[发明专利]一种基于自适应RBF神经网络的四旋翼无人机编队控制方法

说明书

在自适应的径向基函数(RBF)神经网络的基础上，研究了具有时滞的非线性多四旋翼无人机系统在存在动态不确定性的情况下的三维编队控制方案。为了得到每个无人机的绝对和局部状态误差，我们设计了一个线性降阶观测器。通过构建一个可以简化控制器设计的李雅普诺夫函数，抵消无人机动态模型中存在的时滞。为了处理非线性动态不确定性和不可避免的干扰，采用了自适应的RBF神经网络。

技术领域

本发明涉及一种基于自适应RBF神经网络的四旋翼无人机编队控制方法，进行四旋翼无人机系统编队控制。

背景技术

当前，随着航空航电技术的不断发展，无人机无论在营救任务、森林火灾、快递运输等民用领域还是军事侦察、地面打击等军事领域都有着巨大的作用。尽管如此，单个无人机能完成的任务非常有限。例如：单无人机由于受到自身传感器数量或者传感器角度限制等因素，不能够完整的获取目标区域环境的整体环境信息。因此，多无人机群编队的研究引起了巨大的关注。其中，结合机器学习的多智能体编队研究被广泛应用于无人机编队中。

神经网络由大量神经元组成。每个神经元获得线性组合的输入，经过非线性的激活函数，然后得到非线性的输出。随着机器学习的发展，人们发现神经网络具有拟合任意非线性函数的能力。人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。而RBF神经网络是在BP神经网络的基础上，对隐含层激励函数进行了修改。RBF的泛化能力在多个方面都优于BP网络，但是在解决具有相同精度要求的问题时，BP网络的结构要比RBF网络简单。RBF网络的逼近精度要明显高于BP网络，它几乎能实现完全逼近，而且设计起来极其方便，网络可以自动增加神经元直到满足精度要求为止。但是在训练样本增多时，RBF网络的隐层神经元数远远高于前者，使得RBF网络的复杂度大增加，结构过于庞大，从而运算量也有所增加。

多智能体编队控制的目的是使一群智能体形成并保持预期的几何队形。从这一方面考虑，设计一个实用的几何图形对于编队控制是很重要的。裘智峰提出一种针对多个智能体的编队方法(裘智峰，叶华文，李思明.一种针对多个智能体的编队方法以及装置：中国，105467981A[P].2016-04-06)，实现了多智能体的编队，但是只能针对二维图形编队，使得多智能体编队的实用性受到了一定的限制。曹科才提出基于快速有限时间一致性协议的多智能体系统的编队方法(曹科才，柴运.基于快速有限时间一致性协议的多智能体系统的编队方法：中国，108181926A[P].2018-06-19)，并把该方法应用于三维编队，但是该方法只能用于对线性的多智能体系统进行编队。王磊提出多无人机网络编队的一致性控制方法(王磊.多无人机网络编队的一致性控制方法：中国，103777638A[P].2014-05-07)，可以用来对非线性的受控模型进行一致性控制，但是需要能提前知道智能体的状态方程。据作者所知，据我们所知，非线性多智能体系统的三维编队控制中的时滞问题尚未得到充分研究，仍然是一项具有挑战性的任务。因此，本文提出了一种基于自适应RBF神经网络的三维编队协同控制方法，本方法能在智能体模型未知且带有时滞的前提下，使智能体在有限时间内形成保持编队。

发明内容

本发明要克服现有技术的上述问题，提供一种基于自适应RBF神经网络的四旋翼无人机编队控制方法。