一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法

本发明涉及无人飞行器控制、海上应急救援装备控制、智能控制、事件触发控制、执行器约束控制和神经网络自适应控制，具体而言，尤其涉及一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法。

背景技术：

1、随着无人系统、海上应急装备与智能救援技术的快速发展，四旋翼飞行救生装备凭借垂直起降、悬停机动、部署灵活和运行成本较低等优势，已广泛应用于搜索监测、目标识别、物资投送和应急响应等任务，并成为构建海、空、陆、潜协同救援体系的重要技术载体。在海上搜救场景中，飞行救生装备能够在传统救生艇等难以及时抵达的区域快速展开搜索与先期救援，从而显著提升救援响应效率。

2、然而，海上环境通常伴随阵风、浪涌、平台晃动、通信受限和执行器物理约束等不利因素，这使得飞行救生装备在执行悬停搜索、轨迹跟踪和定点投送任务时，容易出现姿态波动放大、控制输入受限和通信资源紧张等问题。因此，研究复杂约束条件下飞行救生装备的高性能姿态跟踪控制方法，具有重要的理论意义和工程价值。在此类任务中，姿态控制是完成悬停、接近和投送等操作的内环基础，上层运动指令的执行最终依赖于滚转、俯仰和偏航姿态的稳定、准确响应。

3、现有四旋翼姿态与轨迹控制方法已从动力学建模和经典非线性控制逐步发展至鲁棒控制、自适应控制、观测器辅助控制和智能控制。尽管已有研究在提高四旋翼系统快速性、精度和抗扰性方面取得了较多成果，但多数方法仍侧重于无明显网络约束或仅考虑单一约束条件下的控制设计。网络化实现条件下的通信与传输约束逐渐成为飞行救生装备控制设计中不可回避的问题；若控制器在每个采样时刻均更新并传输控制指令，将增加通信负担和执行器频繁动作。

4、同时，实际飞行救生装备的电机推力、控制力矩和供能能力均存在物理上限，执行器幅值约束通常表现为控制输入饱和，并可能在大扰动或快速机动条件下引起控制性能下降，严重时甚至破坏闭环稳定性。此外，海上救援任务中的飞行装备还不可避免地受到模型不确定性、耦合项和外部扰动影响。rbf神经网络虽可用于未知非线性的在线逼近，但在海上复杂环境中，海况与气流扰动往往包含显著高频成分，若神经网络权值更新对高频误差信息过于敏感，仍可能引起估计振荡和控制输入抖振。

5、因此，有必要提出一种能够在统一控制框架下同时处理模型不确定性、外部扰动、执行器幅值约束、事件触发更新约束和神经网络权值高频振荡问题的飞行救生装备姿态跟踪控制方法。

技术实现思路

1、根据上述提出海上应急救援场景下飞行救生装备在模型不确定、外部扰动、执行器饱和和通信资源受限条件下姿态控制精度下降、控制输入频繁更新、神经网络估计振荡以及执行器约束补偿不足的技术问题，提供一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法。本发明在小角度假设下建立飞行救生装备姿态动力学简化模型，将模型耦合项、参数摄动、未建模动态、简化建模误差和外部扰动统一为总不确定项；定义姿态跟踪误差和滑模面，利用rbf神经网络在线逼近所述总不确定项；引入低频学习技术，通过低频权值估计约束快速权值更新；设计事件触发控制机制以减少控制更新和信号传输；构造执行器饱和模型和辅助动态系统补偿执行器约束；最后生成事件触发执行器约束控制律，并利用lyapunov稳定性理论证明闭环系统稳定性和无zeno行为。

2、本发明采用的技术手段如下：

3、一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法，包括：

4、s1、在小角度假设下建立飞行救生装备姿态动力学简化模型，获取飞行救生装备的姿态角向量、机体系角速度向量、转动惯量矩阵、控制输入信号和外部扰动力矩，并将模型耦合项、参数摄动、未建模动态、简化建模误差及外部扰动合并为总不确定项；

