四旋翼轨迹的模糊无模型控制

四旋翼飞行器三维轨迹的自适应模糊无模型控制

摘要

本文提出了一种针对无人驾驶航空器（UAVs）的新型具有干扰抑制能力的自适应控制策略，即模糊无模型控制（FMFC）。该方法基于无模型控制（MFC）思想，通过模糊逻辑在线整定控制参数。控制器采用超局部模型，能够补偿未知/未建模动态、不确定性和外部干扰，从而保证良好的鲁棒性水平。此外，利用模糊逻辑系统的启发式特性，在线调节比例‐微分项。这些补偿与自适应机制使得即使在存在干扰的情况下，也能实现良好的鲁棒性与性能折衷。通过使用RotorS Gazebo微型飞行器（MAV）模拟器进行多项实验，验证了所提出控制器相较于其他技术的有效性。模糊无模型控制器表现出更优的性能，且无需耗时且繁琐的参数整定过程。

关键词 ：微型飞行器；MAV；无模型控制；MFC；模糊逻辑；自适应控制；鲁棒控制。

1 引言

如今，无人驾驶航空器（UAVs）在空中监视（本吉德拉 等，2019a）、跟踪（库巴和库雷希，2018）、无人机互联网（库巴等，2019）、搜救行动（阿洛泰比等，2019）、遥感（本吉德拉等，2019b）、配送等众多服务中发挥着至关重要的作用。这一领域的兴趣已吸引了学术界和工业界研究人员致力于解决其大规模部署相关的问题。目前，多种无人机已被部署或正在开发中。然而，四旋翼飞行器是多旋翼无人机中最受欢迎的构型，这可能归因于其某些特性，如机械结构简单性、垂直起降（VTOL）能力以及高机动性。

在四旋翼飞行器控制的文献中，已开发并成功实现了多种用于姿态稳定和轨迹跟踪的控制技术。早期研究主要集中在线性控制上（布阿贝拉等，2004；莫赫塔里尔等，2005）。然而，由于这些方法基于线性化动力学模型，因此仅限于非敏捷运动。除了线性控制技术外，许多研究人员提出了多种非线性方法来应对四旋翼飞行器的非线性动力学（贝纳勒格等，2006； Bouabdallah 和 Siegwart，2005；Lee 和 Leok，2010）。此外，Lee 和 Kim（2017）也全面地提出并综述了多种方法。

非线性方法具有一定的吸引力，但它们存在对系统动力学模型的依赖问题。其中一个主要问题是缺乏关于非线性强耦合项的精确信息，尤其是在干扰影响下。为了解决这一问题，近年来人们已开始广泛关注开发一种改进技术，以应对这些未知/未建模动态和干扰。在这些引人关注的方法中，弗利斯和乔因（2013）提出的无模型控制（MFC）尤为突出，该方法被称为智能PID（ iPID）。需要注意的是，MFC术语在文献中并非全新，而iPID这一术语此前也曾被使用，但含义有所不同。

1.1 论文贡献

尽管近年来MFC的效率有所提升，但这些改进大多得益于MFC与非线性辅助控制器之间的不同组合。然而，控制系统开发中的主要挑战之一是针对干扰和不确定性的鲁棒性。因此，本文提出了一种具有模糊逻辑自整定PD反馈的新型无模型控制器（FiPD即指模糊逻辑MFC）。在控制过程中对PD增益进行优化，以实现良好的性能。控制作用可根据超局部模型的估计来补偿所有未知/未建模动态、不确定性和干扰。此外，即使存在干扰，本文还深入研究了与模糊逻辑PID和经典MFC相比的鲁棒性水平。

此外，控制问题根据多旋翼系统微型飞行器（ MAV）的动态结构被划分为两个层次。低层级（内环）包含姿态控制器，并计算每个旋翼的角速度。高层级控制器（外环）负责位置控制器，并生成期望的横滚和俯仰角。所提出的高层级控制器策略用于控制四旋翼飞行器的位置，以确保对期望轨迹的跟踪。特别关注基于多个性能指标（如积分平方误差（ISE）和积分平方控制输入（ISCI））的跟踪精度和能耗。

