懸掛物體的多旋翼無(wú)人機(jī)技術(shù)研究國(guó)內(nèi)外文獻(xiàn)綜述多旋翼飛行器控制技術(shù)研究現(xiàn)狀近年來(lái)，多旋翼無(wú)人機(jī)在許多領(lǐng)域得到了廣泛的關(guān)注，特別是在物流、農(nóng)業(yè)、軍工領(lǐng)域，然而，由于多旋翼無(wú)人機(jī)的動(dòng)力學(xué)模型是多輸入多輸出（MIMO）、強(qiáng)耦合、非線性和欠驅(qū)動(dòng)的，且存在模型不確定性和未知的外部干擾，因此對(duì)其高性能控制提出了挑戰(zhàn)[1]。目前，常見(jiàn)的控制算法有三類：線性控制算法、非線性控制算法和智能控制算法。首先，針對(duì)簡(jiǎn)單的四旋翼無(wú)人機(jī)模型，設(shè)計(jì)了多種線性控制方法，例如PID、線性二次型調(diào)節(jié)器（LQR），最優(yōu)控制等。PID是一種傳統(tǒng)的控制算法，廣泛應(yīng)用于各個(gè)控制系統(tǒng)中[2]，它的優(yōu)勢(shì)是結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)，并且不需要精確的模型。目前許多旋翼飛行器控制系統(tǒng)都采用PID控制，但是PID需要整定參數(shù)，并且理論參考較少，大都依靠研究人員的經(jīng)驗(yàn)來(lái)調(diào)整，在控制要求較高的系統(tǒng)中很難達(dá)到較好的控制效果。LQR是一種基于現(xiàn)代控制理論的最優(yōu)控制方法，在多旋翼的控制中也有應(yīng)用[3]，如Reyes-Valeria等人[4]成功的完成了基于四元數(shù)的四旋翼LQR控制建模和仿真。是一種基于模型的魯棒性控制器設(shè)計(jì)算法，該算法也被應(yīng)用于四旋翼控制器的設(shè)計(jì)，例如在文獻(xiàn)[5]中利用設(shè)計(jì)控制器實(shí)現(xiàn)對(duì)四旋翼的垂直速度、三軸姿態(tài)角和偏航速率的控制。線性方法簡(jiǎn)化了許多非線性特性，只能保證在平衡點(diǎn)附近收斂[6]。為了獲得更大的收斂范圍和更高的性能，發(fā)展了幾種非線性控制方法，如非線性遞階控制策略（NHCS）[7]、后退控制（BS）[8]和動(dòng)態(tài)表面控制（DSC）[9][10]。NHCS和BS是解決高階非線性動(dòng)態(tài)控制問(wèn)題的有效方法。由于四旋翼無(wú)人機(jī)具有復(fù)雜的非線性動(dòng)力學(xué)特性，工作環(huán)境復(fù)雜，很難獲得精確的模型。因此，開(kāi)發(fā)干擾抑制方法是必要的。將魯棒控制方法應(yīng)用于四旋翼無(wú)人機(jī)的控制中，可以抑制外部干擾和系統(tǒng)參數(shù)的不確定性，如魯棒控制[11]和魯棒信號(hào)補(bǔ)償器[12]。然而，在控制器設(shè)計(jì)中，魯棒方法往往需要擾動(dòng)邊界。與魯棒方法相比，自適應(yīng)方法在線逼近不確定參數(shù)和干擾，廣泛應(yīng)用于四旋翼無(wú)人機(jī)，如自適應(yīng)反向傳播軌跡跟蹤控制[13]、自適應(yīng)反向步進(jìn)控制[14]和質(zhì)心未知的自適應(yīng)控制[15]。傳統(tǒng)的無(wú)人機(jī)控制方法主要基于精確的系統(tǒng)數(shù)學(xué)模型，當(dāng)遇到復(fù)雜的實(shí)際問(wèn)題時(shí)，控制效果往往不理想。在這種情況下，控制器應(yīng)該自主地處理飛機(jī)和環(huán)境之間不可預(yù)知的相互作用。