5、s2、根据实际姿态角与期望姿态轨迹定义姿态跟踪误差，构造线性滑模面，并获得包含总不确定项、控制输入和参考轨迹加速度的滑模面动态方程；

6、s3、构造rbf神经网络对所述总不确定项进行在线逼近，定义理想权值矩阵、基函数向量、逼近误差和估计权值矩阵，并引入低频权值估计矩阵，设计低频学习自适应律；

7、s4、设计事件触发保持机制，定义事件触发误差和分通道触发阈值，使控制输入在相邻触发时刻之间保持上一触发时刻的值不变，并在触发误差达到阈值时更新控制输入；

8、s5、建立执行器幅值饱和模型，定义执行器约束引起的饱和误差，并构造辅助动态系统补偿执行器饱和对闭环姿态控制性能造成的不利影响；

9、s6、定义控制律中间变量，结合rbf神经网络估计值、鲁棒双曲正切项、事件触发误差补偿项和辅助动态系统状态，生成事件触发执行器约束姿态跟踪控制律；

10、s7、基于lyapunov稳定性理论构造包含滑模面、神经网络权值估计误差、低频权值估计误差和辅助动态系统状态的lyapunov函数，证明闭环系统所有信号一致最终有界且姿态跟踪误差收敛至原点附近小邻域；

11、s8、基于事件触发误差导数有界性证明任意相邻触发时刻之间存在正下界，从而排除zeno行为；

12、s9、设置飞行救生装备转动惯量、初始状态、控制参数、rbf神经网络参数、事件触发阈值、执行器饱和上下界、外部扰动和参考姿态轨迹，通过姿态跟踪任务和姿态镇定任务验证所述飞行救生装备姿态跟踪控制方法的有效性。

13、进一步地，步骤s1，包括：

14、s11、定义飞行救生装备的惯性坐标系和固连于飞行救生装备质心处的机体坐标系，定义滚转角、俯仰角和偏航角，定义四个旋翼产生的升力分别为，相邻旋翼按照相反方向旋转，以平衡反扭矩并实现姿态调节；

15、s12、建立姿态运动学方程，如下：

16、

17、其中，为姿态角向量，为机体系角速度向量，为姿态运动学变换矩阵；

18、s13、建立姿态动力学方程，如下：

19、

20、其中为飞行救生装备转动惯量矩阵，为系统控制输入信号，为外部扰动力矩；

21、s14、根据飞行救生装备主要服务于低空投送、近距离悬停与定点救援任务场景，且系统通常工作在相对平稳的小姿态角范围内、不涉及剧烈翻滚或大机动动作的特点，在不损失主要控制特性的前提下采用小角度假设，将姿态运动学方程简化为：

22、

23、s15、定义状态向量，如下：

24、

25、其中，为滚转角速度，为俯仰角速度，为偏航角速度；

26、s16、将姿态动力学方程展开为：

27、

28、s17、将飞行救生装备姿态系统写为：

29、

30、其中，为控制效率矩阵，为滚转通道的控制效率系数，为俯仰通道的控制效率系数，为偏航通道的控制效率系数；为集总非线性项与模型不确定性，表示参数摄动、未建模动态及简化建模误差；为外部扰动项；