此外，为了评估所提策略，使用了RotorS Gazebo MAV模拟器（Furrer等人，2016年）框架，该框架允许在仿真和实际应用中使用相同的控制器算法及其参数。

1.2 结构概述

本文的其余部分组织如下：第2节简要介绍了MFC方法及其相关工作。第3节描述了四旋翼飞行器动力学模型。第4节提出了所提出的控制策略。第5节通过在多种场景下使用真实感模拟器进行实验验证，以支持本论文的主要目标。结论在第6节中给出。

2 简要背景和相关工作

最初，MFC 的基本原理由弗利斯和乔因（Fliess 等，2006；布尔代等，2007）提出。该技术的基本思想是利用观测机制在线估计超局部模型，该模型表示系统动力学模型以及未知/未建模动态、不确定性和外部干扰的总和。需要注意的是，这种估计仅在短时间内有效。

通常，MFC 还使用线性/非线性控制技术之一作为辅助输入。在大多数情况下，由于其简单性和效率，可以使用线性控制器。否则，必须使用非线性控制器来处理系统的非线性项并实现特定的控制性能。

这种控制方法的主要优点在于，它不需要对系统动态有深入了解，而这些系统的参数很难通过系统辨识相对准确地确定。因此，该方法可以轻松应用于未知/复杂系统的控制。

已开展多项研究，包括谢莫里（2017）的工作，其设计了一种基于无模型控制的控制结构，用于处理惯性轮倒立摆稳定极限环生成中的欠驱动问题。实时实验表明所提出的控制策略的有效性及其对外部干扰的抑制能力。阿布艾萨和乔拉基（2019）还将无模型控制器应用于六自由度PUMA‐560六自由度机械臂，以跟踪期望轨迹。仿真结果表明，该无模型控制器能够鲁棒地提供出色的跟踪性能。哈达尔等（2019）提出了一种基于鲁棒 MFC策略的智能PD控制器，用于衰减由路面干扰输入在车辆悬架系统中引起的振动。

对于四旋翼飞行器系统，实施了MFC。它与LQR反馈控制器结合，并由阿尔尤尼斯等（2014）在真实的 Qball‐X4四旋翼飞行器上进行了测试。实际飞行控制结果验证了采用MFC的重要性。同一批作者提出了一种非线性积分反步控制器与无模型控制器相结合的方法（Al Younes et al., 2016）。该组合在期望路径的跟踪能力、稳定性以及存在执行器故障情况下的鲁棒性方面，相较于其他控制技术表现出更优越的性能。王等（2016）开发了一种基于模型自由的终端滑模控制（MFTSMC），以在有限时间内消除跟踪误差。仿真结果表明， MFTSMC在上升时间、稳态误差、鲁棒性和抗干扰能力方面优于PID、反步法、滑模控制和iPID控制。布齐德等（2018年）基于MFC方法，通过在线扰动补偿推导出一种改进的基于能量的控制方法。该方法在多种场景下的效率得到了验证。针对参数不确定性或外部干扰，保证了高水平的鲁棒性。李等（2018）开发了一种使用自适应比例微分的MFC在存在外部干扰的情况下，采用比例微分滑模控制。贝切娃等人（2018）在存在未知时变干扰的情况下，针对剧烈轨迹的跟踪，在一个逼真的四旋翼飞行器模型上测试了级联MFC。

3 四旋翼飞行器动力学模型

本节介绍了一种基于王（2013）模型的动态模型，该模型使用牛顿‐欧拉方法描述四旋翼飞行器。然而，做了一些假设：

假设1 ：飞行器框架和螺旋桨是刚性的且高度对称。

假设2 ：机体坐标系的原点与飞行器的质心重合。

假设3 ：旋翼的动力学响应非常快，因此将被忽略。

设 I ={xi, yi, zi} 表示惯性坐标系，B ={xb, yb, zb} 表示机体坐标系（见图1）。

从机体坐标系到惯性坐标系的姿态可以用旋转矩阵R(1)来描述。

本文采用的旋转顺序为偏航（ψ）、俯仰（θ）、滚转（），分别绕z、y和x轴进行。

$$
R = \begin{bmatrix}
c\psi c\theta & s\phi s\theta c\psi - c\phi s\psi & c\phi s\theta c\psi + s\phi s\psi \
c\psi s\theta & s\phi s\theta s\psi + c\phi c\psi & c\phi s\theta s\psi - s\phi c\psi \
-s\theta & s\phi c\theta & c\phi c\theta
\end{bmatrix}
$$

