一种无人机自抗扰控制器参数优化方法技术

本发明专利技术公开了一种无人机自抗扰控制器(ADRC)参数优化方法，针对在工程实践中，自抗扰控制器相比于PID控制器需要调节的控制器参数更多，且参数之间相互影响，人工进行调节较为困难且难以达到最优的问题，采用了所述的一种无人机自抗扰控制器参数优化方法来对控制器的参数进行优化，该方法将模糊逻辑的特性加入到粒子群(PSO)算法中，提高了PSO算法的全局和局部的探索能力，避免了粒子陷入局部最优值的同时还提高了求解的精度；本发明专利技术解决了自抗扰控制器调参难题，提高了无人机控制系统的稳定性和鲁棒性，极大地推进了自抗扰控制器在实际中的广泛应用。际中的广泛应用。际中的广泛应用。

【技术实现步骤摘要】
一种无人机自抗扰控制器参数优化方法


[0001]本专利技术涉及无人机非线性控制
，尤其涉及一种无人机自抗扰控 制器参数优化方法。

技术介绍

[0002]无人机具有自由度高、灵活性强、对复杂地形的适应能力强和成本低等 诸多优点，常用于执行在危险区域或者复杂地形环境下的巡检和搜救任务，目前 在民用和军用领域都有着广泛的应用。如军事领域的监视和侦察任务；民用领域 的电力巡检、能源系统巡检、桥梁巡检、森林火灾救援和农业植保等应用。如何 实现无人机的稳定飞行是其能够完成指定巡检任务的前提。然而，无人机是一个 非线性、欠驱动、强耦合的系统，且难以建立其精确的数学模型；如何针对无人 机的系统特性来设计一个稳定性高且鲁棒性强的控制器是一直以来工程技术员 们研究的难点。
[0003]自抗扰控制器(ADRC，Active Disturbance Rejection Control)是一种从传 统PID控制器的原理出发、分析了PID控制器的优缺点而提出的不依赖于精确 系统模型的新型控制方法，具有跟踪速度快、控制精度高、抗干扰能力强、能实 时估计并补偿系统所受到的各种扰动等优点，目前已经被应用到许多的实践当 中。设计基于ADRC的无人机控制系统可以解决无人机在飞行过程中存在较多 的未知扰动问题，实现稳定性高且鲁棒性强的无人机控制系统。
[0004]但在工程实践中，ADRC相比于PID控制器需要调节的控制器参数更 多，且参数之间相互影响；人工进行调节较为困难且难以达到最优，这给ADRC 在实际无人机控制系统中的广泛应用带来了较大的阻碍。
[0005]为解决上述问题，Suiyuan Shen等人(Attitude Active DisturbanceRejection Control of the quadrotor and its parameter tuning[J],International Journalof Aerospace Engineering)设计了基于ADRC的四旋翼无人机姿态控制器，并采 用自适应遗传算法—粒子群算法(AGA
‑
PSO)对控制器参数进行优化，解决了控制 器参数难以调整的问题。Zhihao Cai等人(Quadrotor trajectory tracking andobstacle avoidance by chaotic grey wolf optimization
‑
based active disturbancerejection control[J],Mechanical Systems and Signal Processing)提出了一种结合混 沌初始化和混沌搜索的混沌灰狼优化算法(CGWO,chaotic grey wolf optimization) 来获得姿态和位置控制器的最优参数。武雷、保宏、杜敬利等人(一种ADRC 参数的学习算法[J].自动化学报)针对ADRC参数多且耦合性强,参数难于被确 定的问题,结合了连续动作强化学习器(CARLA,Continuous action reinforcementlearning automata)提出了一种ADRC参数自学习算法CARLA
‑
ADRC。
[0006]但在上述所提及的方法中存在优化搜索范围不广、求解精度不高、求解 时间过长且容易陷入局部最优值的缺点。

