Синтез робастных алгоритмов управления квадрокоптером с учетом ограничений на скорости и подъемные силы

Представлен синтез системы слежения для квадрокоптера, рассматриваемого как твердое тело с шестью степенями свободы и четырьмя управляющими воздействиями (подъемными силами роторов), с учетом проектных ограничений на скорости и управления. Объект функционирует в условиях параметрических и внешних возмущений, а также неполных измерений. Контур слежения спроектирован типовым образом и состоит из связанных подсистем поступательного и вращательного движений, имеющих по три входа и три выхода. Эталонные траектории независимо задаются для пространственного положения центра масс квадрокоптера и угла рысканья. Углы тангажа и крена выполняют двойную функцию: в подсистеме поступательного движения они вместе с общей подъемной силой выполняют роль управлений, которые рассматриваются как задающие воздействия в подсистеме вращательного движения. Научная новизна связана с разработанным методом синтеза динамической обратной связи с использованием кусочно-линейных обратных связей с насыщением в регуляторах, наблюдателях состояния и возмущений, а также динамических дифференциаторов задающих воздействий. Применение для синтеза следящих подсистем пространственных и угловых положений блочного принципа управления с комбинированными кусочно-линейными обратными связями с насыщением позволило обеспечить стабилизацию ошибок слежения при наложенных ограничениях на скорости и управления. Редуцированные динамические наблюдатели с кусочно-линейной коррекцией снижают вычислительную нагрузку. По измерениям ошибок слежения они восстанавливают с заданной точностью составные сигналы, включающие неизмеряемые скорости, неопределенные параметры и внешние возмущения без необходимости индивидуальной идентификации неопределенных параметров. Формирование обратной связи по переменным таких наблюдателей обеспечивает робастность следящей системы. Вместо проблематичных в реализации операций численного дифференцирования для восстановления производных задающих воздействий применяются динамические дифференциаторы с кусочно-линейной коррекцией, которые способны обрабатывать кусочно-дифференцируемые сигналы и не порождают всплесков оценочных сигналов в особых точках. Приведены результаты численного моделирования, подтверждающие эффективность разработанных алгоритмов

1. Hassanalian M., Abdelkefi A. Classifications, applications, and design challenges of drones: a review // Progress in Aerospace Sciences. 2017. Vol. 91. P. 99—131. URL: https://doi.org/10.1016/j.paerosci.2017.04.003.

2. Shakhatreh H., Sawalmeh A. H., Al-Fuqaha A. et al. Unmanned aerial vehicles (UAVs): a survey on civil applications and key research challenges // IEEE Access. 2019. Vol. 7. P. 48572— 48634. URL: https://doi.org/10.1109/ACCESS.2019.2909530.

3. Idrissi M., Salami M., Annaz F. A review of quadrotor unmanned aerial vehicles: applications, architectural design and control algorithms // Journal of Intelligent & Robotic Systems. 2022. Vol. 104. P. 22. URL: https://doi.org/10.1007/s10846-021-01527-7.

4. Шашихин В. Н., Мерзляков К. Д. Синтез стабилизи- рующего управления квадрокоптером на основе линейных матричных неравенств // Мехатроника, автоматизация, управление. 2022. Т. 23, № 7. С. 376—383. URL: https://doi.org/10.17587/mau.23.376-383.

5. Дивеев А. И., Шмалько Е. Ю., Хуссейн О. Управле- ние квадрокоптером методом сетевого оператора на основе многоточечной стабилизации // Мехатроника, автоматиза- ция, управление. 2020. Т. 21, № 7. С. 428—438. URL: https:// doi.org/10.17587/mau.21.428-438.

6. Labbadi M., Cherkaoui M. Novel robust super twisting integral sliding mode controller for a quadrotor under external disturbances // International Journal of Dynamics and Control. 2020. Vol. 8. P. 805—815. URL: https://doi.org/10.1007/s40435-019-00599-6.

7. Jin X., He T., Wu X., Wang H., Chi J. Robust adaptive neural network-based compensation control of a class of quadrotor aircrafts // Journal of the Franklin Institute. 2020. Vol. 357, N. 17. P. 12241—12263. URL: https://doi.org/10.1016/j.jfranklin.2020.09.009.