其中 $c(.) = \cos(.)$ 且 $s(.) = \sin(.)$。

基于前述假设，并利用牛顿‐欧拉定律将四旋翼飞行器的运动与作用在机体坐标系上的外力和力矩之和相关联，可得到如下方程：

$$
\begin{bmatrix}
mI_{3\times3} & O_{3\times3} \
O_{3\times3} & J
\end{bmatrix}
\begin{bmatrix}
\dot{V_b} \
\dot{\omega_b}
\end{bmatrix}
+
\begin{bmatrix}
\omega_b \times mV_b \
\omega_b \times J\omega_b
\end{bmatrix}
=
\begin{bmatrix}
F_b \
M_b
\end{bmatrix}
$$

其中
- m 是四旋翼飞行器的质量
- $O_{3×3}$ 是一个 $3×3$ 的零矩阵，×表示叉积
- $J \in \mathbb{R}^{3×3}$ 是关于重心的惯性矩阵，根据假设1，惯性矩阵变为 $J = diag(J_x, J_y, J_z)$
- $V_b=[u, v, w] \in \mathbb{R}^{3×1}$ 是四旋翼飞行器的线速度
- $\omega_b=[p, q, r] \in \mathbb{R}^{3×1}$ 是机体坐标系中的角速度
- $F_b=[F_x, F_y, F_z]$ 和 $M_b=[M_x, M_y, M_z]^T \in \mathbb{R}^{3×1}$ 分别是作用在四旋翼飞行器上的外力和外力矩，均在机体坐标系中表示。

由于四旋翼飞行器模型包含旋转运动和平动运动，利用机体坐标系中线加速度与力之间的关系，可通过以下方程计算平动运动：

$$
\begin{bmatrix}
\ddot{x}_b \
\ddot{y}_b \
\ddot{z}_b
\end{bmatrix}
=
\frac{1}{m}
\begin{bmatrix}
F_x + qw - rv \
F_y + ru - pw \
F_z + pv - qu
\end{bmatrix}
$$

此外，该方程将总外力描述如下：

$$
F_b = R^{-1} \begin{bmatrix}
0 \
0 \
T
\end{bmatrix}
+ \begin{bmatrix}
\sum_{i=1}^4 H_{ix} \
\sum_{i=1}^4 H_{iy} \
-G
\end{bmatrix}
$$

其中：
- $G = –mg$ 是惯性坐标系中沿 $z_i$ 轴的重力，g 为重力加速度。此处，惯性坐标系中的力可通过旋转矩阵 $R^{-1} = R^T$
- $H_{ix}$ 第i个旋翼沿 $x_b$ 轴的桨毂力，$H_{iy}$ 第i个旋翼沿 $y_b$ 轴的桨毂力，$T_i$ 第i个旋翼沿 $z_b$ 轴的推力。

然后，根据公式(5)，通过机体坐标系中力矩与角加速度之间的关系推导出转动运动。

$$
\begin{bmatrix}
J_x \dot{p} + (J_z - J_y)qr \
J_y \dot{q} + (J_x - J_z)pr \
J_z \dot{r} + (J_y - J_x)pq
\end{bmatrix}
= M_b
$$

否则，总力矩 $M_b=[M_x My M_z]^T$ 可以表示如下：

$$
M_b = \begin{bmatrix}
\mathcal{M} \phi + \mathcal{B}_x + \Gamma_x \
\mathcal{M} \theta + \mathcal{B}_y + \Gamma_y \
\Theta
\end{bmatrix}
$$

