基于自适应神经网络的无人机飞行控制方法

1.本发明涉及无人直升机控制技术领域，具体涉及一种基于自适应神经网络的无人机飞行控制方法。


背景技术：

2.在无人直升机中的鲁棒自主飞行控制方法中，传统的飞行控制方法主要有经典反馈控制(例如pid控制方法)和线性控制方法。其中，pid控制方法的优点是结构简单且不需要精确的系统模型，可以避免无人直升机复杂的建模过程，但是pid控制方法不能充分发挥无人直升机的机动能力且鲁棒性不高，参数调整全凭经验，过程繁琐。线性控制方法的发展较为成熟，但是线性控制方法依赖于基于单个特征点线性化的线性模型，忽略了许多系统非线性特性，当无人直升机状态偏离平衡点，相应的控制性能可能会下降，甚至导致闭环系统的不稳定，不能保证全包络飞行。
3.为了解决传统的经典反馈控制和线性控制方法所存在的控制性能较差的问题，目前通过采用非线性控制方法来设计无人直升机自主飞行控制系统。然而，目前采用的非线性控制方法直接选择主旋翼拉力、尾桨拉力、纵向与横向力矩等非物理输入作为四个控制输入，忽略了无人直升机旋翼系统挥舞动力学方程，虽然能够显著减小控制器设计难度，但是这四个控制输入与实际控制无人直升机的主旋翼总距舵机、尾桨总距舵机、纵向与横向周期变距舵机的输入信号(物理输入)存在严重的耦合，难以直接应用于工程实现。


技术实现要素：

4.为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种基于自适应神经网络的无人机飞行控制方法。
5.本发明的技术方案如下：
6.提供了一种基于自适应神经网络的无人机飞行控制方法，所述方法用于无人直升机的飞行控制，包括：
7.采用静态类稳定挥舞模型等效替代无人直升机主旋翼的挥舞动力学模型；
8.根据无人直升机机身刚体运动学与动力学方程，设计提取无人直升机的纵向-横向子控制系统模型，基于反步控制法，根据无人直升机机身刚体运动学与动力学方程、以及无人直升机的纵向-横向子控制系统模型设计无人直升机的滚转舵机控制输入、俯仰舵机控制输入和偏航舵机控制输入，其中，对于未建模动态和外部干扰，采用自适应径向基函数神经网络进行估计补偿；
9.确定无人直升机的垂向位置运动学与动力学方程，基于反步控制法，根据无人直升机的垂向位置运动学与动力学方程设计无人直升机的总距舵机控制输入，其中，对于未建模动态和外部干扰，采用自适应径向基函数神经网络进行估计补偿。
10.在一些可能的实现方式中，所述无人直升机主旋翼的挥舞动力学模型为：
[0011][0012]
其中，a和b分别表示无人直升机的主旋翼桨尖平面在纵向和横向的挥舞角，为a的导数，为b的导数，当无人直升机的方位角ψm＝0
°
时，主旋翼向下挥舞，a为正，当方位角ψm＝270
°
时，主旋翼向下挥舞，b为正，γm为无人直升机两片桨叶总的洛克数，ρ为空气密度，cm为主旋翼桨叶弦长，c
lα,mr
为主旋翼桨叶升力系数，rm为主旋翼旋转桨盘半径，i
β
为主旋翼桨叶转动惯量，ωm为主旋翼转速，k
β
为主旋翼桨叶刚度系数，p和q分别表示无人直升机的滚转角速度和俯仰角速度，θ
lat
和θ
lon
分别表示主旋翼横向周期变距和纵向周期变距。
[0013]
在一些可能的实现方式中，所述静态类稳定挥舞模型为：
[0014][0015]
其中，其中，δ
lat
为无人直升机的横向周期变距舵机的输入信号，δ
lon
为无人直升机的纵向周期变距舵机的输入信号，θ
lat0
和θ
lon0
分别表示初始主旋翼横向周期变距偏差和纵向周期变距偏差。
[0016]
在一些可能的实现方式中，所述自适应径向基函数神经网络包括：
[0017]
输入层、隐含层和输出层，输入层连接隐含层，隐含层连接输出层，输入层包括多个输入节点，隐含层包括多个隐节点，输出层包括一个输出节点；
[0018]
自适应径向基函数神经网络的输出设计为：
[0019][0020]
