Professional Documents
Culture Documents
2016 控制工程 基于RBF神经网络自适应PID四旋翼飞行器控制
2016 控制工程 基于RBF神经网络自适应PID四旋翼飞行器控制
2016
第 23 卷第 3 期 Control Engineering of China Vol.23, No.3
1 引 言
四旋翼飞行器的自主飞行技术在侦察与营救、 方法设计控制器,但是该控制器在控制时需要不断
科学数据采集、地质与林业勘探以及视频监控等方 切换,从而产生抖动,影响控制效果。文献[6-7]直
[1]
面均存在广泛的应用前景 。然而,四旋翼飞行器 接利用反步法设计控制器,由于反步法对模型准确
控制系统存在的多变量、非线性、强耦合、欠驱动 性有很强的依赖,其实际控制效果往往不佳。本文
和参数不确定等特点,使得常规控制方法在非悬停 从提高飞行器控制系统鲁棒性出发,运用基于 RBF
状态下难以取得满意的控制效果。文献[2-3]运用线 的多变量神经网络 PID 方法[8]设计了四旋翼飞行器
性控制理论设计解耦控制方法,但是该方法不能使 的姿态与位置控制器。仿真实验表明,该方法具有
系统在非平衡点保持稳定。文献[4-5]运用滑模控制 良好的跟踪、抗扰动和参数适应能力。
收稿日期:2015-04-22;修回日期:2015-06-10
基金项目:国家自然科学基金项目(61304028);863 项目(2015AA043802);辽宁省教育厅项目(L2014087)
作者简介:李砚浓(1993-),男,辽宁沈阳人,本科生,主要研究方向为智能控制等;李汀兰(1998-),女,辽宁沈阳人,
高中生;姜艺(1992-),男,湖北鄂州人,博士生,主要研究方向为工业过程智能控制等;范家璐(1985-),
女,辽宁营口人,博士,副教授,主要从事工业过程智能控制和运行控制等方面的教学与科研工作。
第3期 李砚浓等:基于 RBF 神经网络自适应 PID 四旋翼飞行器控制 ·379·
假设飞行器 3 个轴系所受扰动 Di (i x, y, z ) , X f ( X ,U )
根据牛顿欧拉方程,最终系统的系统动力学模型可 x2
[(cos x sin x cos x sin x sin x )U D ] m
表示为 7 9 11 7 11 1 x
4 x4
[(cos sin cos sin sin )b i2 Dx ]
i 1 [(cos x7 sin x9 sin x11 sin x7 cos x11 )U1 Dy ] m
x x
m
4
6
[(cos sin sin sin cos )b i2 Dy ] (cos x7 cos x9U1 mg Dz ) / m (5)
y i 1
x8
m [( I I ) x x J x U ] / I
4 yy zz 10 12 r 10 r 2 xx
(cos cos b i2 mg Dz ) x10
i 1
z (2)
m [( I zz I xx ) x8 x12 J r x8 r U 3 ] / I yy
J bl ( 2 2 ) x
( I yy I zz )
12
r r 4 2
I xx [( I xx I yy ) x8 x10 U 4 ] / I zz
( I zz I xx ) J r r bl (3 1 )
2 2
3 四旋翼飞行器控制器设计
I yy
d ( 2 2 2 2 )
( I xx I yy ) 因为四旋翼飞行器大量参数具有不确定性,而
4 2 3 1
I zz 且飞行时受到的扰动大。为了实现飞行器能快速平
式(2)为四旋翼飞行器的物理学建模结果,其中, 稳地跟踪预定的飞行轨迹,本文设计了基于RBF的
i (i 1, 2,3, 4) 为 4 个螺旋桨的速度;b 为阻力因素; 多变量神经网络自适应PID控制器来控制飞行器。
m 为飞行器质量; g 为重力加速度;l 为电机至四旋 3.1 系统控制策略
翼飞行器几何中心的距离; J r 为螺旋桨绕轴的转动 从系统的动力学模型可知,四旋翼飞行器是一
惯量;I i (i xx, yy, zz ) 为各方向上的转动惯量; r 为 个四输入六输出的多变量、强耦合、非线性的欠驱
螺旋桨整体的速度;d 是风阻系数。具体推导参见文 动控制系统,并且系统自身还存在不确定性。考虑
献[9]。 到飞行器模型中的非线性系统部分,本文将含有高
在实际控制器设计时,将系统写成状态方程 斯基函数的RBF神经网络与PID相结合,设计了四
X f ( X ,U ) 的形式。其中,状态向量 X 与控制量 旋翼飞行器的控制器。系统的控制策略, 如图1所示。
输入 U 可表示为
X ( x, x , y , y , z , z, , , , , , ) (3)
2 2 2 2
U1 b(1 2 3 4 )
U 2 bl ( 42 22 )
U (4)
U 3 bl ( 2 2 )
3 1
U 4 d ( 24 22 32 12 )
根据系统状态和控制输入可以将已建立的系
图1 系统控制策略图
统动力学模型变成如式(5)的控制器设计模型。 Fig. 1 Control scheme of system
•380• 控 制 工 程 第 23 卷