其中
- $\mathcal{M} \phi$ 和 $\mathcal{M} \theta$ 分别是绕 $x$ 轴和 $y$ 轴的滚转力矩和俯仰力矩；它们可以描述为：
$$
\mathcal{M} \phi = l(T_2 - T_4), \quad \mathcal{M} \theta = l(T_3 - T_1)
$$
其中$\lambda$是臂长。
- $\Theta$是偏航力矩
- $\mathcal{B} x$ 和 $\mathcal{B}_y$ 分别是 $i$th 旋翼沿 $x$ 轴和 $y$ 轴的桨叶挥舞力矩
- $\Gamma_x$定义为沿x轴的陀螺力矩：
$$
\Gamma_x = \sum {i=1}^4 (-1)^{i+1} J_r p \Omega_i
$$
其中 $J_r$ 是旋翼的惯性。
- $\Gamma_y$是沿y轴的陀螺力矩，其表达式为：
$$
\Gamma_y = \sum_{i=1}^4 (-1)^{i+1} J_r q \Omega_i
$$

另一方面，表示四旋翼飞行器在机体坐标系中的角速度 $\omega_b=[p、q、r]^T$与惯性坐标系中角速度 $[\dot{\phi}, \dot{\theta}, \dot{\psi}]^T$ 之间关系的方程如下所示：

$$
\begin{bmatrix}
p \
q \
r
\end{bmatrix}
=
\begin{bmatrix}
1 & 0 & -s\theta \
0 & c\phi & s\phi c\theta \
0 & -s\phi & c\phi c\theta
\end{bmatrix}
\begin{bmatrix}
\dot{\phi} \
\dot{\theta} \
\dot{\psi}
\end{bmatrix}
$$

在平衡状态附近，采用小角度假设，其中 $\cos\phi ≈ 1$、 $\cos\theta ≈ 1$ 和 $\sin\phi ≈ \sin\theta ≈ 0$。因此，根据 Mokhtaril 等人 (2005) 可得以下结果：

$$
\begin{bmatrix}
p \
q \
r
\end{bmatrix}
\approx
\begin{bmatrix}
\dot{\phi} \
\dot{\theta} \
\dot{\psi}
\end{bmatrix}
$$

$\Xi=[x，y，z]^T$ 表示四旋翼飞行器在惯性坐标系中的位置。以下是完整的四旋翼无人机的数学模型（Bouabdallah 和 Siegwart，2005；Lee 和 Leok，2010）：

通常假设推力和阻力与旋翼转速的平方成正比：
$$
T_i = C_f \Omega_i^2 = C_m \Omega_i^2
$$
其中$C_f |m$是气动系数。

$$
\begin{bmatrix}
\ddot{x} b \
\ddot{y}_b \
\ddot{z}_b
\end{bmatrix}
=
\frac{1}{m}
R^{-1}
\begin{bmatrix}
0 \
0 \
\sum {i=1}^4 T_i
\end{bmatrix}
+
\begin{bmatrix}
-\frac{1}{m}\sum_{i=1}^4 H_{ix} \
-\frac{1}{m}\sum_{i=1}^4 H_{iy} \
-g
\end{bmatrix}
+
\begin{bmatrix}
\rho_x \
\rho_y \
\rho_z
\end{bmatrix}
$$

$$
\begin{bmatrix}
\dot{p} \
\dot{q} \
\dot{r}
\end{bmatrix}
=
J^{-1}
\left(
\begin{bmatrix}
\mathcal{M} \phi \
\mathcal{M} \theta \
\Theta
\end{bmatrix}
-
\begin{bmatrix}
(J_y - J_z)qr \
(J_z - J_x)pr \
(J_x - J_y)pq
\end{bmatrix}
+
\begin{bmatrix}
\Gamma_x \
\Gamma_y \
\Gamma_\psi
\end{bmatrix}
\right)
+
\begin{bmatrix}
\rho_\phi \
\rho_\theta \
\rho_\psi
\end{bmatrix}
$$

此后，输入控制向量定义如下：

$$
\begin{cases}
u_1 = \sum_{i=1}^4 C_f \Omega_i^2 \
u_2 = \lambda \sum_{i=1}^4 C_f \Omega_i^2 (T_2 - T_4) \
u_3 = \lambda \sum_{i=1}^4 C_f \Omega_i^2 (T_3 - T_1) \
u_4 = \sum_{i=1}^4 C_m \Omega_i^2
\end{cases}
$$

