带机械爪的无人机设计与控制【全套含CAD图纸、说明书】
带机械爪的无人机设计与控制【全套含CAD图纸、说明书】,全套含CAD图纸、说明书,机械,无人机,设计,控制,全套,CAD,图纸,说明书
编号：
毕业设计(论文)外文翻译
（译文）
学 院： 机电工程学院
专 业： 机械设计制造及其自动化
学生姓名：
学 号：
指导教师单位：
姓 名：
职 称：
年 06月03日
第 15 页 共 17 页
大学（论文）报告用纸
不确定性干扰的四旋翼无人飞行器稳定控制
摘要：
本文在建模误差和干扰的不确定性的情况下解决了四旋翼无人飞行机器人的稳定性和跟踪控制的问题。在能耗函数控制算法的帮助下实现自主飞行控制。自适应算法的目的在于学习和补偿建模误差和外部扰动不确定性。李雅普诺夫定理表明，该算法可以保证四旋翼飞行器线性运动和角运动的稳定性。与现有的研究结果相比，所提出的自适应算法不需要已知的约束建模误差和不确定干扰。为了说明理论论证，以商业四旋翼飞行器试验结果为例。
关键词：四转子（四旋翼）无人机飞行器（UAV），李雅普诺夫方法，自适应稳态控制。
1.引言：
在过去十年中，小型非载人飞行器（UAV）的研究已经被许多研究人员和工业在世界各地进行。小型无人飞行器在民用和军事领域的应用在快速的增长，如监控、侦查、搜索和救助以及在难以人为干预的危险、恶劣的的环境中执行任务。最近在此领域的研究结果可以在文献[20][22][23] [27]中找到。与单一旋翼直升机的对比，一个四旋翼无人机具有许多优点，如成本低，盘旋能力好，垂直加速度高，体积小，无噪音运行，维护方便。本文设计的自主飞行控制系统适用于小型、微型无人飞行器适用于在室内环境中飞行，因为它的欠驱动属性具有挑战性，平移和旋转的动态、动力学模型相关联的固有非线性和不确定飞行相关的外部干扰之间的力矩环境以及有效载荷质量变化，非线性气动阻尼力和陀螺力矩的的影响随之变化。实现控制的稳定性和旋翼飞行器系统的期望的跟踪，各种自动飞行控制系统已经在文献中引入的[2] - [6]，[8] - [18]，[21]。这些结果可以被分为两类是常规控制系统和自适应控制系统。基于模型的比例积分微分（PID）和线性二次调节器控制机构的旋翼系统中可在文献[1]，[4]，[5]，[8]，[10]，[11]，[ 18]中找到。近日，在埃弗[21]提出了一种神经网络法，以一个四旋翼无人机的控制为主导。作者发现，神经网络技术可以训练提供一个有限脉冲响应型近似的系数。更具体地，使用神经网络的想法是近似随时间变化的作用系数和PID控制器的响应不同整合的结果。常规算法是基于的一个线性近似模型飞行器动态。这些算法被开发来实现一个自主悬停飞行控制的四旋翼系统。然而，线性的设计可能不稳健，建模误差的存在下表现出较差在巡航性能。
以提高悬停性能，普及反演控制技术已被用来解决向俯仰-偏转力矩的问题和力矩在运动学和动力学系统[12]的问题，[13]，[15] - [17]。在控制结构和它们的评价结果来看，可以注意到，该设计和悬停飞行控制器的稳定是困难和复杂的。为了简化设计，可以包括与反推技术积分作用所谓的积分反推算法[13]。包括经典的反推设计PID项的想法是，以减少平稳跟踪误差，并在同一时间，保持全闭环系统渐近稳定。然而，不确定的环境的存在和平移和取向动力学与有效负载质量，空气动力，和陀螺效应相关的的非线性之间的强动力力矩必要一种先进的控制器，以提高系统的性能和可操作性。具体地，大多数四旋翼机器人都非常小，重量轻，使得系统的有效载荷和外部干扰的不确定性的变化更敏感。其结果是，附加的有效负载质量，不确定气动和陀螺力可能会改变飞行器动态，实现稳定和显著跟踪系统的响应。