本文采用串级控制策略,将位置控制(高度控 能指标函数为
制、水平位置控制)作为系统的外环,姿态控制作 1 2
J Y (k ) Y (k ) (9)
为系统的内环。串级控制策略的引入不仅去除了系 2
统模型欠驱动性对控制器设计带来的障碍,而且解 根据梯度下降法,得网络输出权值迭代算法为
开了系统中姿态控制量与位置控制量的耦合作用。 wlrs ( yl y l )hrs (10)
3.2 神经网络 PID 控制算法 wlrs (k ) wlrs (k 1) wlrs (k )
神经网络 PID 控制算法的基本思想是在 PID 方 [ wlrs (k 1) wlrs (k 2)]
(11)
法的基础上,利用神经网络对系统存在的非线性与 [ wlrs (k 2) wlrs (k 3)]
不确定性进行补偿。该算法主要分为单变量神经网 [ wlrs (k 3) wlrs (k 4)]
络 PID [9]和多变量神经网络 PID 算法。由于本文研 相应地,网络节点中心的迭代算法为
究的四旋翼飞行器这一被控对象在姿态控制环和水 n x pq c pqrs
c pqrs [( yt yt ) wtrs hrs ] (12)
平位置控制环中存在耦合,所以单变量神经网络 t 1
2
bpq
PID 控制算法无法实现相关变量间的解耦。在水平 c pqrs (k ) c pqrs (k 1) c pqrs (k )
位置控制器和姿态控制器设计时,均采用多变量神 [c pqrs (k 1) c pqrs (k 2)]
(13)
经网络 PID 控制算法。由于系统误差向量与反馈向 [c pqrs (k 2) c pqrs (k 3)]
量个数必须相同,所以这里均设为 n。神经网络拓 [c pqrs (k 3) c pqrs (k 4)]
扑结构,如图 2 所示。
基宽参数的迭代算法为
X1 h1 3 n
w1
n ( x pq c pqrs ) 2
p 1 q 1
w2 brs [( yt (k ) y t (k )) wtrs hrs ] (14)
X2 h2 yi
t 1 b3pq
wn
brs (k ) brs (k 1) brs (k ) [brs (k 1) brs (k 2)]
Xn hn [brs (k 2) brs (k 3)] [brs (k 3) brs (k 4)]
(15)
图 2 神经网络拓扑结构图 神经网络控制器的训练算法为
Fig. 2 Topological structure of neural network
1 n 2 1 n
E ek 2 (rt yt ) 2 (16)
图 2 中,神经网络 PID 输入节点负责接收控制 2 k 1 k 1
4 四旋翼飞行器仿真实验研究
为了验证本文所提出的基于RBF的多变量神经
网络自适应PID方法,针对四旋翼飞行器这一系统
的有效性和可行性,本文分别采用基于RBF的多变
量神经网络自适应PID方法与PID方法进行以下飞
行控制实验以比较两种方法的姿态控制、抗扰动以
及鲁棒性能。四旋翼飞行器各参数,见表1。
表 1 四旋翼飞行器参数表
Tab. 1 Parameters of Quad-rotor
变量 变量含义 变量值 单位
m 飞行器质量 0.53 kg
l 飞行器臂长 0.232 m
R 螺旋桨半径 0.15 m 图 4 位置控制曲线
Ixx x 轴惯量分量 6.228×10 -3
kg·m2 Fig. 4 Curve of position control
图 3 姿态控制曲线
Fig. 3 Curve of attitude control
图5 抗扰性能对比
x、y、z三维位置的控制曲线,如图4所示。 Fig. 5 Control results when disturbances are imposed
•382• 控 制 工 程 第 23 卷
通过图5可以看出在一定形式外界扰动情况 可为非线性与系统解耦做出贡献。在控制器设计
下,基于RBF的多变量神经网络自适应PID制器更 时,采用串级控制以应对模型欠驱动性。当然,
能使系统快速平稳地恢复稳定。 由于该算法的具体实现比较复杂,其中可能遇到
4.3 鲁棒性能对比 的诸多问题仍需讨论,但总体来说,本文得到的
结论为具有参数不确定性的系统提供了一种可行
当利用四旋翼飞行器搬运物资时,机身质量会
的控制器设计方案。仿真实验表明,基于 RBF 的
产生突变。在这种情况下,如果控制算法鲁棒性不
多变量神经网络自适应 PID 不仅在跟随、抗扰动
强,会使飞行器高度失控,影响飞行效果。假设在
性能上优于 PID 控制方法,而且具有较强的鲁棒
第 10 s 飞行器增重 200 g,目标是使飞行器高度保
性能。
持在 1 m。
模型参数改变时的控制性能对比,
如图 6 所示。 参考文献(References)
[1] Fu J, Chai T Y, Su C Y, et al. Motion/force Tracking Control of
Nonholonomic Mechanical Systems via Combining Cascaded Design