技术实现思路

[0007]本专利技术的目的是提供一种无人机ADRC参数优化方法，解决基于ADRC 的无人机控制系统中存在控制器参数难以调节的问题。
[0008]本专利技术所采用的技术方案是，一种无人机ADRC参数优化方法，该方 法在传统PSO算法的基础上加入了模糊逻辑，具体按照以下步骤实施：
[0009]步骤1：种群初始化；其中主要包含种群维度、种群规模、种群最大迭 代次数、以及初始粒子的位置和速度。其中，种群维度为7维，分别对应ADRC 的7个参数：β
01
，β
02
，β
03
，r，c，h1，b0；种群规模和种群最大迭代次数根据 项目的实际需要进行调整；初始粒子的位置和速度根据粒子的位置和速度的上下 限随机生成。
[0010]步骤2：判断是否达到最大迭代次数；如果达到，则记录下全局最优粒 子，该粒子的位置值就是优化出来的控制器最优参数；如果没有达到，则转步骤 3。
[0011]步骤3：根据适应度函数计算每个粒子的适应度值，其中适应度函数定 义如下：
[0012]由于ADRC的上升阶段主要受TD部分的影响，本专利技术以绝对误差积 准则(IAE)为基础，设计的适应度函数定义为求系统阶跃响应在上升时间到采样 周期结束这一段时间系统响应值与期望值误差的累计和，所设计的适应度函数较 其它方式的适应度函数能够使控制器具有较好的性能，适应度函数数学表达式如 下：
[0013][0014]其中，J粒子的适应度值，t
r
为系统阶跃响应的上升时间，T为系统的 采样周期，e(t)为t时刻控制器响应与控制器期望输入的差值。
[0015]步骤4：根据本次迭代所有粒子的适应度来计算出适应度值最小的粒 子，记录下本次迭代粒子的最优值；同时与全局最优值进行比较，如果本次迭代 的最优值必全局最优值小，则更新全局最优值，否则不更新。
[0016]步骤5：计算种群迭代进程、种群多样性、种群误差。
[0017]其中，种群迭代进程的计算方法为：
[0018]使用百分比的形式来表示，表达PSO迭代的程度，采用归一化的形式 表示，归一化后的迭代次数为：
[0019][0020]其中，NI(k)为第k次迭代时的种群迭代程度，k为当前迭代的代数，M 为最大的种群迭代代数。
[0021]其中，种群多样性的计算方法为：
[0022]种群的多样性使用粒子之间的分散程度来表示，通过测量每个粒子与最 佳粒子之间的欧式距离的平均值来获得，种群多样性D(k)具体如下：
[0023][0024]其中，为第k次迭代之前的全局最优粒子。种群多样性使用归一化 的形式来表示，对于归一化后的种群多样性定义为：
[0025][0026]种群的误差定义为每个粒子的适应度与最佳粒子的适应度之间的差值 的总和的平均值；种群误差E(k)定义为：
[0027][0028]种群误差采用归一化的形式表示，对于归一化后的种群误差定义为：
[0029][0030]其中，k为PSO的第k次迭代，M为种群大小，Fitness(x
i
)为粒子i的适 应度值。
[0031]步骤6：根据模糊逻辑系统求解出c1、c2。
[0032]其中，c1、c2为PSO的学习因子，分别代表社会认知和自身认知的权重； 所定义的c1、c2取值范围为0.5～2.5之间。
[0033]其中，所定义的模糊逻辑系统的结构为一个三输入二输出的系统；需要 注意的是，在进行模糊推理之前，需要根据实际项目的需求对模糊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机自抗扰控制器参数优化方法，其特征在于，采用一种结合模糊逻辑的粒子群算法来对自抗扰控制器的参数进行优化，具体按照以下步骤实施：步骤1：种群初始化；步骤2：判断是否达到最大迭代次数；如果达到，则记录下全局最优粒子，该粒子的位置值就是优化出来的控制器最优参数；如果没有达到，则转步骤3；步骤3：根据适应度函数计算每个粒子的适应度值；步骤4：根据本次迭代所有粒子的适应度来计算出适应度值最小的粒子，记录下本次迭代粒子的最优值；同时与全局最优值进行比较，如果本次迭代的最优值必全局最优值小，则更新全局最优值，否则不更新；步骤5：计算种群迭代进程、种群多样性、种群误差；步骤6：根据模糊逻辑系统求解出c1、c2；步骤7：更新粒子的速度和位置；步骤8：返回步骤2进行判断。2.根据权利要求1所述的一种无人机自抗扰控制器参数优化方法，其特征在于，所述步骤1中的种群维度为7维，分别对应自抗扰控制器的7个参数：β
01
，β
02
，β
03
，r，c，h1，b0；种群规模和种群最大迭代次数根据项目的实际需要进行调整；初始粒子的位置和速度根据粒子的位置和速度的上下限随机生成。3.根据权利要求1所述的一种无人机自抗扰控制器参数优化方法，其特征在于，所设计的适应度函数较其它方式的适应度函数能够使控制器具有较好的性能，适应度函数数学表达式如下：其中，J粒子的适应度值，t
r

【专利技术属性】
技术研发人员：张琦，韦耀星，李晓，施允堃，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：