为了处理这个问题，非线性控制设计已经研究了一些研究者在（参见，例如[2]，[3]，[6]，[9]和[19]）。Das等[2]提出了基于用于所述旋翼悬停飞行控制系统的线性化技术中的动态逆机制。利用反推过程，直接自适应跟踪系统也提出了四旋翼飞行器[19]。在拉福等[6]结合反演技术来控制一个不确定的四旋翼系统鲁棒H∞跟踪控制器。被采用的反推控制器技术来跟踪期望轨迹。非线性稳健H∞控制器，用于稳定旋翼的旋转动力。利用反推技术，非线性自适应控制，提出了由黄等人。在[9]中的模型参数的不确定性的存在下的欠驱动旋翼系统。他们的方法可以被用于通过利用Lyapunov功能，确保位置和偏航旋转的跟踪误差的有界性然而，算法的设计，实施程序，以及闭环稳定性分析是非常复杂的方法使用的九个步骤和各种扩充和辅助信号。最近，科斯明和MacNab疗效评定[3]应用模糊的方法来放松旋翼系统的模型动态。他们采用了一种自适应模糊技术学习和补偿与旋翼模型和干扰相关的不确定性。然而，稳定性分析依赖于一个事实，即模糊近似误差，外部干扰，并且建模误差的不确定性是由一个小的正的常数界。鉴于普遍模糊逼近定理的，所以可以找到一个模糊系统具有大量的模糊从属函数来估计与小模糊近似误差任何给定的实际连续函数。在实时应用中，设计者可以仅开发使用模糊规则和模糊从属函数用于计算存储器空间有限数目在大多数实际应用中受到限制模糊系统。其结果是，大模糊逼近误差可能导致不稳定的闭环系统。鉴于现有的设计和它们的稳定性的分析中，我们可以看到，报告的结果需要一个先验已知的上界建模误差和不确定性，以确保在不确定环境下的飞行高度和姿态动力学的稳定性。在实践中，这是不可能知道与环境相关的不确定性的精确值（例如，阵风），有效负载质量，惯性，气动摩擦力矩，和陀螺效应，因为它们具有不同的飞行任务为不同的飞行环境而变化。作为事实上，在户外飞行环境变化莫测增加建模误差的不确定性，使得显著飞行控制系统的设计更加复杂。
在本文中，我们侧重于一个四旋翼的稳定性和跟踪控制问题建模误差和干扰的不确定性的关联存在飞行器气动和陀螺效应，有效载荷质量，以及从不确定的飞行环境引起的其它外力/力矩。对于位置跟踪设计算法结合重力补偿，所需的线性加速度和比例微分（PD）样项具有自适应控制项。姿态控制器包括具有自适应控制项PD-同类项和所需角加速度条款。一个适应的法律是用来学习和补偿不确定性变化动力学建模误差和干扰的不确定性的结果。采用李亚普诺夫稳定性分析，以显示闭环系统的跟踪收敛。与现有的设计相比，所提出的方法不依赖于一个先验已知的上限的建模误差和干扰的不确定性。结合可以通过设计一个自适应律来获得。其结果是，该设计可以用较大的不确定性从所述有效负载质量的变化，飞行环境，惯性，气动摩擦力矩，和陀螺效应似乎被应用到一个四旋翼无人机。给出以商业四旋翼飞行器的各种实验研究，以证明所提出的设计对于真实世界的应用的有效性。
本文安排如下。我们通过引入飞行器的运动学和动态模型在第二节开始的文件内。在第三节中，我们介绍了一种自适应飞行控制策略。详细的稳定性分析也是在第三部分给出。实验结果在第四节介绍。最后，结论是在第五节给出。
2.四旋翼飞行器的动力学模型
我们首先通过开发四旋翼飞行器的数学模型得出公称动力学行为[12]，[13]。以导出所述旋翼机器人飞行器的运动动力学，我们考虑两个主要的参考帧作为地球固定惯性系Πe和连接到车体固定帧Πf。然后，将飞行器的位置定义为P (t) = [x(t) y(t) z(t)]T 及其姿态由三个欧拉角为Θ(t) = [φ(t) θ(t) ϕ(t)]T该飞行器具有三个平移速度为V (t) = [V1(t) V2(t) V3(t)]T和三个旋转速度为Ω(t) = [Ω1(t) Ω2(t) Ω3(t)]T相对于所述本体固定帧。那么，对于两个帧的速度P , ˙ Θ( ˙ t)的和（V，Ω）之间的关系可以写成