31、s18、将模型耦合项、参数摄动、未建模动态、简化建模误差和外部扰动合并为总不确定项，得到等价二阶姿态模型，如下：

32、

33、其中，为总不确定项；

34、s19、设定期望姿态轨迹，如下：

35、

36、其中，为期望滚转角，为期望俯仰角，为期望偏航角；

37、s110、设定期望姿态轨迹至少三阶连续可导，并满足均有界，即存在正常数，使得：

38、

39、其中，为期望姿态轨迹向量，为期望姿态轨迹的一阶导数，为期望姿态轨迹的二阶导数，为期望姿态轨迹的三阶导数，均为正常数，分别表示对应各阶导数的上界。

40、进一步地，步骤s2，包括：

41、s21、根据实际姿态角和期望姿态轨迹，定义跟踪误差，如下：

42、

43、其中，为姿态跟踪误差向量，为期望姿态轨迹向量；

44、s22、根据小角度假设下的姿态运动学关系，定义跟踪误差导数，如下：

45、

46、s23、根据定义的跟踪误差和跟踪误差导数，构造线性滑模面，如下：

47、

48、其中，为选取的正定对角矩阵，，为滚转通道滑模面，为俯仰通道滑模面，为偏航通道滑模面；

49、s24、对构造的线性滑模面求导，得到：

50、

51、s25、定义总不确定项，将总不确定项写入滑模面动态：

52、

53、其中，为总不确定项，为rbf神经网络输入向量；

54、s26、定义双曲正切向量，如下：

55、

56、其中，，，均为鲁棒项边界参数；

57、s27、将滑模面动态中的乘积项展开为：

58、

59、其中，为控制律设计参数矩阵，为鲁棒补偿增益向量，为鲁棒项边界参数。

60、进一步地，步骤s3，包括：

61、s31、在闭环系统运行的紧集上，设定总不确定项连续，并利用rbf神经网络通用逼近性质对其进行在线逼近；

62、s32、设定存在理想权值矩阵和rbf基函数向量，使得：

63、

64、其中，为神经网络逼近误差，；

65、s33、设定神经网络逼近误差满足按元素有界条件，即存在正常数向量，使得，同时设定存在正常数，使得：

66、

67、s34、将第个rbf基函数设置为：

68、

69、其中，为神经网络输入向量，为第个隐含层节点中心，为高斯基函数宽度；

70、s35、利用估计权值矩阵，构造总不确定项估计值，如下：

71、

72、s36、定义理想权值估计误差，如下：

73、

74、s37、考虑理想权值不可得，且传统直接权值估计容易受海上高频扰动影响而产生估计振荡和控制输入抖振，引入低频权值估计误差，如下：

75、

76、将低频权值估计矩阵作为的一阶低通滤波输出，并用以约束快速变化的直接权值估计，从而抑制海上环境中高频扰动对神经网络估计和控制响应的影响；

77、s38、设计神经网络权值低频学习自适应律，如下：

78、

79、其中，为设计常数，为正定对称对角参数矩阵；

80、s39、在所述神经网络权值低频学习自适应律中，将作为泄漏修正项以抑制权值漂移，将作为低频耦合项以约束快速权值估计与低频权值估计之间的差异，从而削弱权值更新造成的高频振荡。

81、进一步地，步骤s4，包括：

82、s41、为节省输入信号的通信量，设计事件触发保持策略，使得在相邻触发时刻之间控制输入保持上一触发时刻的控制命令：

83、

84、其中，为事件触发保持输入，为第个触发时刻计算的控制律值，为第个事件触发时刻，为下一个事件触发时刻，为相邻两次触发之间的时间区间；

85、s42、基于设计的事件触发保持策略，定义事件触发误差，如下：

86、

87、s43、设置分通道触发阈值向量，并确定下一触发时刻：

88、

89、s44、当时，设置；当时，不传输新的控制输入信号，控制器的值保持不变，以减少不必要的信号传输和控制执行；当任一通道满足触发阈值时，确定当前时刻为下一触发时刻并更新控制输入；