众所周知，面向控制的模型忽略了某些力和力矩，例如桨毂力、桨叶挥舞力矩和陀螺力矩。在此近似和上述简化条件下，简化模型可写为如下形式：

$$
\begin{cases}
\ddot{x} = u_1 (c\psi s\theta c\phi + s\psi s\phi)/m + \rho_x \
\ddot{y} = u_1 (c\psi s\theta s\phi - s\psi c\phi)/m + \rho_y \
\ddot{z} = u_1 c\theta c\phi/m - g + \rho_z \
\dot{p} = (J_y - J_z)qr/J_x + u_2/J_x + \rho_\phi \
\dot{q} = (J_z - J_x)pr/J_y + u_3/J_y + \rho_\theta \
\dot{r} = (J_x - J_y)pq/J_z + u_4/J_z + \rho_\psi
\end{cases}
$$

其中 $\Delta=[\rho_x, \rho_y, \rho_z, \rho_\phi, \rho_\theta, \rho_\psi]^T \in \mathbb{R}^{6×1}$ 是一个有界向量，包含未知噪声和干扰。

无人机现代研究往往更关注控制系统，而非系统建模与辨识。此外，控制性能的提升依赖于对系统参数的精确信息。事实上，对于四旋翼飞行器等非线性强耦合系统参数的精确估计通常是不可能的。

4 控制策略

尽管非线性方法表现出更优的性能，但它们需要对系统参数与动力学有充分的了解。由于强耦合项、不确定性和未知外部干扰的影响，难以获得四旋翼飞行器的精确模型。最近，一种有趣的方法被提出以解决该问题（ Fliess 和 Join，2013）。该方法被称为MFC或iPID。

通过不同的非线性控制器变体，该方法的效率已得到提升。

因此，通过模糊逻辑将自整定与自适应机制引入控制器增益，可以提高MFC方法的有效性。从而，三维轨迹跟踪的控制性能以及针对不同干扰的鲁棒性水平也可以得到提升。

4.1 无模型控制

通常，一个非线性n阶单输入单输出（SISO）系统可以用以下形式表示：

$$
x^{(n)} = g(x, \dot{x}, …, x^{(n-1)}) + a u
$$

其中 $g(.)$ 是系统的模型，$u \in \mathbb{R}$是输入且$a \in \mathbb{R}$是未知的输入增益。

MFC的基本思想是通过使用一个简单的模型$F \in \mathbb{R}$来局部逼近方程(13)中描述的系统。

$$
x^{(n)} = F + \lambda u
$$

其中
- $F \in \mathbb{R}$是超局部模型
- $\lambda \in \mathbb{R}$是非物理参数。

需要注意的是，超局部模型F表示系统在时间t处除未知/未建模的动力学、不确定性和干扰之外的动力学模型，并可通过以下方程进行估计：

$$
\hat{F}(t) = x^{(n)}(t) - \lambda u(t - \varepsilon)
$$

其中
- $x(t)$ 是上一个输出。
- $x^{(n)}$ 是 $n$ 阶导数≥ 1 ，其中 $x$。n 的值由控制设计者确定。若干先前案例表明，$n \in \mathbb{N}$应尽可能始终选择最小值（Fliess 和 Join，2013）。
- $\lambda \in \mathbb{R}$是一个用于估计未知输入增益 $a$ 的非物理常数。它由设计者选择以达到特定性能。
- $u(t – \varepsilon)$ 是最新施加的控制输入。
- $\varepsilon$为时间延迟，且 $\varepsilon$ 越小，对超局部模型 $\hat{F}(t)$ 的估计越精确。

超局部模型$\hat{F}$的估计将在每次迭代时在线更新。通常， MFC由于其简单性而使用经典PD控制器作为辅助输入。其形式如下：

$$
u_c(t) = k_p e(t) + k_d \dot{e}(t)
$$

其中，$e(t) = x(t) – x_d(t)$ 表示参考轨迹 $x_d(t)$ 与输出 $x(t)$ 之间的跟踪误差。$k_p$ 和 $k_d$ 分别是比例和微分增益。