其中和是变换速度矩阵和Πe和Πf之间的旋转速度矩阵，给出如下：
其中S (.)和C(.)分别表示sin(.) 和 cos(.)。我们现在采取衍生物（1）和（2）构成的运动方程为旋翼飞行器，即：
使用与斜对称矩阵S(Ω)，即：
我们可以写出（5），（6）以下形式：
其中定义为：
应用牛顿定律在主体固定参考帧Πf，对于飞行器经受的力运动的动力学方程Ft和矩Tt的施加到质心可推导：
其中和分别表示质量和对称正定恒惯性矩阵。在沿着框架Πf的方向上飞行器的质量中心产生的力和扭矩力矩可表示为：
其中Ff是由如下面的方程给出的螺旋桨产生的力：
其中与提升恒定α > 0，和Fd在气动阻力定义为：
其中，Kd1 > 0、Kd2 > 0、和Kd3 > 0。由重力作用的力可推导Fg = mRtG、G = [0 0 g]T和g = 9.81 m/s2。由螺旋桨制定的总力矩可被定义为：
其中，d是由质量中心到转子轴线的距离，并且是阻力系数。气动摩擦力矩的Ta建模为：
其中，Kf1、Kf2和Kf3是空气动力系数的正常数。在飞行器中，回旋效应出现作为连接与主体旋转的空间和螺旋桨旋转的飞行器的主体旋转的结果。假定由于刚体旋转施加到机体的反应转矩较小。然后，通过转子经历的，因为它们沿与本体固定参考系的转子桅杆移动陀螺力矩被定义为：
其中Ir是转子叶片的惯性，ωi是转子的角旋转速度。考虑到（13） - （19）中，我们可以导出在参照帧Πe的旋翼飞行器的动态模型如下：
该模型可以在下面的形式被简化：
其中
。从（22）和（23），一个可以看到，旋翼直升机包含了质量可与不同的飞行任务不同的有效载荷变化的未知参数。通知也从（23），该具有非线性离心，科氏力，非线性气动阻尼和回旋力矩作为机身和转子的结果相关联的姿态动力学。除了大建模误差的不确定性，从不确定的飞行环境外部扰动带来更多的挑战，以稳定小规模的四旋翼飞行器。
3.算法设计及稳定性分析
在这里，我们介绍一个小型旋翼飞行器一个稳健自适应飞行控制策略。我们的主要目标是开发一个稳健自适应跟踪算法，该算法可以迫使飞行器以跟踪建模误差和干扰的不确定性所需的任务。在与现有的设计相反，所提出的设计不要求上限建模误差和外部扰动的不确定性。首先此发展，我们首先考虑的平移和旋转动力学（22）和（23）由外部干扰的不确定性da(t) = [dx(t), dy(t), dz(t)]T和db(t) = [dφ(t), dθ(t), dψ(t)]T。在我们的整个稳定性分析，以下假设将被使用。
假设1：给定的期望的任务x1d、 x3d及其第一和第二导数是有界限的，属于一种已知的简洁的集。
假设2：位置、方向和它们的一阶导数可用于测量。
假设3：平移变换矩阵Rt是有界的且γr > 0。
假设4：角速度变换矩阵T也为界且γt > 0。
备注1：假设3和4形式存在欧拉角被认为是−(π/2) < φ < (π/2)、−(π/2)<θ<(π/2)和−π < ψ < π。考虑到假设3和4，还明确指出结合存在以为ζx为界
其中Tθ = tan(θ)。我们现在设计了稳健自适应控制器为姿态，高度和位置动力学例如(φ, θ, ψ)和(x, y, z) 收敛到所需的(φd, θd, ψd) 和(xd, yd, zd) 。要做到这一点，让我们定义状态变量的位置动态如下
其中P = [x, y, z]T 。然后，平移动态模型的状态空间形式可写成如下：
其中Ff = ut。同样，我们定义了姿态动力学以下状态变量：
其中Θ = [φ, θ, ψ]T。旋转动力学模型的状态空间形式可以推导如下：
