基于径向基函数神经网络和反步滑模控制的无人飞行器自适应扰动稳定性控制

《IEEE Transactions on Aerospace and Electronic Systems》：Adaptive Disturbance Stability Control for Uncrewed Aerial Vehicles Based on Radial Basis Function Neural Networks and Backstepping Sliding-Mode Control

　　研究无人机在风等外部扰动下的稳定性控制问题。提出基于径向基神经网络（RBFNN）与滑模反步控制结合的方法，实时估计复杂扰动并动态调整控制器权重，有效抑制扰动，仿真显示跟踪误差低于1%，性能优于PID、LQR等传统控制器。

　　

摘要：

本文重点研究了在外部干扰作用下无人驾驶飞行器（UAV）的稳定性控制问题。UAV经常受到外部干扰的影响，其中风的影响尤为显著，会严重损害其轨迹跟踪控制的稳定性。目前关于UAV控制的研究尚未有效解决这些外部干扰问题；虽然某些控制器算法在面对轻微干扰时表现出良好的抑制能力，但随着干扰幅度的增加，其有效性会显著下降。为了提高控制器的抗干扰能力，本文提出了一种基于径向基函数神经网络（RBFNN）的方法。RBFNN用于估计外部干扰，同时采用自适应权重调整算法来适应不同类型的干扰。该方法通过将反步滑模控制方法集成到位置控制器和姿态控制器的设计中，有效抑制了干扰。这种组合方法不仅能够实时估计复杂的干扰信号，还能快速调整控制策略，从而确保飞行的稳定性。仿真实验表明，在各种干扰条件下，所提出的控制方案仍能保持优异的轨迹跟踪和姿态控制性能。在特定的干扰条件下，该控制器在轨迹和姿态角跟踪方面表现出强大的抗干扰能力，在所有施加的干扰下，跟踪误差均小于1%，并且在整体性能上优于其他先进控制器。

引言

四旋翼无人驾驶飞行器（UAV）因其操作简便和灵活性而在农业、交通监控和灾害救援等多个领域得到广泛应用。随着应用范围的扩大，对飞行质量（尤其是轨迹跟踪控制）的要求也越来越高[1]、[2]。UAV会遇到外部干扰，尤其是风的干扰，这会显著影响其运动学和动力学方程，可能导致飞行路径严重偏离甚至失控[3]。由此产生了诸如非线性、欠驱动结构以及耦合动力学等问题，需要有效的解决方案来保证其稳定性和性能[4]、[5]、[6]、[7]。模型中的非线性和强耦合特性[8]使得设计鲁棒控制器以减轻干扰变得复杂。近期研究探索了多种控制策略，如PID[9]、[10]、[11]、PD[12]、线性二次调节器（LQR）[13]、自适应动态补偿（ADRC）[14]和模型预测控制[15]。尽管这些线性控制器在特定条件下表现良好，但当UAV受到外部力的快速变化或偏差影响时，其性能会下降。