文|时梦嫣

编辑|时梦嫣

前言

近年来人们得出结论，无人机已不足以自主飞行，需要更先进的技术来带来创新和改进，以实现更复杂的目标。

虽然无人机在速度和飞行时间方面表现出色，但创新的解决方案对于解决其有限的稳健性至关重要，这是大规模部署和多样化任务完成的关键考虑因素。

通常假设单旋翼系统类似于传统直升机，然而这个假设只是部分成立，根本区别在于它们的动态配置和重量处理方法。

与采用主旋翼和尾旋翼，来抵消不对称和反作用扭矩的直升机不同，单旋翼系统依靠鳍片或控制面，来实现稳定性和方向。

直升机动力学围绕主旋翼，产生的升力和控制旋转，被尾旋翼反作用扭矩抵消，相反地单旋翼系统采用鳍片和控制面，来操纵气流，从而实现精确的飞机控制，

单旋翼系统通常比传统直升机轻，利用更有效的配置和复杂的控制系统，补偿动态和重量差异。

具有粒子群优化调整功能的单旋翼无人机是怎样的？它的鲁棒非线性轨迹控制器究竟如何？

研究简介

在过去的十年中，我们已经看到无人机在不同的应用中的存在，比如在商业行业、军事、航空电子设备和人工智能等高端应用领域。

无人机是一种无人驾驶飞机，能够在没有任何人工交互的情况下，飞行并保持悬停状态，它们通过地面站的控制命令远程驾驶。

一般来说根据无人机的特性，其应用、速度、重量和操作各不相同。无人机一般分为四类：固定翼、固定翼混合动力、多旋翼和单旋翼。

固定翼无人机是基于机翼、主体、电机和螺旋桨的车辆，这种类型的无人机需要独特而广泛的培训来驾驶它们，它的主要优点之一是几个小时的飞行时间，但是此飞行器无法执行向后飞行、悬停或旋转。

下一种类型是固定翼混合动力车，它结合了自动和手动滑翔，虽然这是一个优势，但这种类型的无人机，在向前飞行和悬停方面可能更好。

多旋翼车辆是业内最常见的，有不同类型的多旋翼，它们通常按它们拥有的转子或螺旋桨的数量，进行分类，有三轴飞行器、四轴飞行器、六轴飞行器和八轴飞行器，最常用的是四轴飞行器，因为它们垂直着陆、体积小且结构简单。

最后一个是单旋翼无人机，顾名思义它有一个单旋翼，这种类型的无人机不如其他无人机发达。

因为它设计起来很复杂，然而它们具有明显的优势，例如重有效载荷、长时间续航的悬停和快进飞行。

单旋翼无人机

单旋翼无人机只有一个螺旋桨，尽管它可以被视为一个缺点，因为它会失去机动性，但实际上能源使用也会减少，仅使用一个旋翼可提高飞行效率，降低能耗，并允许一个重要功能：垂直起降。

多年来，相关领域专家已经引入了不同的单旋翼无人机设计。

研究分析了由两个固定翼飞机组成的单个旋翼，其中可以对两个连接的旋转飞机，进行建模和控制。另一种变体是单旋翼飞行器，其特点是具有单旋翼和尾旋翼的模型。

此次提出了一种基于单旋翼垂直起降设计的不同方法，这种设计基于通过单个螺旋桨，和四个由小型电机驱动的偏转鳍的推力矢量。

在这项工作中简化了工艺设计，以降低成本，并增加应用数量。路径跟踪和轨迹跟踪，是无人机的主要控制挑战。

比例积分微分控制器通常用于无人机，因为它具有多功能性，和对各种无人机变体的适用性。然而比例积分微分在处理复杂系统、不确定性、干扰和非线性方面存在局限性，因此需要更稳健的控制技术。

需要注意的是比例积分微分，不需要系统的数学模型，但在系统复杂时具有局限性，如果参数未正确调整，系统参数的更改，可能会影响控件的稳定性和性能。

与其他更强大的控制器相比，比例积分微分在处理不确定性和干扰方面效率不高。

由于比例积分微分是基于线性假设设计的，因此很难控制非线性系统，消除稳态误差也是降低控制性能的限制，出于这个原因，在这项工作中考虑了更鲁棒的非线性控制技术，来处理这些问题。

这项工作探讨了强大的非线性控制技术，例如单旋翼无人机的自适应滑模和超扭曲。

超扭曲是一种基于滑模，和轨迹跟踪归零理论的非线性动力系统控制技术，研究中已经使用了几种方法，来量化小旋翼无人机的位置控制，证明了超扭曲控制是相对度等于14的、系统最强大的二阶滑模控制器之一。