and Backstepping[J]. Automatica, 2013, 49(12): 3682-3686
[2] Bresciani T. Modelling, Identification and Control of a Quadrotor
Helicopter[D]. Lund: Lund University, 2008.
[3] Saif A, Hiddabi A. Quadrotor Control Using Feedback Linearization
with Dynamic Extension[C]. Proceeding of the 6th International
Symposium on Mechatronics and its Applications, Sharjah, 2009.
[4] Altug E, Erginer B. Modeling and PD Control of a Quadrotor VTOL
图 6 模型参数改变时控制性能对比
Fig. 6 Experiment results when model parameters changed Vehicle[C]. IEEE International Conferance on Vehicles Symposium,
Istanbul, 2007.
两种方法的鲁棒性能对比,见表 2。 [5] Bouabdallah S, Siegwart R. Backstepping and Sliding-mode
Techniques Applied to an Indoor Micro-quadrotor[C]. Proceeding of
表 2 两种控制方法鲁棒性能比较 the IEEE International Conference on Robotics and Automation,
Tab. 2 Robustness comparison of two control methods Barcelona, 2005.
[6] González Iván, Sergio Salazar, Rogelio Lozano. Chattering-Free
性能指标 PID 方法 神经网络 PID 方法
Sliding Mode Altitude Control for a Quad-Rotor Aircraft: Real-Time
动态速降 48 % 28 % Application[J]. Journal of Intelligent & Robotic Systems, 2013,
调整时间/s 7.5 3.8 73(1-4): 1-19.
[7] Tan L N, Lu L B, Jin G D. Attitude Stabilization Control of a
通过图 6 和表 2 可看出,当飞行器机身质量发 Quadrotor Helicopter Using Integral Backstepping[C]. Automatic
生突变时,神经网络 PID 方法的动态速降比 PID 方 Control and Artificial Intelligence (ACAI 2012), 2012.
[8] Saif, A. A., Dhaifullah, M., Al-Malki, M., et al. Modified
法减小了 20 %,调整时间更缩短了近 50 %。
Backstepping Control of Quadrotor[J]. 2012 9th International
综上所述,相对于传统 PID 控制方法,神经网 Multi-Conference on Systems, Signals and Devices (SSD), 2012: 1-6.
络 PID 控制方法的鲁棒性要强于 PID 控制方法。 [9] 朴海国,王志新,张华强. 基于合作粒子群算法的 PID 神经网络
非线性控制系统[J]. 控制理论与应用,2009,26(12):1318-1324.
5 结 论 Piao H G, Wang Z X, Zhang H Q. Nonlinear Control System of PID
Neural Network Based on Cooperated Particle Swarm Optimization[J].
本文针对四旋翼飞行器这个多变量、强耦 Control Theory & Applications, 2009, 26(12): 1318-1324.
合、非线性、参数不确定的欠驱动对象,运用基 [10] Fang Z., Gao W. Adaptive Integral Backstepping Control for a
Micro-Quadrotor[C]. IEEE International Conference on Intelligent
于 RBF 的多变量神经网络自适应 PID 方法设计控
Control and Information Processing, Harbin, 2011.
制器,控制器中 PID 方法可很好地控制线性系
统;神经网络方法具有自学习与自适应的能力,