其中向量A(x3, x4) 由下式给出A(x3, x4) = [A1(x3,x4) A2(x3, x4) A3(x3, x4)]T，其中A(x3, x4)=−πC(x3, x4)−Πx4 − Tx4 × TIx4 − Tx4Σ4 i=1Irωi。我们也可以写出以下错误状态空间形式（25）和（27）：
其中e1 =(x1d − x1)、、 e3 =(x3d − x3)、 e4 =、x1d = [xd, yd, zd]T、x3d = [φd, θd, ψd]T、γd =[γd1γd2γd3]T 、 γd1 = A1(x3, x4) + dφ、γd2 = A1(x3, x4) + dθ 和 γd3 = A3(x3, x4) + dψ。虑到假设2的ωi的i =1，2，3，4，所述建模误差和外部扰动的不确定性是有界限的一定飞行域和满足下述条件的有界属性‖γd1‖≤ θb1、‖γd2‖≤ θb2、‖γd3‖≤ θb3、‖dx‖≤θa1、‖dy‖≤θa2、‖dz‖≤θa3其中θa1、θa2、θa3、θb1、 θb2、 和 θb3是位置和姿态动力学的正常数的参数。然后，我们引入ut下列控制算法：
其中是θa、utx和uty是虚拟输入的估计，以产生所需的滚动，φd和投球，在θd，在X和Y方向的运动，u1∈是在z轴上推力，符号（·）是通过将正负号函数来βa的所有元素获得的向量，、和是对称正定矩阵，Ba = [03×3; I3×3]、ea = [eT 1 , eT 2 ]T。PA是正定矩阵和正常的学习收获Γa。现在我们介绍算法U：
其中βb =(eT b PbBb)T、、，θb为θb、u2，u3，和u4控制扭矩的估计值，、、Bb =[03×3; I3×3]、eb =[eT 3 , eT 4 ]T、Pb是正定矩阵与正不断学习收获Γb。所需的轧辊，即，φd和桨距角，即，在θd，从该关系产生φd = arcsin(utx sin(ψd) −uty cos(ψd))和θd = arcsin(utx cos(ψd) + uty sin(ψd)/cos(ψd))，其中utx 和 uty是由虚拟位置控制开发（30）-（32）。那么，对于平移和旋转模型闭环系统可以写成下面紧凑的形式：
其中Aa =[03×3 I3×3;−Kpa3×3 − Kda3×3]、Ab = [03×3 I3×3;−Kpb3×3 − Kdb3×3]。注意，在（36）给定的（37）的自由投影自适应律和可表现出不连续的特性的学习估计收敛到可能导致无界参数估计[7]的实际连后，[26]。以确保该参数θa和θb保持在紧凑集θ
a ∈ Ωa和θb ∈ Ωb的界，我们引入一个投影机制来限制参数估计。让我们首先定义紧集和，例如和，Ωa ={xai ≤ θai ≤ yai}和Ωb = {xbi ≤ θbi ≤ ybi}。让Ωδa和Ωδb为Ωδa = {xai − δa ≤ θai ≤ yai − δa}、Ωδb = {xbi −δb ≤ θbi ≤ ybi − δb}，其中δa和δb被选择如下、、Γa和Γb是正常数。然后，参数调整规则的投射可能被写、[26]。自适应定律意味着如果θa(0) ∈ Ωa 和 θb(0) ∈ Ωb，然后θa(t) ∈ Ωδa and θb(t) ∈ Ωδb ∀t ≥ 0。因为和Ωδb，那么我们也能保证参数估计θa和θb的有界性。因此，就表明θa(t) ∈ Ωδa和θb(t) ∈ Ωδb ∀t > 0，我们然后应用以下投影自适应算法更新θa和θb为：
这意味着，如果所述参数估计开始在集合θa(0) ∈ Ωa 和θa(0) ∈ Ωa将保持在θa(t) ∈ Ωδa和θb(t) ∈ Ωδb ∀t ≥ 0。该系统（36）和（37）中，我们考虑下面的复合李亚普诺夫似的函数：
、和是满足下列Lyapunov方程正定矩阵：