90、s45、引入连续时变系数向量，使其满足：

91、

92、并得到触发保持输入的等价形式，如下：

93、

94、其中，为hadamard乘积，用于表示分通道触发阈值与连续时变系数之间的按元素乘法。

95、进一步地，步骤s5，包括：

96、s51、基于电机输出极限和允许控制力矩范围，建立执行器幅值饱和模型，如下：

97、

98、其中，为实际控制输入向量，为饱和函数，为事件触发保持输入，为执行器控制力矩上界，为执行器控制力矩下界；

99、s52、定义执行器约束引起的饱和误差，如下：

100、

101、其中，为执行器饱和误差向量，为滚转通道饱和误差，为俯仰通道饱和误差，为偏航通道饱和误差；

102、s53、设定饱和误差在闭环系统运行紧集内有界，即存在正常数向量，使得：

103、

104、s54、为补偿执行器约束对控制输入造成的影响，为每一姿态通道设计辅助动态系统状态：

105、

106、其中，为辅助动态系统状态向量，为滚转通道辅助动态系统状态，为俯仰通道辅助动态系统状态，为偏航通道辅助动态系统状态；

107、s55、构造辅助动态系统，对辅助动态系统状态进行求导，如下：

108、

109、其中，为辅助动态系统的非线性函数；

110、s56、对任一姿态通道，将辅助动态系统逐元素定义为：

111、

112、其中，为辅助动态系统设计参数，为小设计常数；

113、s57、结合事件触发保持机制和执行器饱和模型，将实际控制输入表示为：

114、

115、s58、将实际输入等价表示为：

116、

117、其中，为连续时变系数向量，为分通道触发阈值向量。

118、进一步地，步骤s6，包括：

119、s61、定义控制律中间变量，如下：

120、

121、s62、由定义的控制律中间变量得到：

122、

123、其中，为总不确定项的rbf神经网络估计值；

124、s63、定义神经网络估计误差，如下：

125、

126、s64、基于定义的神经网络估计误差，将滑模面动态写为：

127、

128、s65、利用双曲正切函数性质：对于任意实数和任意正常数，有：

129、

130、s66、对每个姿态通道的鲁棒项进行界定，有：

131、

132、其中，为第个姿态通道的鲁棒补偿增益，为第个姿态通道的滑模面变量，为第个姿态通道的双曲正切函数宽度参数，为双曲正切引理常数；

133、s67、得到界定后的每个姿态通道的鲁棒项的向量形式，如下：

134、

135、s68、由于神经网络逼近误差满足，则：

136、

137、s69、令，当按元素成立时：

138、

139、s610、设定滑模面动态上界，如下：

140、

141、s611、设置事件触发阈值补偿向量，并定义：

142、

143、s612、生成事件触发执行器约束控制律，如下：

144、

145、其中，为辅助动态系统反馈增益矩阵，为滚转通道辅助动态系统设计参数，为俯仰通道辅助动态系统设计参数，为偏航通道辅助动态系统设计参数；

146、s613、将事件触发执行器约束控制律输入事件触发保持器得到，再经执行器饱和环节得到实际控制输入，从而形成完整的事件触发执行器约束姿态跟踪闭环控制结构。

147、进一步地，步骤s7，包括：

148、s71、对于任意和任意正常数，有：

149、

150、s72、若，则对于任意向量采用如下矩阵特征值不等式：

151、

152、s73、采用低频学习权值误差关系：当时，存在正常数，使：

153、

154、s74、设置控制器参数满足按元素成立；设置辅助动态系统参数满足，并使矩阵，其中，为辅助动态系统分析矩阵，为滚转通道辅助分析参数，为俯仰通道辅助分析参数，为偏航通道辅助分析参数；

155、s75、构造lyapunov函数，如下：

156、

157、s76、计算构造的lyapunov函数的导数并得到：

158、

159、s77、代入控制律并结合实际输入，得到：

160、

161、其中，为有效鲁棒增益向量，为带参数的双曲正切向量函数；

162、s78、利用双曲正切界和得到：

163、

164、进而得到：

165、

166、其中，为双曲正切宽度参数向量；

167、s79、计算和的导数，如下：

168、

169、

170、其中，为自适应律正定对称参数矩阵，为泄漏修正项设计常数，为低频耦合项设计常数，为滑模面相关的负定项，为泄漏修正项，为低频耦合项；

171、s710、将和合并，得到：

172、

173、s711、由于，则有：

174、

175、s712、利用不等式，得到：

176、

177、因此，；

178、s713、针对辅助动态系统，定义辅助动态系统总分析项，如下：

179、

180、其中，为第通道的辅助动态系统分析项，为第通道执行器饱和误差；

181、s714、当时，则有：

182、

183、从而得到，其中，为第通道的控制效率系数；

184、s715、当时，，并有：

185、

186、其中，为辅助动态系统收敛参数，为有界聚合常数项，为第通道饱和误差上界；

187、s716、定义辅助动态系统分析参数，并取，得到：

188、

189、s717、令且，得到：

190、

191、其中，为辅助动态系统收敛速率矩阵，为滚转通道辅助动态系统收敛参数，为俯仰通道辅助动态系统收敛参数，为偏航通道辅助动态系统收敛参数，为辅助动态系统总聚合常数项，为滚转通道辅助动态系统分析常数项，为俯仰通道辅助动态系统分析常数项，为偏航通道辅助动态系统分析常数项；

