关键词：
四旋翼无人机
长短期记忆网络
模型预测控制
姿态控制
能耗优化
摘要：
四旋翼无人机由于其高耦合性、欠驱动特性和非线性动态特性,在复杂环境下,传统建模方式设计的控制器难以实现高效且稳定的控制,主要原因是传统建模难以确保完整性与全面性。近年来,基于数据驱动的建模方法成为解决复杂控制任务的研究热点。本研究构建了LSTM-MPC混合架构,利用长短期记忆(Long Short-Term Memory,LSTM)网络预测姿态角时间序列,增强误差提前识别能力;在模型预测控制(Model Predictive Control,MPC)框架下设计前馈补偿策略,通过滚动时域优化实时调整控制输入。同时,在代价函数中增设能耗优化项,调节能耗优化权重,兼顾性能与能效。本文的主要研究工作如下:
首先,系统阐述了四旋翼无人机的机械结构、飞行控制原理及空间坐标转换方法,基于牛顿-欧拉方程构建了包含运动学特性与姿态动力学的动力学模型。接着,采集并预处理飞行数据,阐述LSTM网络原理及其在非线性系统动态特性处理中的优势,并详细说明LSTM网络模型架构设计。确定最佳模型参数配置(2层隐藏层、300个神经元、初始学习率0.003、滑动窗口数25以及激活函数为tanh)。实验验证了其高拟合精度和泛化能力,为姿态控制提供数据支持。
其次,基于LSTM-MPC架构,提出了四旋翼无人机姿态控制与能耗优化的多目标协同控制方法。通过融合数据驱动与模型驱动,克服传统MPC局限,优化预测时域(Np=20)与控制时域(Nc=6)参数,兼顾计算效率与姿态跟踪精度。建立推进系统能耗模型,引入能耗指标至代价函数,利用加权系数β(β=0.6)平衡控制精度与能耗效率。仿真结果显示,该方法在滚转、俯仰及偏航角跟踪均方根误差上较传统PID和MPC降低10%以上,能耗减少20.8%,验证了其鲁棒性和适应性。
最后,搭建无人机硬件实验平台,设计控制程序,构建虚拟仿真测试平台,开展硬件在环仿真及实机飞行实验。实验结果表明,控制算法稳定可靠,实际飞行中能耗降低15%以上,证明了该方法在实际应用中的有效性。
欢迎来到三峡大学图书馆！