其中，为γ的估计值，w表示隐含层和输出层之间的权值矩阵，h表示神经网络的所有径向基函数构成的矩阵，||
·
||2表示2-范数，表示2-范数的平方。
[0021]
在一些可能的实现方式中，在进行所述无人直升机的飞行控制时，将参数的自适应律设计为：
[0022][0023]
其中，为的导数，为水平位置控制中估计的干扰与不确定性值，为的导数，为姿态位置控制中估计的干扰与不确定性值，为的导数，为高度位置控制中估计的干扰与不确定性值，ζi、εi和ξi为大于零的设计参数，i＝1,2,3，v
2e
为水平速度误差向量，v
2e
＝v
2-α
p
，v2＝[v
x
,vy]
t
，v
x
和vy分别为无人直升机重心在惯性坐标系x轴和y轴方向上的速度，α
p
为水平位置虚拟控制项，ωe为无人直升机机体角速度误差，ωe＝ω-ωd，ω和ωd分别为实际与期望的无人直升机机体角速度向量，ω＝[p,q,r]
t
，r为无人直升机的偏航角速度，v
ze
为垂直速度误差，v
ze
＝v
z-αz，vz为无人直升机重心在惯性坐标系z轴方向上的速度，αz为高度虚拟控制项，h1(v2)、h2(ω)和h3(vz)分别为相应变量的高斯函数，θ为无人直升机的俯仰角，φ为无人直升机的滚转角。
[0024]
在一些可能的实现方式中，所述无人直升机机身刚体运动学与动力学方程为：
[0025][0026]
根据所述无人直升机机身刚体运动学与动力学方程，设计提取所述无人直升机的纵向-横向子控制系统模型为：
[0027][0028]
其中，为p的导数，p＝[x
t
,y
t
,z
t
]
t
为无人直升机重心在惯性坐标系下的位置向量，x
t
、y
t
和z
t
分别为重心在惯性坐标系x轴、y轴和z轴方向上的位置，v＝[v
x
,vy,vz]
t
为无人直升机重心在惯性坐标系下的速度向量，v
x
、vy和vz分别为重心在惯性坐标系x轴、y轴和z轴方向上的速度，m为无人直升机系统的质量，为v的导数，θ＝[φ,θ,ψ]
t
为无人直升机的姿态角向量，φ、θ和ψ分别为无人直升机的滚转角、俯仰角和偏航角，为θ的导数，r(θ)为机体坐标系至惯性坐标系的转换矩阵，f为除无人直升机重力外的所有外力，g为重力加速度，ez为单位向量，ez＝[0,0,1]
t
，t(θ)为3
×
3矩阵，j为转动惯量矩阵，j＝diag[i
x
,iy,iz]，ix
、iy和iz分别为无人直升机机身绕机体坐标系x轴、y轴和z轴的转动惯量，为ω的导数，m为无人直升机受到的所有力矩，为p2的导数，p2＝[x
t
,y
t
]
t
，v2＝[v
x
,vy]
t
，为v2的导数，r2＝[r
13
,r
23
]
t
，，r
ij
为旋转矩阵r(θ)第i行第j列的元素，dz为无人直升机垂直方向的干扰力，t
mr
为主旋翼升力，d
x
和dy分别为无人直升机纵向和横向的干扰力，为r2的导数。
[0029]
在一些可能的实现方式中，在设计所述无人直升机的偏航舵机控制输入时，采用以下的反馈表达式进行反馈控制；
[0030]
t
tr,ctr
＝k
ped,ctr
δ
ped-k
r,ctrr[0031]
其中，t
tr,ctr
为反馈设计力，δ
ped
为无人直升机偏航舵机控制输入信号，k
ped,ctr
和k
r,ctr
为设计参数。
[0032]
在一些可能的实现方式中，设计的滚转、俯仰和偏航舵机控制输入为：
[0033][0034]
其中，δ
aer
为滚转、俯仰和偏航舵机控制输入，a、b、m1和m2为模型参数矩阵，k
ω
为待设计参数，sk(
·
)为斜对称矩阵，re为滚转俯仰姿态误差，为通过指令滤波器计算出来的估计值，为ωd的导数，ψe为偏航角跟踪误差，∈2为设计参数，为设计参数，t
hov
为无人直升机悬停时主旋翼产生的升力，h
mr
为无人直升机重心至主旋翼桨毂的垂直距离，h
tr
为无人直升机重心至尾旋翼桨毂的垂直距离，d
tr
为无人直升机重心至尾旋翼桨毂的纵向水平距离。
[0035]
