基于自适应神经网络的小型无人机高精度控制方法研究

The high performance control for small unmanned aerial vehicle (SUAV) under complex environment is the important symbol and technical bottleneck. With the high requirement for small unmanned aerial vehicle, the research for this problem has become urgently. With the low size, slow speed and deformation, there exists low accuracy for the dynamic model of SUAV. This project proposes an unscented kalman filter (UKF) method to estimate the moving aerodynamic derivative parameters of SUAV in real time that wind tunnel test can not provide exactly. Focusing on the dynamic model error, parameter uncertainty, environment disturbance, the adaptive neural network without training is proposed to realize high estimation and elimination in envelope curve by updating weights in real time. Furthermore, to satisfy the requirement for low size, small weight, and high performance, a micro inertial measurement unit (MIMU) based on the 3D configuration of the spherical topology is developed to reduce the asymmetric error, and a disturbance observer is constructed to estimate and eliminate disturbance. Thus, with the embedded information unit integrated design technology, a micro guidance navigation control system can be constructed that has better performance than the international generic product MP2028.

复杂环境下的高精度控制是小型无人机自主性的重要标志与技术瓶颈，随着小型无人机应用需求的增加，对该问题的研究也日益迫切。针对小型无人机由于小尺寸、低速度和易形变导致的模型精度低问题，拟通过对动力学模型参数解析，基于无迹卡尔曼滤波在线辨识方法对风洞试验难以精确测量的动气动导数进行在线估计，构建高精度的小型无人机动力学模型；针对小型无人机在飞行过程中存在的模型误差、参数不确定性、外界干扰、测量误差导致的控制精度问题，拟通过构建无需样本训练的自适应神经网络系统，基于状态误差信息，在线更新权值实现对多源扰动的全包络曲线的快速估计和抑制；并针对小型无人机核心部件微导航控制系统体积小、重量轻、精度高的需求，研究基于球面拓扑3D 构型的微惯性测量单元减少非对称误差，采用干扰观测器估计并抵消测量单元存在的多类干扰，基于嵌入式信息处理单元集成设计技术，设计性能超过国际通用产品MP2028的微导航控制系统。

针对小型无人机由于小尺寸、低速度和易形变导致的模型精度低问题，通过对小型无人机动力学模型参数解析，构建相应的非线性状态方程，对风洞试验难以精确测量的动气动导数对状态变量进行扩展，建立增广状态方程，并根据小型无人机的动力学和运动学特性，及其传感器所能测量的变量，构建非线性量测模型；其次根据飞行器数学模型建立相应的无迹卡尔曼滤波方程；基于实际应用飞行数据，通过无迹卡尔曼滤波方法进行在线气动导数辨识，构建高精度的小型无人机动力学模型。针对小型无人机在飞行过程中存在的模型误差、参数不确定性、外界干扰、测量误差导致的控制精度问题，基于构建的模型，根据极点配置理论设计相应的反馈控制参数，保证系统的初步稳定性。在此基础上，提出一种基于反馈控制和自适应神经网络复合控制方法，在反馈控制保证系统初步稳定性的前提下，构建无离线样本巡检的自适应神经网络对系统存在的多源干扰进行估计和抑制，通过李雅普诺夫函数设计自适应神经网络权值优化更新法则，基于小型无人机的状态误差信息实现对自适应神经网络权值的在线更新，提升对复合控制方法对小型无人机系统多源干扰的估计效果；并根据采样周期内小型无人机实际位置与期望位置的最大差值、平均差值和均方差，构建自适应阈值优化策略，进一步提高控制精度。针对小型无人机自动驾驶仪系统体积小、重量轻、精度高的需求，构建了基于球面拓扑3D 构型的微惯性导航控制系统和基于高精度测量单元的微惯性导航控制系统，通过各类标定测试实验对微惯性导航控制系统的模型误差进行标定补偿，并通过实验室研发的小型无人机和无人旋翼直升机进行性能测试和可靠性验证。实验结果表明，研发的微惯性导航控制系统姿态测量精度优于0.6度，可以实现稳定的位置和姿态控制。