技术领域
[0001] 本
发明属于自动控制技术领域，涉及多旋翼
飞行器控制技术领域，具体涉及一种旋翼飞行机械臂自适应RBFNNs测噪自抗扰控制方法。
背景技术
[0002] 旋翼飞行器在过去二十几年里取得了重大突破和较大应用进展，可实现其定点
悬停、机动飞行、自主起降等飞行模式，目前在
自然灾害侦查与救援、地图遥感测量、农业应用等方面得到了广泛的应用。同时地面移动
机器人系统上增加机械臂等主动式操作机构的做法也得到了广泛地认可，其在反恐防暴、救灾救援等多种场合已经得到了充分的验证和初步成功，这使得这种将传统机械臂(主动操作机构)的强大操作能
力和移动平台的移
动能力相结合来扩展
机器人技术的应用范围的做法已经引起了研究人员的极大兴趣，并逐步渗透到其它
移动机器人平台。由此可知从完全被动观测型到具有一定作业能力的主动操作型转变是当前移动机器人系统发展的一个总的趋势，因此结合旋翼飞行器本身的特点并增加机械臂结构组成操作型旋翼飞行器系统将具有广阔的应用前景。
[0003] 2017年，陈浩耀、全凤宇在名称为“一种带有柔性抓取器的飞行机械臂”、公开号为“CN106985159A”的发明
专利中公开了一种带有柔性抓取器的旋翼飞行机械臂，该发明将带有柔性抓取器的机械臂和旋翼飞行器相结合，能更好的适应抓取物外形。虽然该发明改进了机械臂的灵活性，但没充分考虑机械臂与旋翼飞行器之间的耦合以及干扰，在抓取作业中缺乏飞行
稳定性，很可能导致抓取失败。
[0004]
现有技术中存在的主要问题包括：旋翼飞行器机械臂内部参数存在不确定性、外部环境和自身机械臂规划运动对飞行平台存在干扰，在抓取作业中缺乏飞行稳定性，有可能导致抓取失败；旋翼飞行机械臂在抓取目标的过程中，机械臂的运动会对飞行平台有较大的反作用力，导致飞行器在三维环境中产生不确定性的偏移从而远离目标，极大地增加了机械臂抓取目标的难度。
发明内容
[0005] 针对现有技术中存在的上述问题，本发明提供了一种旋翼飞行机械臂自适应RBFNNs测噪自抗扰控制方法，即Active Disturbance Rejection Control Based on Adaptive RBFNNs Estimating Noise(RBFNNs\ADRC)，该方法利用自适应RBFNNs对飞行机械臂各通道的内外部干扰进行估计并实时补偿，在此
基础上设计基于RBFNNs\ADRC的
姿态控制器，能有效地补偿机械臂运动对飞行平台的干扰，使旋翼飞行机械臂在飞行过程中实现稳定地抓取。
[0006] 为此，本发明采用了以下技术方案：
[0007] 一种旋翼飞行机械臂自适应RBFNNs测噪自抗扰控制方法，包括以下步骤：
[0008] 步骤一，对旋翼飞行机械臂进行受力分析，运用
牛顿-欧拉方法建立旋翼飞行机械臂的动力学模型；
[0009] 步骤二，根据步骤一中的动力学模型，设计基于RBFNNs\ADRC的高度控制器；
[0010] 步骤三，在步骤二中高度控制的基础上，根据步骤一中的动力学模型设计基于RBFNNs\ADRC的
水平控制器；
[0011] 步骤四，根据步骤一中的动力学模型以及旋翼飞行机械臂的实际飞行情况，将水平控制器的输出转换为期望姿态
角；
[0012] 步骤五，根据步骤一中的动力学模型，设计基于RBFNNs\ADRC的姿态控制器；
[0013] 步骤六，根据旋翼飞行机械臂的飞行模式，将控制
信号转换成各个旋翼转速值。
[0014] 进一步地，步骤一中对动力学模型做线性假设以简化模型，简化后的动力学模型如下：
[0015]
[0016] 其中，
[0017] ux＝cosφcosψsinθ-sinφsinψ，uy＝cosφsinψsinθ-sinφcosψ，[0018] fi为各通道系统内非线性误差、外部环境和自身机械臂规划运动对飞行平台的总干扰；
[0019] m表示旋翼飞行机械臂(旋翼飞行平台以及机械臂)的总
质量；