在一些可能的实现方式中，所述无人直升机的垂向位置运动学与动力学方程为：
[0036][0037]
根据所述无人直升机的垂向位置运动学与动力学方程，所述无人直升机的总距舵机控制输入设计为：
[0038][0039]
其中，z
t
为无人直升机重心在惯性坐标系z轴方向上的位置，为z
t
的导数，为vz的导数，δ
col
为总距舵机控制输入，为αz的导数，αz为高度虚拟控制项，kz为大于零的设计参数，ze为垂直高度误差，ze＝z
t-zr，zr为期望的高度，为zr的导数，k
vz
为大于零的设计参数，k
int1
和k
int2
为系统模型参数，bm为主旋翼桨叶片数，k
col
为无人直升机主旋翼桨叶集体总距至总距舵机的连杆增益，v
im,hov
为无人直升机悬停状态下的主旋翼下洗速度，w为无人直升机在机体坐标系下的垂直速度。
[0040]
在一些可能的实现方式中，在设计所述无人直升机的总距舵机控制输入时，采用以下的反馈表达式进行反馈控制；
[0041]
t
int
＝k
int1
w k
int1kint2kcol
δ
col-k
int1vim,hov
[0042]
其中，t
int
为无人直升机主旋翼反馈力。
[0043]
本发明技术方案的主要优点如下：
[0044]
本发明的基于自适应神经网络的无人机飞行控制方法通过对主旋翼的挥舞动力学模型进行简化分析，然后进行无人直升机的纵向-横向位置控制律设计和内部三轴姿态控制律设计，以及进行高度控制律设计，并利用改进的自适应径向基函数神经网络对未建模动态和外部干扰进行估计补偿，能够提高无人机飞行控制精度和鲁棒性，降低控制器的计算量。
附图说明
[0045]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为本发明一实施例的基于自适应神经网络的无人机飞行控制方法的流程图；
[0047]
图2为示例给出的一种传统径向基函数神经网络的结构示意图；
[0048]
图3为本发明一实施例的自适应径向基函数神经网络的结构示意图。
具体实施方式
[0049]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
以下结合附图，详细说明本发明实施例提供的技术方案。
[0051]
参见图1，本发明一实施例提供了一种基于自适应神经网络的无人机飞行控制方法，该方法用于无人直升机的飞行控制，包括以下步骤：
[0052]
s1，采用静态类稳定挥舞模型等效替代无人直升机主旋翼的挥舞动力学模型；
[0053]
s2，根据无人直升机机身刚体运动学与动力学方程，设计提取无人直升机的纵向-横向子控制系统模型，基于反步控制法，根据无人直升机机身刚体运动学与动力学方程、以
及无人直升机的纵向-横向子控制系统模型设计无人直升机的滚转舵机控制输入、俯仰舵机控制输入和偏航舵机控制输入，其中，对于未建模动态和外部干扰，采用自适应径向基函数神经网络进行估计补偿；
[0054]
s3，确定无人直升机的垂向位置运动学与动力学方程，基于反步控制法，根据无人直升机的垂向位置运动学与动力学方程设计无人直升机的总距舵机控制输入，其中，对于未建模动态和外部干扰，采用自适应径向基函数神经网络进行估计补偿。
[0055]
以下本发明一实施例提供的基于自适应神经网络的无人机飞行控制方法的各个步骤及原理进行具体说明。
[0056]
本发明一实施例中，无人直升机机体的力、力矩、加速度、速度等状态量的参考坐标系采用无人直升机机体坐标系，无人直升机机体坐标系以无人直升机重心的位置作为原点，x轴沿着机身指向机头方向，y轴指向机头方向的右侧，垂直于无人直升机纵剖面，z轴在无人直升机纵剖面上，垂直于x轴和y轴所在平面，指向机体下方。其中，x轴为滚转轴，x轴方向为纵轴方向，y轴为俯仰轴，y轴方向为横轴方向，z轴为偏航轴，z轴方向为立轴方向。
[0057]
步骤s1，采用静态类稳定挥舞模型等效替代无人直升机主旋翼的挥舞动力学模型。
[0058]