192、s718、综合各项得到lyapunov导数如下：

193、

194、其中，；

195、s719、取，得到：

196、

197、s720、利用低频学习权值误差关系，存在，使：

198、

199、其中，为神经网络权值估计误差与低频权值估计误差对应的lyapunov能量项之和，因此；

200、s721、取，得到：

201、

202、其中，为滑模面相关衰减系数，为权值估计误差相关衰减系数，为辅助动态系统状态相关衰减系数；

203、s722、求解微分不等式得到：

204、

205、s723、取极限得到：

206、

207、由此证明闭环系统所有信号一致最终有界，且最终进入由决定的有界邻域；

208、s724、根据滑模面定义，误差动态满足：

209、

210、由于且一致最终有界，因此也一致最终有界，姿态跟踪误差收敛至原点附近的小邻域内。

211、进一步地，步骤s8，包括：

212、s81、设定rbf基函数连续可微，且在闭环系统运行的有界集合内有界，同时期望姿态轨迹满足三阶连续可导与有界条件；

213、s82、由于辅助动态系统中避免奇异项，且闭环信号有界，因此有界；

214、s83、在区间内，由事件触发保持机制得到：

215、

216、s84、由事件触发误差定义得到：

217、

218、s85、由控制律得到：

219、

220、其中，；

221、s86、对进行求导，得到：

222、

223、其中，

224、s87、由得知和有界，由总不确定项估计式得到：

225、

226、由闭环一致最终有界性可知有界；由rbf基函数假设可知有界；由自适应律可知有界，因此有界；

227、s88、结合期望轨迹有界条件和辅助动态系统有界性，均有界，故存在正常数，使，因此：

228、

229、s89、在触发时刻更新后，触发误差满足，定义最小触发阈值，如下：

230、

231、s810、根据触发机制，在下一触发时刻至少有一个通道达到阈值，因此：

232、

233、由此得到，因此有：

234、

235、令，则任意相邻触发时刻满足，有限时间内不会发生无限多次触发事件，从而排除zeno行为。

236、进一步地，步骤s9，包括：

237、s91、设置飞行救生装备转动惯量，如下：

238、

239、由此得到，；

240、s92、设置总仿真时间和采样时间，初始系统状态为：

241、

242、s93、设置控制器参数，如下：

243、

244、

245、

246、

247、s94、对每个姿态通道构造rbf网络，网络输入设置为：

248、

249、其中，和分别为对应通道的姿态估计值和角速度估计值；

250、s95、设置隐含层节点数，基函数中心均匀分布于，设置rbf宽度；

251、s96、设置初始估计权值，同时设置参数矩阵和低频学习参数；

252、s97、设置事件触发参数；

253、s98、设置执行器控制力矩上界和下界为：

254、

255、

256、s99、设置辅助动态系统初始状态和奇异避免参数为：

257、

258、s910、选取状态相关有界函数和外部扰动为：

259、

260、

261、s911、在姿态跟踪任务中，设置动态救援目标对应的期望姿态轨迹为：

262、

263、s912、在姿态镇定任务中，设置静态救援目标对应的期望姿态命令为：

264、

265、s913、通过姿态角跟踪曲线、角速度跟踪曲线、跟踪误差曲线、rbf不确定项估计曲线、事件触发间隔和执行器饱和控制输入曲线验证所述飞行救生装备姿态跟踪控制方法的姿态跟踪性能、不确定项估计平滑性、通信更新节省效果、执行器饱和补偿效果和无zeno行为。

266、较现有技术相比，本发明具有以下优点：

267、1、本发明提供的一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法，通过在小角度假设下建立姿态动力学简化模型，并将模型耦合项、参数摄动、未建模动态、简化建模误差及外部扰动统一表示为总不确定项，实现了对多源不确定因素的集中表征与一体化补偿，为后续神经网络自适应控制设计提供了统一的逼近对象。

268、2、本发明提供的一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法，通过构造rbf神经网络对总不确定项进行在线逼近，并引入低频权值估计矩阵约束快速权值更新过程，实现了抑制海上高频扰动引起的神经网络估计振荡和控制输入抖振，显著提高了不确定项估计的平滑性和控制输入品质。

269、3、本发明提供的一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法，通过设计事件触发保持机制，定义事件触发误差和分通道触发阈值，使控制输入在相邻触发时刻之间保持上一触发时刻的值不变，实现了按需更新控制命令而非每个采样时刻均传输，显著降低了通信负担和执行器动作频率。

270、4、本发明提供的一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法，通过建立执行器幅值饱和模型并构造辅助动态系统补偿执行器约束引起的不利影响，实现了在控制输入受限条件下对饱和误差的在线补偿与闭环性能恢复，提高了控制方案在实际工程中的可实施性。

271、5、本发明提供的一种基于低频学习与事件触发机制的飞行救生装备姿态跟踪控制方法，通过构造事件触发执行器约束姿态跟踪控制律及相应自适应律，并基于lyapunov稳定性理论进行严格证明，实现了闭环系统所有信号一致最终有界、姿态跟踪误差收敛至原点附近小邻域且事件触发机制不存在zeno行为的理论保证。

272、综上，应用本发明的技术方案，针对海上应急救援场景下飞行救生装备在模型不确定、外部扰动、执行器饱和和通信资源受限共同作用时，现有技术中控制精度下降、控制输入频繁更新、神经网络估计振荡以及执行器约束补偿不足的问题，本发明通过低频学习、事件触发控制和辅助动态系统补偿的协同设计，有效抑制了高频估计抖振、减少了不必要的控制传输并补偿了执行器饱和影响。因此，本发明的技术方案解决了现有技术中难以在统一框架下同时处理模型不确定性、外部扰动、执行器幅值约束、事件触发更新约束和神经网络权值高频振荡的问题。

273、基于上述理由本发明可在无人飞行器姿态控制、海上应急救援装备控制、智能控制、事件触发控制、执行器约束控制和神经网络自适应控制等领域广泛推广。