[发明专利]飞行机器人位姿神经网络预测控制器

摘要

本发明公开了一种飞行机器人位姿神经网络预测控制器，特别适用于多旋翼飞行机器人的位姿控制。控制器包括：滚动优化器、神经网络预测模型、逆神经网络模型、延迟环节、反馈环节、加法比较器、减法比较器；控制器使用神经网络对飞行机器人动态过程进行建模、预测；使用逆神经网络确定迭代优化算法的初值；采用牛顿‑拉夫逊算法进行局部优化；控制器还具有反馈控制功能。相比于机理建模，神经网络模型具有更高的精度，基于此模型的预测控制具有更高的控制性能；采用了目标函数优化的方法，能在保证控制性能的前提下尽量减少电能消耗；与PID控制相比，控制超调小，控制效果更加平稳；与滑模控制相比，不会产生抖震问题。

主权项

1.飞行机器人位姿神经网络预测控制器，包括：滚动优化器、神经网络预测模型、逆神经网络模型、nu阶延迟环节、nw阶延迟环节、一阶延迟环节、反馈环节、加法比较器、减法比较器；神经网络预测控制器使用神经网络预测模型对飞行机器人动态过程进行建模、预测；使用逆神经网络确定迭代优化算法的初值；采用牛顿‑拉夫逊算法进行优化；神经网络预测控制器具有反馈控制功能，滚动优化器的目标函数确定为J= (wr’(k+1)‑ wm(k+1))2+λu(k) 2，其中，λ为权重因子，wr’(k+1)、wm(k+1)分别为第k+1采样时刻的校正后参考位姿和预测位姿，位姿参数为w(k+1) = [ψ(k+1), φ(k+1),θ(k+1)]，ψ(k+1)，φ(k+1)，θ(k+1)分别为k+1时刻的偏航角、横滚角、俯仰角，u(k)为第k采样时刻的控制量；采用牛顿‑拉夫逊算法进行局部优化，其迭代公式为：式中：u(k)j+1, u(k)j分别表示第j+1次和第j次迭代的控制量，右边最后一项的分子表示目标函数J对控制量u(k)的一阶偏导数在u(k)= u(k)j时的取值，分母表示目标函数J对控制量u(k)的二阶偏导数在u(k)= u(k)j时的取值；迭代终止条件为：︱u(k)j+1 ‑u(k)j︱< α，α为终止参数；为保证算法的实时性，设置最大迭代次数ξ，若迭代次数高于该值，则终止迭代过程；迭代完成后最优控制量按公式u*(k) = (u(k)j+1 + u(k)j) / 2得到； 神经网络预测模型及逆神经网络模型包含输入向量、输入层偏置向量、输入权值矩阵、累加器、神经元激活函数、输出层偏置向量、输出权值矩阵、输出向量；神经元激活函数使用sigmoid函数：a(t)=1/(1+e‑t)；神经网络预测模型的输入向量为Rp= [u(k), u(k‑1),…, u(k‑nu+1), w(k), w(k‑1),…, w(k‑nw+1)]，其中nw, nu分别表示延迟的阶数，输入向量的个数为4 nu +3nw；输出向量为k+1时刻的预测位姿wm(k+1)；逆神经网络模型的输入向量为Ri= [ wr’(k+1), u(k‑1),…, u(k‑nu+1), w(k), w(k‑1),…, w(k‑nw+1)]，输入向量的个数为4 nu +3nw‑1；输出向量为k时刻的控制量u(k)。