[0020] x，y，z为旋翼飞行机械臂在导航系中的三轴坐标；
[0021] φ、θ、ψ分别为多旋翼飞行平台的
横滚角、
俯仰角、
偏航角；
[0023] Jx，Jy，Jz为多旋翼飞行平台机体三轴的惯性张量；
[0024] wi为旋翼转速；b为旋翼升力系数；d为旋翼阻力系数。
[0025] 进一步地，步骤二中所述设计基于RBFNNs\ADRC的高度控制器的具体方法如下：
[0026] (1)设计期望
位姿信号Sd的过渡过程——微分
跟踪器
[0027]
[0028] 式中，Sd(k)为第k时刻的期望信号；δ为决定跟踪快慢的参数；h为滤波因子；fst(·)函数为最速控制综合函数，描述如下：
[0029]
[0030]
[0031] 式中，d＝δTd，d0＝dTd，y＝x1+hx2， Td为
采样周期；
[0032] 通过上述微分器，可实现v1(k)→Sd(k)， 同时对Sd(k)有滤波功能；
[0033] (2)设计自适应RBFNNs干扰估计器
[0034]
[0035] 其中， 代表神经网络的输入向量；W∈RJ×1是隐含层的权重系数矩阵；高斯函数作为隐含层的径向基函数，因此RBFNNs中第j个隐含层神经元的激活函数可表示为[0036]
[0037] 式中，||·||为欧式范数；cj＝[c1j,c2j]T表示第j个隐层神经元相对输入神经元的中心
位置；σj为高斯函数的方差，可看作第j个隐层神经元的作用域；
[0038] 引入自适应率进行权重系数的在线调整
[0039]
[0040] 其中，γ＞0为自适应增益； 为横滚角控制系统状态误差；b＝[0,1]T；P为一个正定矩阵且满足Lyapunov方程；
[0041] ΛTP+PΛ＝-Q；
[0042] 式中，Q为一个任意的2×2正定矩阵； kp、kd分别为e和 的比例系数；
[0043] (3)设计非线性状态误差反馈控制率
[0044]
[0045] 于是得到Z通道控制率：
[0046]
[0047] 进一步地，步骤三中所述设计基于RBFNNs\ADRC的水平控制器的具体方法与步骤二中高度控制器的设计方法相同，最后得到：
[0048] X通道控制率为：
[0049]
[0050] Y通道控制率为：
[0051]
[0052] 进一步地，步骤四中所述将水平控制器的输出转换为期望姿态角的具体方法如下：
[0053] 考虑到旋翼飞行器的实际飞行安全，对横滚角和俯仰角的范围给出如下约束条件：
[0054]
[0055] 作如下变量代换：
[0056]
[0057] 约束条件中的φmax，θmax事先给定，为保证飞行安全，这两个参数均在 内取值；则位置控制器输出的横滚角和俯仰角指令信号为
[0058]
[0059] 进一步地，步骤五中所述设计基于RBFNNs\ADRC的姿态控制器的具体方法与步骤二中高度控制器的设计方法相同，最后得到：
[0060] 横滚角通道控制率：
[0061]
[0062] 俯仰角通道控制率：
[0063]
[0064] 偏航角通道控制率：
[0065]
[0066] 进一步地，所述自适应RBFNNs干扰估计器权重自适应调整率的设计方法如下：
[0067] 结合各通道控制率以及相应动力学模型，可得该通道的闭环动态方程[0068]
[0069] 即
[0070] 其中，
[0071] 设最优参数为
[0072]
[0073] 定义最小逼近误差为
[0074]
[0075] 闭环动态方程可写为
[0076]
[0077] 将动力学模型代入上式，可得
[0078]
[0079] 令 则
[0080]
[0081] 令
[0082] 则有
[0083]
[0084] 定义该控制系统Lyapunov函数：V＝V1+V2，则
[0085]
[0086] 设计权重自适应调整率
[0087]
[0088] 使得
[0089]