全局控制输入 $u$ 由以下给出：

$$
u(t) = \frac{-\hat{F}(t) + x_d^{(n)}(t) + u_c(t)}{\lambda}
$$

根据系统稳定性以及系统中使用的反馈控制器类型（ Fliess 和 Join，2013），已选定n的值。在本研究中，采用了一个二阶系统，其中$n = 2$。此外，时间延迟$\varepsilon$被忽略：

$$
\ddot{x} = F + \lambda u
$$

因此，超局部模型可以估计如下：

$$
\hat{F} = \ddot{x} + \lambda u
$$

最后，图2所示的无模型控制器的控制输入具有以下形式：

$$
u = \frac{-\hat{F} + \ddot{x}_d + k_p e + k_d \dot{e}}{\lambda}
$$

MFC的稳定性 通过将哈达尔等（2019）中的方程(20)代入，我们得到以下关系：

$$
\ddot{x} = \ddot{x}_d + \hat{F} - \hat{F} - k_p e - k_d \dot{e}
$$

如果将F的估计误差$e_{est}$定义为，则可以得到：

$$
\ddot{e} + k_p e + k_d \dot{e} - e_{est} = 0
$$

其中$e_{est} \in \mathbb{R}$是时变的。

否则，每个小的时间间隔h可表示如下：

$$
|e_{est}| \leq \left| \frac{d\hat{x}}{dt} \right| h + \left| \frac{d\hat{u}}{dt} \right| h
$$

通常，在物理系统中，$\frac{d\hat{x}}{dt}$和 $\frac{d\hat{u}}{dt}$是有界的且不等于无穷大，因此可得以下结果：

$$
\left| \frac{d\hat{x}}{dt} \right| \leq X, \quad \left| \frac{d\hat{u}}{dt} \right| \leq U
$$

其中估计值$\hat{x}$应被滤波，如果相对于所选系统动态而言时间间隔h足够小，则$e_{est}$将在一个小范围内有界$|e_{est}| \leq \varepsilon$, $\varepsilon \geq 0$。因此，通过选择适当的增益$k_p$ 和$k_d$，方程(22)中的误差将收敛到该小范围 $\varepsilon$。因此，系统是实际稳定的 （Wang, 2013）。

4.2 模糊逻辑PD控制器

PD控制器的最佳性能取决于控制器增益的最优选择。通常，整定这些增益是一项繁琐的任务。因此，由于模糊逻辑系统的启发式特性和有效性，本文选择使用模糊逻辑系统来整定这些增益。该方法将PD控制器转变为自适应控制器。

隶属度函数的详细信息如图4所示。对于每个输入变量$e$ 和 $\dot{e}$，模糊逻辑系统设计了五个三角形隶属度函数：负大（NL）、负小（NS）、零（ZE）、正小（PS）和正大（PL）。输入变量的隶属度函数包含在论域中。所有输入变量的论域范围具有相同的区间[-1 1]。

对于输出变量，模糊逻辑系统设计了七个三角形隶属度函数，分别为正很小（PVS）、PS、正中小（PMS）、正中（PM）、正中大（PML）、PL和正很大（PVL）。输出变量$k_p$和$k_d$的隶属度函数如图5所示。论域范围可通过试错法选择。在本研究中，它们被选为[0.1 5]之间。

语言规则集是模糊逻辑系统的主要部分。在许多情况下，可以轻松地将专家经验转化为这些规则，并且可以创建任意数量的此类规则来定义系统输出的动作。在其他一些情况下，这些规则可以通过试错法获得。表1–2展示了本文中用于所有可能输入组合以整定PD增益的25条规则。

表1 $k_p$ 的规则

表2 $k_d$的规则

4.3.1 位置控制（外环）

四旋翼飞行器的高度控制输入是四个转子产生的推力，其基于以下方程：

$$
u_1 = \sum_{i=1}^4 T_i
$$

其中推导出的控制律如下所示：

$$
u_1 = \frac{-\hat{F} z + \ddot{z}_d + k {pz} e_z + k_{dz} \dot{e}_z}{\lambda_z}
$$

针对位置x和y的无模型控制由虚拟控制输入$u_x$和$u_y$分别给出。相应的控制律可写为：

$$
u_x = \frac{-\hat{F} x + \ddot{x}_d + k {px} e_x + k_{dx} \dot{e}_x}{\lambda_x}
$$

$$
u_y = \frac{-\hat{F} y + \ddot{y}_d + k {py} e_y + k_{dy} \dot{e}_y}{\lambda_y}
$$