8. Glushchenko A. I., Lastochkin K. A. Quadrotor Trajectory Tracking Using Model Reference Adaptive Control, Neural Network-Based Parameter Uncertainty Compensator, and Different Plant Parameterizations // Computation. 2023. Vol. 11, N. 8. P. 1—18 URL: https://doi.org/10.3390/computation11080163.

9. Besnard L., Shtessel Y. B., Landrum B. Quadrotor vehicle control via sliding mode controller driven by sliding mode disturbance observer // Journal of the Franklin Institute. 2012. Vol. 349. N. 2. P. 658—684. URL: https://doi.org/10.1016/j.jfranklin.2011.06.031.

10. Hua C. C., Wang K., Chen J. N. et al. Tracking differentiator and extended state observer-based nonsingular fast terminal sliding mode attitude control for a quadrotor // Nonlinear Dynamics. 2018. Vol. 94. P. 343—354. URL: https://doi.org/10.1007/s11071-018-4362-3.

11. Fethalla N., Saad M., Michalska H., Ghommam J. Robust Observer-Based Dynamic Sliding Mode Controller for a Quadrotor UAV // IEEE Access. 2018. Vol. 6. P. 45846—45859. URL:https://doi.org/10.1109/ACCESS.2018.2866208.

12. Xu D., Liu Z., Zhou X., Yang L., Huang L. Trajectory Tracking of Underactuated Unmanned Surface Vessels: Non- Singular Terminal Sliding Control with Nonlinear Disturbance Observer // Applied Sciences. 2022. Vol. 12. N. 6. P. 3004. URL: https://doi.org/10.3390/app12063004.

13. Соколов С. В., Охотников А. Л. Робастное пози- ционирование беспилотных объектов с использованием спутниковых измерений и данных цифровой модели пути // Мехатроника, Автоматизация, Управление. 2024. Т. 25, № 7. С. 372—379. URL: https://doi.org/10.17587/mau.25.372-379.

14. Бусурин В. И., Коробков В. В., Нгуен Т. З., Данг В. Х. Волновой микрооптоэлектромеханический преобразователь угловой скорости с интерферометром Фабри-Перо // Датчи- ки и системы. 2019. № 3. С. 27—33.

15. Wang S., Polyakov A., Zheng G. Quadrotor stabilization under time and space constraints using implicit PID controller // Journal of the Franklin Institute. 2022. Vol. 359, N. 4. P. 1505—1530. URL: https://doi.org/10.1016/j.jfranklin.2022.01.002.

16. Антипов А. С., Краснова С. А., Уткин В. А. Синтез инвариантных нелинейных одноканальных систем слежения с сигмоидальными обратными связями с обеспечением задан- ной точности слежения // Автоматика и телемеханика. 2022. № 1. С. 40—66. URL: https://doi.org/10.31857/S0005231022010032.

17. Гулюкина С. И., Уткин В. А. Задача управления паро- генератором в условиях неопределенности при ограничени- ях на фазовые переменные и управления // Известия РАН. Теория и системы управления. 2023. № 2. С. 123—139. URL: https://doi.org/10.31857/S0002338823020105

18. Краснова С. А., Уткин В. А., Уткин А. В. Блочный подход к анализу и синтезу инвариантных нелинейных систем слежения // Автоматика и телемеханика. 2017. № 12. С. 26—53. URL: https://doi.org/10.1134/S0005117917120025.

19. Краснов Д. В., Уткин А. В. Синтез многофункцио- нальной системы слежения в условиях неопределенности // Управление большими системами. 2017. Вып. 69. С. 29—49.

20. Кокунько Ю. Г., Краснова С. А., Уткин В. А. Ка- скадный синтез дифференциаторов с кусочно-линейными корректирующими воздействиями // Автоматика и теле- механика. 2021. № 7. С. 37—68. URL: https://doi.org/10.1134/ S000511792107002X.

21. Khalil H. K., Praly L. High-Gain Observers in Nonlinear Feedback Control // Int. J. Robust and Nonlinear Control. 2014. Vol. 24, N. 6. P. 993—1015. URL: https://doi.org/10.1002/rnc.3051.

22. Кокунько Ю. Г., Краснова С. А. Формирование эта- лонных траекторий для беспилотных колесных платформ с учетом ограничений на скорость, ускорение и рывок // Мехатроника, автоматизация, управление. 2024. Т. 25, № 6. С. 320—331. URL: https://doi.org/10.17587/issn.1684-6427.