[发明专利]一种无人机编队的自适应滑模控制方法

权利要求书

1.一种基于神经网络和干扰观测器的非线性无人机编队的自适应滑模控制方法，由以下步骤组成：

步骤1、建立第i架无人机动力学模型；

步骤2、将步骤1中的无人机动力学模型转化为状态空间方程，同时引入系统的不确定项和干扰；

步骤3、设计自适应滑模控制器，得出自适应控制律；

步骤4、采用RBFNN对模型不确定项参数进行近似补偿，同时设计一个干扰观测器来解决干扰问题；

步骤5、验证无人机编队系统的闭环控制的稳定性；

首先说明系统的实现需要无人机在编队机动过程中满足所要求的编队结构，在本发明中，第i架无人机的预定位置满足：

其中表示期望的编队中心位置，表示无人机相对于编队中心的位置，以下所设定的控制器目标为使无人机保持所需位置的精确轨迹跟踪控制；

图论是编队飞行中非常重要的一部分，本发明采用无向图G＝(v，E，A)，v表示n个非空节点的集合，E为节点有序的边对的集合，邻接拉普拉斯矩阵A满足：

其中：

已知第i架无人机的分散同步误差为：

其中a_ij为拉普拉斯邻接矩阵A中的元素；

根据跟踪误差定义滑模面：

定义sat(s_i)为饱和函数，可有效避免抖振现象，满足：

为正边界层，κ和ξ为正的可调参数。

2.根据权利要求1所述一种基于神经网络和干扰观测器的非线性无人机编队的自适应滑模控制方法，其特征在于，步骤1中的第i架无人机动力学模型如下所示：

其中，i＝1，...，n表示第i架无人机，(x_i，y_i，z_i)表示无人机在三维空间中三个方向的位置坐标，V_i表示飞行速率，γ_i表示飞行航向角，χ_i表示飞行俯仰角，分别为：

其中，T_i为发动机推进力，D_i和L_i分别为飞行阻力和飞机升力，m_i为机身质量，g为重力加速度，φ_i倾斜角。

3.根据权利要求2所述一种基于神经网络和干扰观测器的非线性无人机编队的自适应滑模控制方法，其特征在于，步骤2中引入系统的不确定和干扰项的非线性模型可描述为：

其中F_i＝[T_i，L_isinφ_i，L_icosφ_i]^T定义为系统的控制输入，p_i＝[x_i，y_i，z_i]^T定义为无人机的空间位置，定义为无人机的空间速率，d_mi表示无人机模型的状态不确定项，d_si表示外界干扰项，其中：

ε_i＝[0 0 g]^T，

4.根据权利要求3所述一种基于神经网络和干扰观测器的非线性无人机编队的自适应滑模控制方法，其特征在于，步骤3中滑模控制器的设计过程如下：

已知第i架无人机的分散同步误差为：

其中a_ij为拉普拉斯邻接矩阵A中的元素；

根据同步误差定义滑模面：

结合无人机动力学模型可得到自适应控制律F_i：

其中sat(s_i)为饱和函数，可有效避免抖振现象，满足：

为正边界层，κ和ξ为正的可调参数。