[发明专利]一种无人机编队的自适应滑模控制方法

说明书

本发明公开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，采用能够体现其真实性的非线性动力学模型。为使无人机编队在执行任务时具有良好的跟踪性能，通过对无人机飞行实际运行情况的分析，并考虑了无人机模型的执行器状态参数不确定性和外界电磁波干扰对跟踪性能的不利影响。设计了一种自适应滑模控制器，分别采用径向基神经网络逼近和扰动观测器逼近并补偿模型的不确定性和外部干扰的影响。同时保证了所形成的闭环系统在控制器作用下的全局稳定性，通过仿真实验确定该方法在实际应用中具有一定的优势。

技术领域

本发明涉及航空无人机控制领域，其具体涉及自适应无人机编队精确轨迹跟踪控制的问题。

背景技术

近年来，无人机控制技术已取得显著的进步，无人机编队被广泛应用于各个领域以完成复杂而艰巨的任务。特别是在一些高危工作或军事应用中发挥着巨大的作用，如山地侦察、电缆巡逻、军事救援等。因此，完成这些任务均存在一项需要解决的根本问题，即如何最高精度地实现无人机编队的轨迹跟踪控制。同时，无人机在复杂环境下编队运行存在一些系统执行器状态参数不确定性以及外部干扰(气流、外部电磁波等)的问题，因而导致控制性能大幅度下降。因此，采取先进控制器设计方法用于解此类问题具有实际意义。

专利CN110286694A发明了一种多领导者的分布式无人机编队协同控制方法，主要贡献为提出无人机在通信延迟环境下依旧实现一致的队形飞行的算法，但针对系统存在不确定项和外部干扰的问题尚未解决。专利CN107807663A发明了一项基于自适应控制的无人机编队保持控制方法，针对无人机编队系统，将无人机的非线性模型基于小扰动原理线性化，建立自适应控制系统参考模型，但模型线性处理方法过于理想化，不符合无人机实际运行情况，导致无人机编队的轨迹跟踪存在一定偏差，同时也未针对系统不确定性和干扰等因素提出相应的解决办法。

目前，由于模型不确定性和干扰等对非线性系统的控制性能影响较大，国内外许多学者已经开展了此类问题的深入研究，证实干扰观测器和神经网络的结合可有效近似补偿不确定项和外部干扰，同时采用滑模控制器可保证系统全局范围内的稳定性、鲁棒性。此外，该方法在基于无人机编队控制的其他公开资料及文献未见有详细报道。

发明内容

鉴于上述现有技术中的不足，本发明提出基于神经网络和干扰观测器的无人机编队自适应滑模控制方法，通过以下步骤组成：

步骤1、建立第i架无人机动力学模型，

其中，i＝1，...，n表示第i架无人机，(x_i，y_i，z_i)表示无人机在三维中三个方向的位移距离，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。

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。

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，非线性模型可描述为：