对于给定的Aa，Ab，Qa和Qb，基质Pa和Pb可以被确定。现在，我们区分（40）相对于时间的闭环系统（38）和（39）的跟踪轨迹沿。然后，可以写为
使用（32）和（35）与（38）和（39），可以写为
ϑ = [eT a , eT b ]T 和Q = [Qa 0; 0 Qb]。基于以上分析，我们可以说明在下面的定理1我们的主要成果。
定理1：设假设1-4保持。然后，闭环系统（36）和（37）与（38）给出的参数投射机制沿着和（39）为界，并且跟踪误差收敛到零作为时间趋于无穷。
证明：使用（43）与（38）和（39），一个可写的的衍生物（40）为
如果ϑ = 0，则我们的结论使是在ϑ空间负。这意味着。因为所有关于（36）和（37）的右手侧的变量是有界限的，那么我们还可以得出这样的结论。因此，ϑ是连续均匀地和有界的。我们现在采取的积分（44）从0到T，我们有
用（40），我们可以写跟踪误差必然为
Vt(T ) ≥ 0。这意味着ϑ ∈ L2。由于ϑ是在连续均匀地区间[0，∞）和T=∞，然后使用Barbalat引理[14]，我们可以得出这样的结论0和limt→∞ ϑ = 0提供的参数估值误差因投射方案的限制。注意，符号（·）函数可能导致（31），（32），（34），（35），（38）和（39）的不连续。要理顺控制输入，我们可以估计sgn(.)通过使用有界输入和与最小值和tanh(.)是一个光滑有界饱和函数，其中， ， k = a, b和p = 1.2。然后，我们介绍定理2。
定理2：设假设1-4保持。然后，由（28），（30），（31），（33），（34），（38），和（39）制定的闭环系统是有界限的，和跟踪误差收敛到一个小集，靠近到零。
证明：定理2的证明可以沿着定理1的证明，我们第一次更换的sgn（.）在给定控制器和适配法律函数，在（30）、（31）、（33）、（34）、（38）、和（39）线被标出。然后，我们遵循用于定理1某些操作之后的步骤，我们可以把作为如下：
其中、、、、，
Qda, Qdb, θa, θb) ∈ (Ωc × Ωa × Ωb × Ωδa × Ωδb), ea ∈ Ωc1,eb ∈ Ωc2, Ωc1 = {ea|eT a Paea ≤ c1}, Ωc2 = {eb|eT b Pbeb ≤ c2}，c1 > 0和c2 > 0、、、θa(t)∈Ωδa, θb(t)∈Ωδb上式中t > 0。我们可以进一步简化为
这意味着负的外部紧凑的设置为Ωo ≡。
这意味着，在跟踪误差信号一致最终有界作为参数估计θa、θb、的有界特性，是通过使用学习估计的投影功能保证。
备注2：提议的设计不依赖于一个先验知道上限的建模误差和干扰的不确定性。绑定的可以通过设计一个自适应律来获得。因此，可以应用于具有大的建模误差，并与室外飞行环境，诸如阵风，有效负载质量，不确定的环境，转动惯量，非线性气动摩擦，和陀螺效应相关联的干扰的不确定性一个旋翼无人机设计。
备注3：设计可直接施加在商用四旋翼无人机，例如[1]和[4]，仅仅通过增加与离开PD控制器的自适应术语。这是值得关注的提升力可简单地通过刚刚补偿重力来设计车型。然而，随着气动阻力沿质量参数可与不确定的室外环境不同的飞行任务各不相同。其结果是，一个适应机制必须包括在设计中要处理的建模误差和干扰的不确定性。
IV．实验结果