其中

$$
\begin{cases}
\hat{F}_x = \ddot{x} - \lambda_x u_x \
\hat{F}_y = \ddot{y} - \lambda_y u_y \
\hat{F}_z = \ddot{z} - \lambda_z u_1
\end{cases}
$$

4.3.2 姿态控制（内环）

滚转控制输入 $u_2$ 是旋翼1和3之间的推力差。俯仰控制输入 $u_3$ 是旋翼2和4之间的推力差。偏航控制输入 $u_4$ 是两个顺时针旋转旋翼2和4与两个逆时针旋翼1和3之间的扭矩差。PID控制器的输出由以下给出：

$$
\begin{cases}
u_2 = k_{p\phi} e_\phi + k_{i\phi} \int e_\phi dt + k_{d\phi} \dot{e} \phi \
u_3 = k {p\theta} e_\theta + k_{i\theta} \int e_\theta dt + k_{d\theta} \dot{e} \theta \
u_4 = k {p\psi} e_\psi + k_{i\psi} \int e_\psi dt + k_{d\psi} \dot{e}_\psi
\end{cases}
$$

其中

$$
\begin{cases}
e_\phi = \phi - \phi_{des} \
e_\theta = \theta - \theta_{des} \
e_\psi = \psi - \psi_{des}
\end{cases}
$$

期望偏航角 $\psi_{des}$ 由操作员或轨迹生成器给出，而期望横滚角 $\phi_{des}$ 和俯仰角 $\theta_{des}$ 则由公式(30)生成：

$$
\begin{cases}
\phi_{des} = \frac{1}{\cos\theta} (u_x \sin\psi - u_y \cos\psi)/g \
\theta_{des} = \frac{1}{\cos\phi} (u_x \cos\psi + u_y \sin\psi)/g
\end{cases}
$$

5 结果与讨论

在本研究中，选择AscTech蜂鸟四旋翼飞行器进行实验。表3列出了四旋翼飞行器参数。此外，由于位置与姿态动力学之间存在强耦合，假设偏航角为零。所提出的控制策略与另外两种控制技术——模糊逻辑PID控制和无模型控制iPD进行了比较，以说明所提出控制器的有效性。

5.1 实验设置

所有实验均在一台配备 Intel® CoreTM i5‐2410M CPU @ 2.30 GHz × 4、8 GB内存 和 600 GB硬盘 的笔记本电脑上进行，使用 RotorS Gazebo MAV模拟器。该框架允许在仿真和实际应用中使用相同设计的控制器及其参数。此外，将模糊无模型控制器集成到机器人操作系统 (ROS)中的策略是创建一个ROS节点以实现控制器与 ROS的接口，而无模型控制则是使用 C++(Chekakta等人，2019) 实现的。模糊逻辑节点在 MATLAB/Simulink模块 中实现，并通过自动代码生成提取出节点包。本研究中使用的底层姿态PID控制器节点此前由 Kamel等人（2016） 为模型预测控制所实现。四旋翼飞行器的初始位置为 $x = 0$(m)，$y = 0$(m)，$z = 0.06$(m)。

表3 AscTech蜂鸟四旋翼飞行器参数

表4 无模型控制器增益（P：参数，V：值）

5.2 深入的轨迹跟踪分析

在本实验中，使用了一个方形轨迹（2 m × 2 m）作为参考轨迹（图7），其数学表达式可在附录中找到。

进行了几种实际场景以展示所提出的控制策略的有效性。这些场景如下：

1. 基本场景（标称情况） ：在此场景中，四旋翼飞行器应在无任何外部干扰的理想条件下跟踪期望轨迹。

2. 参数不确定性 ：精确的参数估计以及对四旋翼飞行器动力学的充分了解通常难以获得。因此，假设气动系数和惯性元件的值比实际值低估了50%。控制技术应能够容忍系统参数中的不确定性。

3. 有效载荷 ：在此场景中，我们假设四旋翼飞行器携带了0.3千克的额外重量。即使存在质量变化，控制器也应能够生成适当的控制 effort 以跟踪期望轨迹。

4. 风扰动 ：由于平动运动中的欠驱动特性，风扰动对四旋翼飞行器控制问题是一个重大挑战。为了进一步理解这一情况，如果在x轴方向出现持续且恒定的风扰动，四旋翼飞行器必须保持较小的俯仰角以使其维持在期望的 x位置。在此情况下，为了测试风扰动鲁棒性，在x方向施加了未知且时变的外部风扰动，并在y方向施加了围绕图8所示线速度的恒定风。

