一种基于PID神经网络的无人机控制方法技术

本发明专利技术提供了一种基于PID神经网络的无人机控制方法，包括遥控模式和自主飞行模式，遥控模式是使用遥控器向无人机发送指令，使无人机按照遥控指令飞行；自主飞行模式包括角速率和角速度的反馈控制，来确保无人机的姿态已经保持稳定位置，并自主控制飞行高度及位置；自主飞行模式采用PID神经网络控制算法，PID神经网络基本形式是2×3×1的结构，即：两个输入层神经元，分别输入给定信号及实际信号的反馈量；三个隐含层神经元，分别为比例神经元、积分神经元和微分神经元；一个输出层神经元，用来输出计算结果。本发明专利技术提供的方法克服了现有技术的不足，其抗干扰能力好，鲁棒性好，控制精度高，可以方便地实现小型无人机的飞行控制。

【技术实现步骤摘要】
-种基于PID神经网络的无人机控制方法
本专利技术属于自动控制领域，尤其涉及一种无人机的控制方法。
技术介绍
无人飞行器（UnmannedAerialVehicle,UAV)简称无人机，是指在飞机上没有驾 驶员，依靠无线遥控或自身程序控制的一类飞行器。无人机最早出现在20世纪20年代，由 于其巨大的应用前景，从50年代开始得到了巨大的发展。由于其不存在人员伤亡的风险， 生存能力强，机动性好，使用方便，使得其在军事和民用两个领域都有着广泛的应用和广阔 的发展前景。 近年来，无人机控制技术发展迅速，越来越多的算法被应用到无人机的控制领域 中来，如为了有效实现无人机纵向姿态控制和纵向航迹跟踪设计的模糊自适应PID(比例 积分微分）控制器。近些年由于神经网络的发展，也有很多文献将神经网络技术应用于无 人机中，如将CMAC(CerebellarModelArticulationController，小脑模型）神经网络应 用于小型无人机并联式混合推进控制系统中，也有基于自适应神经模糊推理的无人机自主 飞行控制系统，这都大大的改进了无人机的性能。 从控制方法上来讲，上述方法都或多或少的改进了控制指标，但是上述控制方法 在抗干扰能力和容错性方面都有缺陷，在实际飞行中是否可用，还是未知。
技术实现思路
本专利技术要解决的技术问题是提供一种控制精度高，抗干扰能力强，鲁棒性好的无 人机控制方法。 为了解决上述技术问题，本专利技术的技术方案是提供一种基于PID神经网络的无人 机控制方法，包括如下步骤： 步骤1 :给无人机上电，进行开始准备； 步骤2 :无人机开启遥控模式； 步骤3 :无人机接受遥控器的指令进行飞行； 步骤4 :无人机控制系统进行飞行是否稳定的判定，如果稳定进行步骤5,如果不 稳定进行步骤3 ; 步骤5 :无人机启动自主飞行模式； 步骤6 :无人机在自主飞行模式下，进行自主飞行； 其特征在于： 所述自主飞行模式采用PID神经网络控制算法，简称PIDNN控制算法； PIDNN的基本形式是2X3X1的结构，S卩：两个输入层神经元，分别输入给定信号 及实际信号的反馈量；三个隐含层神经元，分别为比例神经元、积分神经元和微分神经元； 一个输出层神经元，用来输出计算结果； PIDNN的前向算法为： 每个神经元都包含了输入net、状态u以及输出x，激活函数采用分段线性函数； ⑴输入层 输入层由两个神经元组成，分别输入给定值rin以及实际输出值yout，在任意的 采样时刻有：本文档来自技高网...

【技术保护点】
一种基于PID神经网络的无人机控制方法，包括如下步骤：步骤1：给无人机上电，进行开始准备；步骤2：无人机开启遥控模式；步骤3：无人机接受遥控器的指令进行飞行；步骤4：无人机控制系统进行飞行是否稳定的判定，如果稳定进行步骤5，如果不稳定进行步骤3；步骤5：无人机启动自主飞行模式；步骤6：无人机在自主飞行模式下，进行自主飞行；其特征在于：所述自主飞行模式采用PID神经网络控制算法，简称PIDNN控制算法；PIDNN的基本形式是2×3×1的结构，即：两个输入层神经元，分别输入给定信号及实际信号的反馈量；三个隐含层神经元，分别为比例神经元、积分神经元和微分神经元；一个输出层神经元，用来输出计算结果；PIDNN的前向算法为：每个神经元都包含了输入net、状态u以及输出x，激活函数采用分段线性函数；(1)输入层输入层由两个神经元组成，分别输入给定值rin以及实际输出值yout，在任意的采样时刻有：net1(k)=rin(k)net2(k)=yout(k)]]>其中，k为任意时刻的采样点；输入层神经元的状态为：ui(k)＝neti(k)输入层神经元的输出为：xi(k)=1,ui(k)>1ui(k),-1<<ui(k)<<1-1,ui(k)<-1]]>上述各式中，i＝1，2；(2)隐含层隐含层由三个神经元组成，分别实现了P，I，D的功能：三个神经元的输入是一样的，为：netj′(k)=Σi=12wijxi(k)]]>其中j＝1，2，3；wij为输入层到隐含层的权值，上标“’”为隐含层的变量标记；比例元P的状态为：u′1(k)＝net′1(k)积分元I的状态为：u′2(k)＝u′2(k‑1)+net′2(k)微分元D的状态为：u′3(k)＝net′3(k)‑net′3(k‑1)隐含层各神经元的输出为：xj′(k)=1,uj′(k)>1uj′(k),-1<<uj′(k)<<1-1,uj′(k)<-1]]>(3)输出层输出层只有一个神经元，其完成了这个网络的输出；其输入为：net′′(k)=Σj=13wj′xj′(k)]]>其状态为：u(k)＝net(k)输出层的输出也就是整个系统的输出为：x′′(k)=1,u′′(k)>1u′′(k),-1<<u′′(k)<<1-1,u′′(k)<-1]]>其中，w′jx′j为隐含层到输出层的权值，上标‘”’为输出层的变量标记；PIDNN的反传算法与BP神经网络一样；PIDNN输入层到隐含层权值取1，在输出层权值分别取KP、KI和KD，KP、KI和KD分别表示比例，积分和微分的系数。...

【技术特征摘要】
1. 一种基于PID神经网络的无人机控制方法，包括如下步骤： 步骤1 :给无人机上电，进行开始准备； 步骤2:无人机开启遥控模式； 步骤3 :无人机接受遥控器的指令进行飞行； 步骤4 :无人机控制系统进行飞行是否稳定的判定，如果稳定进行步骤5,如果不稳定 进行步骤3 ; 步骤5 :无人机启动自主飞行模式； 步骤6 :无人机在自主飞行模式下，进行自主飞行； 其特征在于： 所述自主飞行模式采用PID神经网络控制算法，简称PIDNN控制算法； PIDNN的基本形式是2X3X1的结构，S卩：两个输入层神经元，分别输入给定信号及实 际信号的反馈量；三个隐含层神经元，分别为比例神经元、积分神经元和微分神经元；一个 输出层神经元，用来输出计算结果； PIDNN的前向算法为： 每个神经元都包含了输入net、状态u以及输出X，激活函数采用分段线性函数； (1)输入层 输入层由两个神经元组...

【专利技术属性】
技术研发人员：周武能，王栩浩，孙雨晴，马俊卿，张扬，潘亮，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31