为了验证在上一节中开发的控制算法中，我们用商业旋翼飞行机器人飞行器进行了各种实验[1]。对于我们的控制自我评价，我们分解控制设计成两个独立的回路作为内环和外环。内部控制回路是通过使用姿态控制输入来控制滚动，俯仰角和偏航角而设计的。外环包含了高度和虚拟位置控制器来计算所需的推进器和所需的滚动以及所述俯仰运动。内环关于板载微处理器在1kHz以300赫兹访问IMU数据运行。飞行器的高度由板载气压传感器测量。室外环境，由机载GPS获得的飞行器的位置，而通过Phonenix 技术有限公司提供的视觉跟踪器被用来测量飞行器的室内环境中的位置。飞行器的角速度由板上陀螺仪测得的。执行一个实际的四旋翼飞行器所提出的设计之前，我们对飞行器的模拟模型进行广泛的模拟研究。模拟研究的目的是确定设计参数为实验评价的控制增益和阈值。飞行器的质量为0.5至1公斤而变化。外力/从空气动力学的动摩擦扭矩通过考虑空气的平移和旋转速度的影响产生的。对于三个方向的平移和旋转的气流速度被假设为[5,5，5] T米/秒和[5,5，5] T弧度/秒。惯性部件Ixx, Iyy, 和 Izz中的x，y和z分别改变从3.9至4.5，4.4至5.4，和4.9至5.9在GM2。参数θa和θb在平移和旋转动力学的值是变化的从-10到10 N和-10至10牛顿·米。利用这一设计设置，我们模拟所提出的方法，将获得了用于实验评估控制设计参数。为实验评价，我们首先实施在飞行器上所提出的设计的PD方面和实现盘旋性能。然后，我们整合与PD控制方面自适应的条款和通过改变θa和θb的值从-5到5 N和-5到5 N·m的检查稳定性和跟踪性能。通过这种设置，我们的室内和室外的飞行环境中执行给定的四旋翼汽车实验测试。控制增益由大量仿真实例来选择，如Kpa =
diag[20 20 20]、 Kda = diag[20 20 20]、Kδ = diag[20 20 20]、Kpb = diag[50 50 50]和 Kdb = diag[50 50 50]。Qa和Qb的值被选择为的Qa= Qb = 16×6。学习增益为Γa = Γb = 1。所提出的设计的实施框图如图1。
我们现在探讨在给定的四旋翼飞行器所提出的姿态控制和稳定。姿态控制的性能对于四旋翼稳定性非常重要，因为它直接关系到致动器的性能。让我们立即应用所提出的姿态控制算法，以稳定在室外环境中的四旋翼的姿态动力学。我们在这一实验的目的是，以稳定的四旋翼的姿态动力学处于自由飞行任务。换句话说，姿态控制算法，以确保在抗外部干扰自由飞行零姿态角。实验结果显示在图2-4中描绘。考虑到这些结果，我们可以看到，滚动，俯仰，尽管外界扰动沿φ注入，θ，和ψ方向偏航角被稳定接近于零。所有的控制器的车载计算机上运行，并使用板载惯性测量装置和气压传感器控制的高度，位置，滚动，俯仰和偏转。
我们现在应用位置控制算法用于自主起飞，着陆、给定和跟踪的所需轨迹zd、 xd和yd。评价结果显示如图5和图6中描绘。图5呈现所述飞行器的所需和实际高度跟踪的时间历程。图。6描绘的飞行器的位置的实际和期望轨迹的时间历程。鉴于图5，我们可以观察到的实际和预期的起飞（0-14 S）和着陆阶段（38-40 S）之间的微小偏差。这看来从制动动力学的模型在起跳落地相对较慢，速度更快。另一方面，在过渡阶段振荡可以看出由于与气压传感器相关联的测量误差。还应当指出的是，在z方向上的高度飞行通过推力和重力的影响。因此，在高度跟踪振荡也从电池电压出现作为推力力由电动机产生的。在图6，我们还观察到的位置误差由于与GPS相关联的测量误差的存在。
为了便于比较，我们现在评估以下各项的PID状控制算法:
其中Kp、Kd和Ki是正的控制增益。我们选择使用上述工业控制算法用于比较目的，因为它已被广泛地用于控制四旋翼的飞行器。PID控制器经过独立通过考虑旋翼飞行器的运动动力学各轴设计的。为了做到这一点，在飞行器的线性和角加速度动态首先简化如下：
