基于改进型BP神经网络的四旋翼控制系统 .pdfVIP

基于改进型BP神经网络的四旋翼控制系统

余后明;刘彦臣;郑士振;常建龙

【摘要】为了实现对四旋翼无人机的自稳定控制,首先对四旋翼无人机进行了动力

学建模,提出了一种改变学习率的BP神经网络算法与PID控制相结合的姿态控制

方法,并在相同环境下与常规PID控制器进行了仿真试验对比.仿真试验结果表明:基

于改进型BP神经网络的PID控制器能够有效地实现无人机的自稳定控制,相比于

常规PID控制器,基于改进型BP神经网络的PID控制器具有响应速度快、超调量

低、鲁棒性强等优点.

【期刊名称】《甘肃科学学报》

【年(卷),期】2019(031)002

【总页数】5页(P87-91)

【关键词】四旋翼无人机;动力学建模;学习率;BP神经网络

【作者】余后明;刘彦臣;郑士振;常建龙

【作者单位】中北大学机电工程学院,山西太原030051;中北大学机电工程学院,山

西太原030051;中北大学机电工程学院,山西太原030051;中北大学机电工程学院,

山西太原030051

【正文语种】中文

【中图分类】V279

四旋翼无人机的自主飞行技术在农业植保、森林火灾勘察、军事侦察等方面都有着

极为广泛的应用场景。然而四旋翼无人机是一个典型的具有4个控制输入和6个

输出的非线性欠驱动系统,而一般的控制系统并不能达到期望的控制效果。目前最

常用的控制方法为PID控制,由于四旋翼无人机在执行任务时经常会遇到意外的环

境变量,如果要使其稳定飞行的话就得实时对Kp、Ki、Kd3个参数进行在线整定,

但常规PID控制器却无法满足此需求[1-3]。而BP神经网络具有强大的非线性映

射能力,能够进行自学习和并行处理。研究是在BP神经网络的基础上,采用改变学

习率η的方法对BP神经网络算法进行了改进,使得基于此算法的PID控制器的3

个参数能够进行在线整定,以此来达到对四旋翼无人机的自适应控制。仿真结果表

明,改进型BP神经网络算法的PID控制器具有良好的稳定性和自适应性。

1四旋翼飞行器系统建模

首先建立地面坐标系B(Xa,Ya,Za)与机体坐标系E(Xb,Yb,Zb),如图1所示。

图1地面坐标系与机体坐标系Fig.1Groundcoordinatesystemandbody

coordinatesystem

图1中机体坐标系与地面坐标系之间的夹角为欧拉角(θ,φ,ψ),分别表示俯仰角、横

滚角和偏航角,由此可推导出机体坐标系与惯性坐标系之间的转换矩阵R:

(1)

其中:C和S分别表示三角函数cos和sin函数。

设在地面坐标系下四旋翼无人机的坐标为G=[x,y,z],则由牛顿运动学定律和转动学

定律可推导四旋翼无人机的动力学方程如下:

(2)

其中:I表示转动惯量;F表示各旋翼产生的力;l表示四旋翼无人机的质心到各旋翼之

间的距离;u1、u2、u3、u4分别表示垂直、滚转、俯仰、偏航4个通道的控制量,

其表达式为

(3)

通过以上简单推导可知,四旋翼无人机是一个具有六自由度四输入的欠驱动强耦合

非线性系统[4-5],如果采用常规PID控制器的话,将不能很好的适应复杂飞行环境的

变化,因此我们有必要设计一种自适应控制器。

2改进型BP神经网络PID控制器设计

2.1改进型BP神经网络

BP神经网络一般具有多层结构,包括输入层、隐含层和输出层,其中隐含层也可以是

多层,具体与实际系统训练程度相关,而且每一层都可以具有多个节点,也就是可以包

含多个输入与输出值。在PID控制器的设计中,遇到的实际系统一般都是非线性的,

采用BP神经网络算法可以通过梯度下降法来利用梯度搜索的技术使得神经网络的

实际输出值和我们期望的输出值的误差均方差降为最小[6]。

传统的BP神经网络在训练时,大都采用梯度下降法来求解权值和阈值,这种算法是

先初始化一个解,然后在此基础上确定搜索方向和步长,这样初始解就会根据这个搜

索方向和步长进行移动,从而使得待求解的目标函数输出下降,然后不断迭代下去,使

得最后的误差比较小,在此过程中步长的选取显得尤为重要,因为搜索算法确定之后

整个求解过程都是基于此进行计算的,其运行过程是固定不变的,然而步长不一样,如

果步长设置的过大,会使得搜索不仔细,可能引起系统的剧烈震荡,但是设置过小又会

导致收敛速度太慢,从而达不到四旋翼无人机控制系统快速性的要求,所以步长的选

定在这里就显得很重要了。学习