具体地，无人直升机主旋翼的挥舞动力学模型可以表示为：
[0059][0060]
其中，a和b分别表示无人直升机的主旋翼桨尖平面在纵向和横向的挥舞角，为a的导数，为b的导数，当无人直升机的方位角ψm＝0
°
时，主旋翼向下挥舞，a为正，当方位角ψm＝270
°
时，主旋翼向下挥舞，b为正，γm为无人直升机两片桨叶总的洛克数，ρ为空气密度，cm为主旋翼桨叶弦长，c
lα,mr
为主旋翼桨叶升力系数，rm为主旋翼旋转桨盘半径，i
β
为主旋翼桨叶转动惯量，ωm为主旋翼转速，k
β
为主旋翼桨叶刚度系数，p和q分别表示无人直升机的滚转角速度和俯仰角速度，θ
lat
和θ
lon
分别表示主旋翼横向周期变距和纵向周期变距。
[0061]
针对上述的无人直升机主旋翼的挥舞动力学模型，用于等效替代主旋翼的挥舞动力学模型的静态类稳定挥舞模型可以设计为：
[0062][0063]
其中，其中，δ
lat
为无人直升机的横向周期变距舵机的输入信号，δ
lon
为无人直升机的纵向周期变距舵机的输入信号，θ
lat0
和
θ
lon0
分别表示初始主旋翼横向周期变距偏差和纵向周期变距偏差。
[0064]
无人直升机主旋翼的挥舞动力学模型是无人直升机重要的运动特性，与机身刚体动力学模型具有较强的耦合效应，关乎整个系统的动态响应，进行无人直升机的控制器设计时必须加以考虑。但是无人直升机飞行时的主旋翼挥舞角无法采用任何传感器有效地测量，若完全不考虑挥舞运动将会影响控制系统性能。本发明一实施例中，通过利用折中的静态类稳定挥舞模型来近似等效完整的主旋翼的挥舞动力学模型，能够对主旋翼的挥舞动力学模型进行简化分析，提高无人直升机的控制精度和鲁棒性。
[0065]
步骤s2，根据无人直升机机身刚体运动学与动力学方程，设计提取无人直升机的纵向-横向子控制系统模型，基于反步控制法，根据无人直升机机身刚体运动学与动力学方程、以及无人直升机的纵向-横向子控制系统模型设计无人直升机的滚转舵机控制输入、俯仰舵机控制输入和偏航舵机控制输入，其中，对于未建模动态和外部干扰，采用自适应径向基函数神经网络进行估计补偿。
[0066]
本发明一实施例中，在步骤s2，对于未建模动态和外部干扰，采用自适应径向基函数神经网络进行估计补偿。
[0067]
图2示出了一种传统的径向基函数神经网络，传统的径向基函数(rbf)神经网络包括输入层(input layer)、隐含层(hidden layer)和输出层(output layer)三层网络结构，输入层具有多个输入节点，隐含层具有多个隐节点，输出层具有多个输出节点，输出层第j个输出节点的输出可以表示为：
[0068][0069]
其中，x表示径向基函数神经网络的输入，hi(
·
)表示隐含层第i个隐节点对应的径向基函数，w
ij
表示隐含层第i个隐节点到输出层第j个输出节点之间的权值，k表示隐含层的隐节点个数，m表示输出层的输出节点个数，附图2中，xn表示输入层第n个输入节点的输入。
[0070]
当利用传统的径向基函数神经网络对未建模动态和外部干扰进行估计补偿，在线训练神经网络时，需要对每个权值设计自适应律，而随着神经网络节点个数的增加，需要的自适应律将呈指数增加，导致计算量急剧增加，不利于工程实现。
[0071]
为此，本发明一实施例中，对用于估计补偿未建模动态和外部干扰的自适应径向基函数神经网络进行改进。
[0072]
具体地，参见图3，本发明一实施例中，自适应径向基函数神经网络包括：
[0073]
输入层、隐含层和输出层，输入层连接隐含层，隐含层连接输出层，输入层包括多个输入节点，隐含层包括多个隐节点，输出层包括一个输出节点；
[0074]
自适应径向基函数神经网络的输出设计为：
[0075][0076]
其中，为γ的估计值，w表示隐含层和输出层之间的权值矩阵，h表示神经网络的所有径向基函数构成的矩阵，||
·
||2表示2-范数，表示2-范数的平方。
[0077]