其中u2、u3、 u4 和u1是输入，Ixx、Iyy和 Izz表示转动惯量分别相对于x轴，y轴和z轴。产品惯性假定为零，因为它们非常小和由于对称性Ixx ≈ Iyy。控制器设计为线性化四旋翼模型 (50)–(53) 在悬停状态x = x0、y = y0、z =z0、φ = 0、θ = 0、ϕ = ϕ0、 、、、、0、。我们首先假设飞行器接近悬停状态设计的姿态控制器用大小卷径和俯仰角。因此，通过假定小型滚转和俯仰角，我们可以写cos φ ≈ 1、 cos θ ≈ 1、sin φ ≈ φ和 sin θ ≈ θ。现在，通过假设悬停状态时，基于PID的输入用于计算姿态动力学的控制力矩为
其中Kpφ > 0、Kpθ > 0、Kpϕ > 0、Kdφ > 0、Kdθ > 0、 Kdϕ > 0、 Kφi >0、Kθi > 0、 Kϕi > 0、 eφ = (φd − φ)、eθ = (θd − θ)、eϕ =(ϕd − ϕ)、、和。所需的提升/推进器的力然后通过使用PID输入算法计算为，
其中ez = (zd − z)、、Kpz > 0、 Kdz > 0和Kiz > 0。然后，我们评估在模拟和实验环境特定四旋翼飞行器的位置和姿势输入。仿真实验用于获取在控件上设计参数结合。实验评估过程依然类似于在上一节中所示的健壮的自适应控制方法。作为飞行器的外部干扰的室外环境中存在发生漂移我们进行了室内环境下的飞行实验。飞行器室内的位置由Phonenix 技术有限公司提供了四个精确的视觉跟踪器的飞行器控制从静止盘旋，然后从飞机盘旋起飞，然后自由飞行控制和自由飞行悬停测量。对于给定的任务，在控件上设计参数结合的是通过试错搜索方法，使用仿真实例验证计算。控制设计参数为Kpx = 0.4、Kpy = 0.4、 Kpz = 0.4、Kdx = 0.4、Kdy = 0.4、Kdz = 0.4、Kix = 0.02、Kiy = 0.02和 Kiz = 0.02。姿态动力学被假定为比外部环路位置动力学更快。因此，对于姿态动力学的控制增益为Kpφ = Kpθ = Kpϕ = Kdφ =Kdθ = Kdϕ = Kφi = Kθi = Kϕi = 1。对于平移和旋转动力，外部输入的干扰也通过试验和搜索方式选择。对位置的动态外部输入干扰的最大边界选择为0.5 N。旋转输入动力自外部干扰保持自由。实验结果在图7和图8中描绘。图7和8示根据外部干扰的高度和飞行器的位置的实际和期望轨迹的时间历程。从这些结果中，我们可以看到在起飞过程中的实际和需要的位置轨迹，自由飞行和悬停状态之间的偏差较大。我们也可以从图8注意到，飞行器漂移从所需的自由飞行状态而去盘旋，从而导致在x 、y和z方向非常大的跟踪误差。
V.结论
在本文中，我们为四旋翼飞行机器人媒介物建模误差和不确定干扰的存在下提出了一个稳健的自适应跟踪系统。该算法用李亚普诺夫状能量函数通过所有的假设状态并被开发都可以用于测量。该设计可用于去除建模误差和作用于飞行器干扰的影响，同时，保持了整个闭环系统的有界稳定性和跟踪控制性能。基于投影自适应方案被采用，以确保参数的有界性。不像现有的设计，该算法不需要已知的建模误差和不确定干扰相结合的先验。结合可以通过设计一个自适应律来获得。该方法适用于具有大的建模误差和有效载荷质量的一个四旋翼系统，建模误差例如强阵风，转动惯量，非线性气动摩擦，和陀螺效应相关联的干扰的不确定性。实验与其他方法相比，已经开展了一种商业四旋翼媒介物证明本文的理论发展。从我们的结果可以注意到，惯性测量装置测量具有嘈杂性和振动性。我们观察到一个小惯性测量装置测量误差可以生成用于四旋翼飞行器的高速运动的大位移。为了处理这个问题，观察者被用来估计的位置和方向。在众多存在的观察者的设计中，实际状态的精确和快速重建用高增益的观察员是一个众所周知的和流行的技术（见参考文献[24]）。然而，作为结果，高收益的需求，实现高增益基于观测器的设计令人满意的性能可能放大与国家相关估计噪音。对该问题的一个可能的解决方案是增加输出估计误差的积分项与比例误差项[25]。
收藏