1. 项目概述
在无人机控制领域,固定翼无人机的轨迹跟踪一直是个极具挑战性的课题。我最近复现了2024年TASE顶刊上的一篇关于固定翼无人机控制的研究,这个项目主要解决的是在输入饱和和未知扰动条件下的精确轨迹跟踪问题。传统控制方法要么收敛速度慢,要么收敛时间难以精确控制,这篇论文提出的指数预定义时间控制方法确实让人眼前一亮。
这个复现项目最吸引我的地方在于它同时解决了三个关键问题:一是实现了收敛时间与初始状态无关的精确控制,二是有效处理了执行器饱和问题,三是能够快速准确地估计并补偿未知扰动。这三个特性对于实际工程应用来说都是至关重要的。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心问题与技术路线
2.1 传统控制方法的局限性
在无人机控制中,我们通常会遇到以下几种传统控制方法:
- 渐近控制:收敛时间理论上无限长,实际应用中可能需要很长时间才能达到所需精度
- 有限时间控制:收敛时间依赖于初始状态,不同初始条件下性能差异大
- 固定时间控制:收敛时间有上界但难以精确设定
这些方法在面对输入饱和和未知扰动时,要么性能下降,要么需要复杂的补偿机制。特别是在执行器物理限制导致的输入饱和情况下,系统甚至可能出现不稳定。
2.2 本文的创新方法
论文提出的解决方案可以概括为"三位一体"的技术路线:
- 指数预定义时间控制器:确保在用户精确设定的时间内收敛
- 固定时间扰动观测器:快速准确地估计复合扰动
- 基于高斯误差函数的饱和处理:将约束问题转化为无约束问题
这种组合拳的思路非常巧妙,既保证了收敛时间的精确可控,又解决了实际工程中常见的饱和和扰动问题。
3. 模型建立与问题描述
3.1 固定翼无人机动力学模型
固定翼无人机的动力学可以用以下非线性微分方程描述:
code复制ẋ = v
v̇ = f(x,v) + B(x,v)u + D(x,v,t)
其中:
- x ∈ R³ 是位置向量
- v ∈ R³ 是速度向量
- u ∈ R^m 是控制输入,受限于 u_min ≤ u ≤ u_max
- D(x,v,t) 代表复合扰动(包括风扰、未建模动态等)
3.2 控制目标
设计控制律u使得跟踪误差e=x-x_d在预设时间T_d内收敛到零,且:
- 收敛时间T_d