针对上述改进后的自适应径向基函数神经网络，在线训练神经网络时，只需要对
参数设计自适应律。
[0078]
本发明一实施例中，根据李雅普诺夫稳定性理论设计参数的自适应律，以确保闭环控制系统的稳定性。
[0079]
具体地，在进行无人直升机的飞行控制时，将参数的自适应律设计为：
[0080][0081]
其中，为的导数，为水平位置控制中估计的干扰与不确定性值，为的导数，为姿态位置控制中估计的干扰与不确定性值，为的导数，为高度位置控制中估计的干扰与不确定性值，ζi、εi和ξi为大于零的设计参数，i＝1,2,3，v
2e
为水平速度误差向量，v
2e
＝v
2-α
p
，v2＝[v
x
,vy]
t
，v
x
和vy分别为无人直升机重心在惯性坐标系x轴和y轴方向上的速度，α
p
为水平位置虚拟控制项，ωe为无人直升机机体角速度误差，ωe＝ω-ωd，ω和ωd分别为实际与期望的无人直升机机体角速度向量，ω＝[p,q,r]
t
，r为无人直升机的偏航角速度，v
ze
为垂直速度误差，v
ze
＝v
z-αz，vz为无人直升机重心在惯性坐标系z轴方向上的速度，αz为高度虚拟控制项，h1(v2)、h2(ω)和h3(vz)分别为相应变量的高斯函数，θ为无人直升机的俯仰角，φ为无人直升机的滚转角。
[0082]
其中，惯性坐标系为北东地坐标系，北东地坐标系以设定地面点为原点，x轴指向地球北极，y轴指向地球东，z轴垂直于地球表面并指向下。
[0083]
本发明一实施例中，设定地面点选择无人直升机起飞点。
[0084]
本发明一实施例中，通过采用上述改进后的自适应径向基函数神经网络对未建模动态和外部干扰进行估计补偿，能够显著减小无人直升机控制器运行时的计算负担。
[0085]
进一步地，本发明一实施例中，无人直升机机身刚体运动学与动力学方程可以表示为：
[0086][0087]
其中，为p的导数，p＝[x
t
,y
t
,z
t
]
t
为无人直升机重心在惯性坐标系下的位置向量，x
t
、y
t
和z
t
分别为重心在惯性坐标系x轴、y轴和z轴方向上的位置，v＝[v
x
,vy,vz]
t
为无人直升机重心在惯性坐标系下的速度向量，v
x
、vy和vz分别为重心在惯性坐标系x轴、y轴和z轴方向上的速度，m为无人直升机系统的质量，为v的导数，θ＝[φ,θ,ψ]
t
为无人直升机的
姿态角向量，φ、θ和ψ分别为无人直升机的滚转角、俯仰角和偏航角，为θ的导数，r(θ)为机体坐标系至惯性坐标系的转换矩阵，f为除无人直升机重力外的所有外力，g为重力加速度，ez为单位向量，ez＝[0,0,1]
t
，t(θ)为3
×
3矩阵，j为转动惯量矩阵，j＝diag[i
x
,iy,iz]，i
x
、iy和iz分别为无人直升机机身绕机体坐标系x轴、y轴和z轴的转动惯量，为ω的导数，m为无人直升机受到的所有力矩。
[0088]
其中，转换矩阵r(θ)定义为：
[0089][0090]
矩阵t(θ)定义为：
[0091][0092]
其中，c(
·
)表示cos(
·
)，s(
·
)表示sin(
·
)，t(
·
)表示tan(
·
)。
[0093]
根据上述的无人直升机机身刚体运动学与动力学方程，设计提取无人直升机的纵向-横向子控制系统模型为：
[0094][0095]
其中，为p2的导数，p2＝[x
t
,y
t
]
t
，v2＝[v
x
,vy]
t
，为v2的导数，r2＝[r
13
,r
23
]
t
，r
ij
为旋转矩阵r(θ)第i行第j列的元素，dz为无人直升机垂直方向的干扰力，t
mr
为主旋翼升力，df＝[d
x
,dy]
t
，d
x
和dy分别为无人直升机纵向和横向的干扰力，为r2的导数。
[0096]
基于反步控制法，采用旋转矩阵表示姿态角，从上述的无人直升机机身刚体运动学与动力学方程和无人直升机的纵向-横向子控制系统模型设计推导出无人直升机的滚转舵机控制输入、俯仰舵机控制输入和偏航舵机控制输入。
[0097]