这项工作的主要贡献是鲁棒的超扭曲控制，用于解决受扰动影响的四旋翼飞行器的姿态跟踪问题，研究还观察到控制器中的限制，最主要的是存在颤动。

尽管控制器被证明是鲁棒的，但它在处理不确定性方面存在局限性，需要广泛的知识来调整。

滑模技术也已应用于无人机的控制，例如为双转子系统提供了一个键合，和一个强大的级联控制器。

模型考虑了所有的能量和动态耦合，在外环中使用自适应集成反步滑模控制器，来控制偏航和俯仰动态。

尽管所提出的控制器在实验过程中，能够获得比其他控制器更少的颤振，并降低误差，但它这样做是以增加响应时间为代价的，这意味着精度和速度之间的权衡。

还设计了一种鲁棒的容错控制器，通过使用高阶积分动态滑模控制器，来确定位置和姿态动力学，所提出的方法需要冗余执行器，这增加了实施成本。

在这里用于估计参数不确定性、外部扰动，和执行器故障的综合效应的有限时间，扰动观测器的性能令人满意，但在间歇性故障后估计器开始恶化。

此外还提出了配备固定旋翼的，全驱动多旋翼飞行器的姿态 ，位置跟踪控制，并受到匹配模型不确定性和干扰的影响。

研究利用多输入平滑二阶滑模策略，设计了一种联合几何姿态的位置控制律。仿真结果表明，与超扭曲和二阶滑模控制器相比，所提方法减少了抖振，提高了跟踪性能，但仍存在振荡行为，这主要是由未建模的转子动力学引起的。

最后介绍了基于四旋翼无人机的，终端滑模姿态的位置四元数控制的发展，无人机的动力学被分成姿态和位置回路，以设计独立的控制规律，每个回路实现的控制律，是混合终端滑模和四元数控制器。

与高阶滑模控制器相比，在仿真中获得的结果显示出更好的性能，但与前面提到的其他工作一样，他们没有像我们在工作中所做的那样，在持续阵风干扰下测试该方法。

复杂动态系统的另一种非线性控制技术，是自适应滑动模式，它还具有处理系统模型中不确定性的能力，它基于将系统状态，带到由线性控制器控制的滑动表面的理论。

自适应滑模能够提供平稳和精确的控制，但自适应滑模的突出特点是，它能够减少颤振效应。

这种影响是在某些条件下，超扭曲控制器中不必要的振动，自适应滑模具有固有的干扰抑制能力，无需额外的控制措施即可补偿干扰。

关于在单旋翼无人机中实施自适应滑模，由于系统的非线性复杂性及其在不同飞行条件下面临的可变扰动，这是有益的。

自适应滑模的自适应能力，被描述为控制单旋翼无人机，等非线性系统的繁荣解决方案，但是必须牢记自适应滑模实现复杂性的限制，以及选择控制器参数的要求，和系统模型的详细知识。