对于基本场景，沿x、y和z轴的跟踪误差、期望横滚角$\phi_{des}$ 以及俯仰角 $\theta_{des}$ 的生成由外环（高层控制器）使用虚拟控制输入 $u_x$、$u_y$ 绘制，最后一个图是控制 effort（推力 $\Gamma$）。

图9展示了在基本场景中获得的结果。根据图9(a)–9(c)中的曲线可以看出，所提出的FiPD控制器能够以较小的误差实现对期望轨迹的跟踪，其性能与无模型控制（iPD）大致相同。然而，模糊逻辑PID的跟踪精度最低。此外，从图9(f)中的推力曲线（控制effort）可以看出能耗情况：FiPD和iPD相比模糊逻辑PID消耗更少的能量，原因是初始测量高度位置z为3.06 m。此时，控制器计算出的z位置初始误差为0.06。在图9(c)中，所提出的控制器和无模型控制对此误差进行处理，在控制器接收到期望轨迹并开始起飞之前不会产生控制effort；而模糊逻辑PID即使在没有输入期望高度的情况下也会生成控制effort信号。此外，在四旋翼飞行器着陆后，所提出的控制器和iPD将生成零控制effort信号，而模糊逻辑PID仍持续生成控制effort。图9(d)–9(e)中的曲线显示了为实现沿x轴和y轴运动而提供给底层姿态控制器的期望俯仰角和滚转角。

总体而言，以轨迹跟踪精度作为性能标准，所提出的FiPD控制器相较于其他技术表现出更优越的性能。这得益于超局部模型提供的补偿机制以及模糊逻辑系统获得的自适应技术。此外，值得注意的是，所提出的 FiPD控制器具有鲁棒性，能够抑制来自环境的干扰。

为了更深入地分析鲁棒性，引入了两个指标：积分平方误差（ISE）用于量化轨迹跟踪误差，ISCI 用于量化能耗。这两个指标定义如下：

• $ISE = \int_0^{t_f} (e_x^2(t) + e_y^2(t) + e_z^2(t)) dt$
• $ISCI = \int_0^{t_f} u_1^2(t) dt$

表5 深入比较

5.3 剧烈轨迹

最后一次实验采用剧烈轨迹来测试所提策略在激进运动情况下的有效性。剧烈轨迹的表达式见附录。图11(a)和11(c)显示了三维跟踪结果，以及在x‐y平面内的二维图11(b)和11(d)。此外，在第一种情况下，假设环境为理想状态（标称情况），无外部干扰发生。图11(a)–(b)（基本场景）所示的结果表明，FiPD控制器相比iPD和模糊逻辑PID控制器具有最佳性能。在第二种情况下，将前述风扰动引入环境中。图11(c)（风扰动）显示了在x‐y平面内的结果，对应于图11(d)（风扰动）。可以看出， FiPD技术相较于其他技术表现出令人满意的结果。

6 结论

本文提出了一种用于无人机的新型FMFC。控制器设计的目的是确保对预定义轨迹的跟踪，而无需详细了解动力学模型和物理系统参数。

此外，还在各种实际场景下对控制性能进行了全面评估，以检验和展示所提策略相对于传统无模型控制 iPD和模糊逻辑PID的跟踪能力。所提出的FiPD控制器在其他技术中表现出更优越的性能。

所提出的基于无模型控制的控制方法的性能取决于对超局部模型的良好估计。此外，在控制过程中整定增益参数可提高鲁棒性水平。然而，由于计算合适增益所需的时间延迟，可能会影响超局部模型的估计。需要注意的是，为避免时间延迟并保持良好的估计，在线计算控制器增益的算法复杂性显著增加。

作为未来工作，鉴于所提策略的较低复杂性和更好性能，实验将在真实四旋翼上进行。此外，我们旨在开发其他控制方法，例如非线性无模型控制。通过比较这些方法，我们将根据干扰敏感性、鲁棒性、功耗等多个基于性能的方面仔细选择最佳方案。