本发明一实施例中，步骤s2中，在设计无人直升机的偏航舵机控制输入时，采用以下公式所示的反馈表达式进行反馈控制；
[0098]
t
tr,ctr
＝k
ped,ctr
δ
ped-k
r,ctrr[0099]
其中，t
tr,ctr
为反馈设计力，δ
ped
为无人直升机偏航舵机控制输入信号，k
ped,ctr
和k
r,ctr
为设计参数。
[0100]
通过反馈控制能够将非物理输入转换为物理输入，即将尾桨拉力转换为偏航舵机控制输入。
[0101]
本发明一实施例中，最终设计的实际滚转、俯仰和偏航舵机控制输入为：
[0102][0103]
其中，δ
aer
为滚转、俯仰和偏航舵机控制输入，a、b、m1和m2为模型参数矩阵，k
ω
为待设计参数，sk(
·
)为斜对称矩阵，re为滚转俯仰姿态误差，为通过指令滤波器计算出来的估计值，为ωd的导数，ψe为偏航角跟踪误差，∈2为设计参数，为设计参数，t
hov
为无人直升机悬停时主旋翼产生的升力，h
mr
为无人直升机重心至主旋翼桨毂的垂直距离，h
tr
为无人直升机重心至尾旋翼桨毂的垂直距离，d
tr
为无人直升机重心至尾旋翼桨毂的纵向水平距离。
[0104]
步骤s3，确定无人直升机的垂向位置运动学与动力学方程，基于反步控制法，根据无人直升机的垂向位置运动学与动力学方程设计无人直升机的总距舵机控制输入，其中，对于未建模动态和外部干扰，采用自适应径向基函数神经网络进行估计补偿。
[0105]
本发明一实施例中，在步骤s3中，采用上述改进后的自适应径向基函数神经网络对未建模动态和外部干扰进行估计补偿。
[0106]
由于无人直升机的高度控制通道与滚转、俯仰和偏航三个通道的耦合作用小，本发明一实施例中，单独对高度控制通道设计控制器。
[0107]
本发明一实施例中，针对无人直升机，垂向位置运动学与动力学方程可以表示为：
[0108][0109]
其中，z
t
为无人直升机重心在惯性坐标系z轴方向上的位置，即无人直升机的实际高度，为z
t
的导数，为vz的导数。
[0110]
基于反步控制法，从上述的垂向位置运动学与动力学方程设计推导出无人直升机的总距舵机控制输入为：
[0111][0112]
其中，δ
col
为总距舵机控制输入，为αz的导数，αz为高度虚拟控制项，kz为大于零的设计参数，ze为垂直高度误差，ze＝z
t-zr，zr为期望的高度，为zr的导数，k
vz
为大于零的设计参数，k
int1
和k
int2
为系统模型参数，bm
为主旋翼桨叶片数，k
col
为无人直升机主旋翼桨叶集体总距至总距舵机的连杆增益，v
im,hov
为无人直升机悬停状态下的主旋翼下洗速度，w为无人直升机在机体坐标系下的垂直速度。
[0113]
本发明一实施例中，步骤s3中，在设计推导无人直升机的总距舵机控制输入时，采用以下公式所示的反馈表达式进行反馈控制；
[0114]
t
int
＝k
int1
w k
int1kint2kcol
δ
col-k
int1vim,hov
[0115]
其中，t
int
为无人直升机主旋翼反馈力。
[0116]
通过反馈控制能够将非物理输入转换为物理输入，即将主旋翼升力转换为高度控制通道的总距舵机控制输入。
[0117]
本发明一实施例提供的基于自适应神经网络的无人机飞行控制方法通过对主旋翼的挥舞动力学模型进行简化分析，然后进行无人直升机的纵向-横向位置控制律设计和内部三轴姿态控制律设计，以及进行高度控制律设计，并利用改进的自适应径向基函数神经网络对未建模动态和外部干扰进行估计补偿，根据李雅普诺夫稳定性理论设计相应的自适应律，能够提高无人机飞行控制精度和鲁棒性，降低控制器的计算量。
[0118]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
[0119]
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。