[0090] 由于 通过选取Q和最小逼近误差ω非常小的神经网络，可实现由于 是负定的，从而保证位姿跟踪误差最终是有界的，且界限可以调整到任意小。
[0091] 优选地，步骤六中所述将
控制信号转换成各个旋翼转速值的具体方法如下：考虑到飞行平台的稳定性，这里选择X模式的四旋翼飞行器作为飞行平台，则控制信号与四个旋翼转速值之间的关系为：
[0092]
[0093]
[0094]
[0095]
[0096] 与现有技术相比，本发明的有益效果是：
[0097] (1)利用自适应RBFNNs对飞行机械臂各通道的内外部干扰进行估计并实时补偿，并在此基础上设计基于RBFNNs\ADRC的姿态控制器，能有效地补偿机械臂运动对飞行平台的干扰，该方法可以广泛应用于旋翼飞行机械臂的各种抓取任务中。
[0098] (2)旋翼飞行机械臂在飞行过程中能够实现稳定地抓取，抗干扰能力强，抓取范围广。
附图说明
[0099] 图1是本发明所涉及到的旋翼飞行机械臂的外观模型示意图。其中：E＝[xe ye ze]为导航
坐标系，B＝[xb yb zb]为机体坐标系。
[0100] 图2是本发明所涉及到的X模式的四旋翼飞行器的机体坐标系示意图。
[0101] 图3是本发明所提供的一种旋翼飞行机械臂自适应RBFNNs测噪自抗扰控制方法中自适应RBFNNs估算总干扰f的
流程图。
[0102] 图4是本发明所提供的一种旋翼飞行机械臂自适应RBFNNs测噪自抗扰控制方法中RBFNNs\ADRC控制
算法的实现流程图。
[0103] 图5是本发明所涉及到的旋翼飞行机械臂的飞控结构原理图。
具体实施方式
[0104] 下面结合附图以及具体
实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
[0105] 一种旋翼飞行机械臂自适应RBFNNs测噪自抗扰控制方法，包括以下步骤：
[0106] 步骤一，对旋翼飞行机械臂进行受力分析，运用牛顿-欧拉方法建立旋翼飞行机械臂的动力学模型，并将其做线性假设以简化模型；
[0107] 步骤二，根据步骤一中Z通道的动力学模型,设计基于RBFNNs\ADRC的高度控制器；
[0108] 步骤三，在步骤二中高度控制的基础上，根据步骤一中水平通道的动力学模型设计基于RBFNNs\ADRC的水平控制器；
[0109] 步骤四，根据步骤一中的动力学模型以及旋翼飞行机械臂的实际飞行情况，将水平控制器的输出转换为期望姿态角；
[0110] 步骤五，根据步骤一中的旋转动力学模型，设计基于RBFNNs\ADRC的姿态控制器；
[0111] 步骤六，根据旋翼飞行机械臂的飞行模式，将控制信号转换成各个旋翼转速值。
[0112] 具体步骤如下：
[0113] 在步骤一中，所述旋翼飞行机械臂动力学模型的建立方法如下：
[0114] 如图1和图2所示，对无人机进行受力分析，可知机体在x,y,z三轴方向上的合力、合力矩分别为
[0115]
[0116] 由牛顿第二定律F＝ma,M＝Jα可知
[0117]
[0118] 由于飞行器多处于悬停或者匀速运动，在此处可认为φ≈0，θ≈0。根据机体系与导航系之间的旋转关系可得 统一用 表示。
[0119] 联合上述公式可得四旋翼飞行器的平移动力学模型和旋转动力学模型为[0120]
[0121]
[0122] 其中Δi为各通道的不确定性项，对其进行简化，可得
[0123]
[0124] 步骤二中，基于RBFNNs\ADRC位姿控制器的实现过程如下：
[0125] (1)设计期望位姿信号Sd的过渡过程——微分跟踪器。
[0126]
[0127] 式中，Sd(k)为第k时刻的期望信号；δ为决定跟踪快慢的参数；h为滤波因子；fst(·)函数为最速控制综合函数，描述如下：
[0128]
[0129]
[0130] 式中，d＝δTd；d0＝dTd；y＝x1+hx2； Td为采样周期。
[0131] 通过上述微分器，可实现v1(k)→Sd(k)， 同时对Sd(k)有滤波功能。