为了应对无人机的不确定性和外部干扰，之前已经有过工作，例如解决了基于四旋翼飞行器，非线性估计器的鲁棒控制器的设计。

该控制器确保即使在参数变化，和外部干扰的情况下，也能跟踪所需的参考。它使用高阶滑模估计器来估计干扰，然后控制器可以消除干扰，从而改善受控系统的动态行为。

然而缺少显示所提出的控制器，在更复杂的轨迹中的性能的实验，例如我们在测试中使用的螺旋路线。

另一种类型的扰动实现基于冯卡曼风模型，该模型允许人们理解和表征不同类型的风，例如稳定风、湍流、风速变化和推进器涡旋。

通过将此模型与无人机的数学表示相结合，可以从三个不同的角度，说明无人机在风场中的运动：速度、力和能量。

粒子群优化

无人机控制器中发现的主要问题之一是调谐过程，通过试错来调整控制器增益，以最小化闭环系统的建立时间和相应的振荡。

许多增益需要根据系统中，控制器的数量和类型进行调整，每组增益代表一个新的可能场景，以获得实验的最佳条件，这可能会使调优相当漫长、乏味和昂贵。

粒子群优化是一种全局元启发式优化方法，属于基于肯尼迪和埃伯哈特，引入的群智能概念的算法家族。

这种方法基于群体的概念，其灵感来自社会动物的集体行为，尤其是鸟群和鱼群。

群是一组代理，它们通过彼此之间，以及与环境的本地交互来执行任务，没有中央控制。

他们的行为源于随机的局部自组织和互动，这些群体个体可能对有限的能力更满意，该目标是通过交换通过行为，和交互参数获得的信息来实现的。

具体来说这种类型的优化适，用于求解最优解是多维参数空间中的一个点的问题，对每个粒子进行评估以确定其适应度值。

在每次迭代中，都会计算一个适应度值，并将其与前一个值进行比较，以获得最佳值。

这种社交互动是直接的，这意味着每个粒子都受到其记忆，和其他智能体的影响，更新单个和全局最佳位置，如果未满足停止条件，则会更新速度和位置以创建新的群。

两个基本操作是速度和位置更新，实际速度取决于旧速度、单个粒子的经验，以及整个群体的经验，每个项都有一个相关的权重常数。

由于难以调整控制器的参数，粒子群优化算法已被用于无人机的控制，例如无人机上的相机位置控制在中呈现，设计的比例积分微分控制器可保持相机稳定。

研究讨论了传统的拟合方法和进化生物启发算法，如粒子群优化算法。

需要强调的是，粒子群优化算法因其稳定的收敛性，无论是在动态和静态性能方面，还是良好的计算效率，都可以通过误差最小化来提高系统性能。

得出的结论是，粒子群优化算法调谐的比例积分微分控制器，具有准确性和收敛稳定性，这使其成为首选。

粒子群优化算法应用于相机位置控制，与手动调谐相比，可提供稳定的收敛和改进的系统性能。

提出的方法是改进的粒子群优化算法，它优化了AR无人机，与四轴飞行器比例积分微分控制器的增益。

多目标优化之粒子群算法，演示了比例积分微分参数的有效调整，无过冲，稳态误差为零，上升时间短。

同样地粒子群优化算法，用于优化四转子比例积分微分控制器中的参数，从而实现更短的调谐时间和减少的过冲。

然而尽管取得了这些成就，但关于在非线性方法的无人机控制中，使用粒子群优化算法的研究有限。

粒子群优化算法用于，调整四旋翼飞行器姿态控制，和轨迹跟踪的三种非线性控制策略的增益，控制器脱颖而出。

因为它始终收敛到所需的姿态，并有效地将位置误差和吸引力池降低到零，使其在高速下更加可靠。但是与其他控制器相比，它需要更多的处理时间。

研究提出了一种带有滑模控制器的，四旋翼飞行器控制策略，该策略将使用从李雅普诺夫稳定性分析，和粒子群优化算法获得的增益。

控制器在从粒子群优化算法，获得的增益下是稳定的，当检测到故障时，还会在带有滑模控制器的控制律中，添加比例积分微分控制器，结果表明在粒子群优化算法算法，获得的增益下，该控制技术满足了预期要求。

研究结果

首先在这项研究中，使用了鲁棒非线性控制器，据我们所知，这些方法以前都没有应用于单旋翼无人机。

结果表明这些控制器，可有效提高单旋翼无人机的性能，特别是在阵风干扰下。

其次证明了粒子群优化算法算法，得到的增益值满足超级扭曲，和自适应滑模控制器的李雅普诺夫稳定性条件。

此外为了解决调整，多个控制器参数的挑战性和费力的任务，我们使用了渐进的粒子群优化算法方法，这种自动调谐方法，使我们能够找到比例积分微分，和其他两个非线性控制器的最佳参数值。

在存在明显风扰动的仿真场景中，获得的结果表明，与传统的试错法调谐的控制器相比，粒子群优化算法调谐控制器具有优越性。

我们必须提到对研究中获得的原始数学模型，进行了更正。需要注意的是，仿真是开发和评估，所提出的方法过程中的初始和基本阶段，在项目的初始阶段，仿真提供了虚拟探索，和验证控制器操作的机会。

方法的验证是一个迭代和渐进的过程，一旦控制器通过仿真得到验证和优化，下一阶段可能涉及在受控实验室环境中进行测试。

如果在项目的后期阶段有必要的资源，甚至可以在物理原型上进行测试，通过这种方式，随着验证的进行和获得更多的实验证据，所提出的方法得到了加强。

结论

研究的组织结构如下：首先介绍了单旋翼无人机的设计和数学模型，其次提出了三种不同的控制器方法，假设悬停飞行条件，然后介绍了用于调谐过程的粒子群优化算法算法。实验结果在最后介绍和讨论，介绍了三个控制器性能的比较研究，总结并介绍了未来的工作。

在未来的工作中，我们的目标是实现先进的姿态控制器，以将其性能与这项工作中使用的性能进行比较。

专家正在构建单旋翼无人机物理原型，以执行控制器的实施，并评估其在实际条件下的性能。还将研究非线性预测控制，和强化学习等其他方案的使用，以改善参考跟踪，系统稳定性和补偿外部干扰的能力。

研究这些技术，将提供对单旋翼无人机行为的更广泛理解，并允许开发更有效、更准确的解决方案。

如果你也喜欢我的文章，不妨点个“关注”吧！小生在此谢过了！

END