机动的长机进行跟踪,并具有很好的鲁棒性.

无人机鲁棒轨迹线性化控制航迹跟踪设计

研究一种鲁棒轨迹线性化控制方法并将其应用于无人机(unmanned aerial vehicle,UAV)航迹跟踪控制设计。通过理论分析指明传统轨迹线性化控制方法对系统中的不确定性存在鲁棒性不足的问题,采用改进隐层自适应神经网络对不确定性进行补偿,并利用Lyapunov理论证明了跟踪误差的有界性,最后将该方法应用到无人机三维航迹跟踪控制中。仿真结果表明,当参数摄动在20%时,该控制方法仍能使UAV很好地跟踪理想航迹,从而验证了该方法的有效性。

一种基于神经网络的非线性飞行控制系统设计方案研究

在全状态反馈的前提下 ,设计了一种基于在线神经网络和反馈线性化的非线性直接自适应控制器。本文首先利用多重尺度摄动与动态逆技术结合 ,设计了无人驾驶飞机的解析动态逆控制器 ;然后引入一个单隐层在线神经网络来修正各种因素引起的状态误差 ,并证明了控制器的稳定性。最后对在线网络的实现做了详细描述。仿真分析表明 ,该方案具有很强的鲁棒性和对故障状态的适应性。

基于鲁棒时变卡尔曼滤波估计的无人机视觉编队

针对一般多输入多输出不确定系统,提出一种基于鲁棒时变卡尔曼滤波的估计算法.该方法将时变卡尔曼滤波与自适应神经网络相结合,利用自适应神经网络克服外界非线性不确定因素,采用两个误差信号对其进行训练以提高估计精度,并对估计误差有界性进行证明.将该方法用于无人机视觉编队视线信息的状态估计,仿真结果表明该算法能够很好地估计不确定机动长机的加速度,实现了僚机对长机的有效跟踪.

Robustness evaluation method for unmanned aerial vehicle swarms based on complex network theory

Unmanned Aerial Vehicle(UAV)swarms have been foreseen to play an important role in military applications in the future,wherein they will be frequently subjected to different disturbances and destructions such as attacks and equipment faults.Therefore,a sophisticated robustness evaluation mechanism is of considerable importance for the reliable functioning of the UAV swarms.However,their complex characteristics and irregular dynamic evolution make them extremely challenging and uncertain to evaluate the robustness of such a system.In this paper,a complex network theory-based robustness evaluation method for a UAV swarming system is proposed.This method takes into account the dynamic evolution of UAV swarms,including dynamic reconfiguration and information correlation.The paper analyzes and models the aforementioned dynamic evolution and establishes a comprehensive robustness metric and two evaluation strategies.The robustness evaluation method and algorithms considering dynamic reconfiguration and information correlation are developed.Finally,the validity of the proposed method is verified by conducting a case study analysis.The results can further provide some guidance and reference for the robust design,mission planning and decision-making of UAV swarms.

基于神经网络性能模型的无人机起飞决断技术研究

为增加无人机单发停车起飞的安全性,提出了一种基于神经网络性能模型的无人机起飞决断方案。将满足安全性能指标的继续起飞最小速度和中止起飞最大速度作为单发决断的关键性能参数,设计了在多种飞行条件下迭代计算两种性能指标的闭环仿真算法。采用双层神经网络来模拟多种飞行情况下的性能数据库以实现性能库的压缩存储和高精度调用。给出了基于神经网络性能模型在线计算值的无人机起飞决断策略。仿真计算表明,所提出的起飞决断方案工程实现性强,能够增强无人机单发起飞的安全鲁棒性。

飞翼无人机蛇形机动鲁棒飞行控制设计

针对样例飞翼布局无人机航向不稳定并且拥有多组气动操纵面的特点,首先利用神经网络建立无人机逆模型,实现控制指令到多舵面之间的映射。在此基础上从滚转通道和偏航通道分析了蛇形机动控制原理,设计了基于线性最优二次型鲁棒控制和PI控制相结合的蛇形机动控制律,在实现滚转角和航迹角快速响应的同时快速消除侧滑角。从仿真结果来看,该控制律能够有效抵御外界干扰,维持系统的响应品质,保证控制的稳定性和鲁棒性。

基于复杂网络的无人机飞行冲突解脱算法

为解决局部空域内的无人机(UAV)群相撞和可能发生连锁碰撞问题,创新地以复杂网络理论为基础,将无人机群的飞行冲突解脱分为关键节点选择和避撞方向选择2个步骤实施,最大限度地保证无人机群受威胁时的安全性。通过分析无人机群的状态信息,选择最重要无人机(关键节点)进行避撞,同时遵循鲁棒性最小原则进行避撞方向选择。通过2个典型无人机飞行案例的仿真实验,验证该策略不仅可以有效解决当前无人机的冲突问题,而且可以防止连锁碰撞,实现整体的最优化。大量仿真实验验证了所提算法的可行性和可扩展性,以及与随机选择方向避撞算法进行比较,结果表明该算法能够提升无人机群的安全性。