[0132] (2)设计自适应RBFNNs干扰估计器，自适应RBFNNs估算总干扰f的流程图如图3所示。
[0133]
[0134] 其中， 代表神经网络的输入向量；W∈RJ×1是隐含层的权重系数矩阵，本发明设置中间隐含层的
节点数J＝5；高斯函数作为隐含层的径向基函数，因此RBFNNs中第j个隐含层神经元的激活函数可表示为
[0135]
[0136] 式中，||·||为欧式范数；cj＝[c1j,c2j]T表示第j个隐层神经元相对输入神经元的中心位置；σj为高斯函数的方差，可看作第j个隐层神经元的作用域。
[0137] 引入自适应率进行权重系数的在线调整
[0138]
[0139] 其中，γ＞0为自适应增益； 为横滚角控制系统状态误差；b＝[0,1]T；P为一个正定矩阵且满足Lyapunov方程。
[0140] ΛTP+PΛ＝-Q
[0141] 式中，Q为一个任意的2×2正定矩阵； kp、kd分别为e和 的比例系数。
[0142] (3)设计非线性状态误差反馈控制率
[0143]
[0144] Z通道控制率：
[0145]
[0146] X通道控制率：
[0147]
[0148] Y通道控制率：
[0149]
[0150] 横滚角通道控制率：
[0151]
[0152] 俯仰角通道控制率：
[0153]
[0154] 偏航角通道控制率：
[0155]
[0156] 由于位置控制和姿态控制均使用RBFNNs\ADRC算法，RBFNNs\ADRC控制算法的实现流程图如图4所示，因此上述基于RBFNNs\ADRC控制器的设计过程同时说明了位置和姿态控制，但其实位置控制和姿态控制之间有因果、前后关系，如图5所示。通常旋翼飞行平台的飞行指令信号包括期望三轴坐标xd、yd、zd和期望偏航角ψd，应首先设计Z通道的高度位置控制器，然后结合高度控制器的输出求出X、Y通道的水平位置控制器，其次水平控制器的输出通过欧拉角转换得到期望横滚角和期望俯仰角，最后设计姿态控制器使实际飞行器姿态能够快速准确地跟踪期望姿态角。位置-姿态的双闭环控制使得旋翼飞行机械臂能够稳定准确地执行飞行指令。
[0157] 步骤二中，设计了基于RBFNNs\ADRC位姿控制器，对其稳定性分析如下：
[0158] 假设状态误差反馈控制率为线性，并将其代入动力学模型，可得相应通道的闭环动态方程
[0159]
[0160] 将闭环动态方程写成向量形式：
[0161]
[0162] 其中，
[0163] 设最优参数为
[0164]
[0165] 定义最小逼近误差为
[0166]
[0167] 闭环动态方程可写为
[0168]
[0169] 将动力学模型代入闭环动态方程，可得
[0170]
[0171] 令 则
[0172]
[0173] 定义 则有
[0174]
[0175] 定义该控制器的Lyapunov函数：V＝V1+V2，则
[0176]
[0177] 将自适应率式代入上式得
[0178]
[0179] 由于 通过选取Q和最小逼近误差ω非常小的神经网络，可实现由于 是负定的，从而保证横滚角跟踪误差最终是有界的，且界限可以调整到任意小。
[0180] 步骤四，将水平控制器的输出转换为期望姿态角的具体方法如下：
[0181] 本发明考虑到旋翼飞行器的实际飞行安全，对横滚角和俯仰角的范围给出如下约束条件：
[0182]
[0183] 作如下变量代换：
[0184]
[0185] 约束条件中的φmax，θmax事先给定，为保证飞行安全，这两个参数均在 内取值。则位置控制器输出的横滚角和俯仰角指令信号为
[0186]
[0187] 步骤六，将控制信号转换成各个旋翼转速值的具体过程如下：
[0188]
[0189] 以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何
修改、等同替换以及改进等，均应包含在本发明的保护范围之内。