對(duì)于這些不可預(yù)測(cè)的問(wèn)題，需要使用一個(gè)能夠自主規(guī)劃和推理的控制器。智能飛行控制系統(tǒng)的開(kāi)發(fā)是控制領(lǐng)域的一個(gè)活躍課題，多旋翼無(wú)人機(jī)智能控制方法主要包括：模糊控制、神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)等。模糊控制的主要思想是利用計(jì)算機(jī)來(lái)實(shí)現(xiàn)人的控制經(jīng)驗(yàn)，直接采用語(yǔ)言型控制規(guī)則，在設(shè)計(jì)中不需要建立被控對(duì)象的精確數(shù)學(xué)模型，因而使得控制機(jī)理和策略易于接受與理解，并具有很強(qiáng)的魯棒性、良好的適應(yīng)性和容錯(cuò)性，一般與常規(guī)控制器結(jié)合成模糊自適應(yīng)控制器應(yīng)用于多旋翼飛行控制當(dāng)中。文獻(xiàn)[16]提出了一種基于神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)模型綜合訓(xùn)練和跟蹤四旋翼不同飛行軌跡的控制算法。文獻(xiàn)[17]采用PID+Q-learning方法訓(xùn)練無(wú)人機(jī)在未知環(huán)境中導(dǎo)航到目標(biāo)位置，表明無(wú)人機(jī)的控制可以通過(guò)強(qiáng)化學(xué)習(xí)來(lái)實(shí)現(xiàn)。文獻(xiàn)[18]采用一種在線自適應(yīng)強(qiáng)化學(xué)習(xí)方法對(duì)固定翼無(wú)人機(jī)控制器進(jìn)行訓(xùn)練，結(jié)果表明，與常規(guī)PID控制器相比，強(qiáng)化學(xué)習(xí)訓(xùn)練的控制器在跟蹤規(guī)劃路徑時(shí)具有更好的性能。文獻(xiàn)[19]基于OpenAI強(qiáng)化學(xué)習(xí)測(cè)試平臺(tái)OpenAIGYM開(kāi)發(fā)了四旋翼無(wú)人機(jī)控制測(cè)試環(huán)境GYMFC，并將該環(huán)境與基于ROSGazebo的四旋翼環(huán)境相結(jié)合，對(duì)最新的強(qiáng)化學(xué)習(xí)算法TRPO、DDPG和PPO進(jìn)行了評(píng)估。實(shí)驗(yàn)結(jié)果表明，基于近端策略優(yōu)化（PPO）訓(xùn)練的控制器在幾乎所有評(píng)價(jià)指標(biāo)上都優(yōu)于其他兩種控制算法。對(duì)多旋翼控制技術(shù)的研究可總結(jié)如下：線性控制方法簡(jiǎn)單但不適用于復(fù)雜控制，例如PID較為簡(jiǎn)單并且沒(méi)有具體的模型、LQR是現(xiàn)代控制理論的方法對(duì)模型依賴比較強(qiáng)、性能較好但實(shí)現(xiàn)較為復(fù)雜；一些非線性方法同樣一定的局限性，例如滑?？刂扑惴▽?duì)噪聲抑制較好，但是在滑模面會(huì)產(chǎn)生抖振；BS方法魯棒性較強(qiáng)，但是存在維數(shù)爆炸、穩(wěn)態(tài)誤差等問(wèn)題；智能控制方法比較先進(jìn)，但是模型建立比較復(fù)雜、實(shí)現(xiàn)比較困難。懸掛物體的多旋翼飛行器研究現(xiàn)狀懸重的問(wèn)題出現(xiàn)在無(wú)人機(jī)的許多基本任務(wù)中，例如在港口運(yùn)輸集裝箱，在搜索和救援任務(wù)中空運(yùn)物資，以及地雷探測(cè)。懸掛物通常通過(guò)懸掛機(jī)構(gòu)連接到移動(dòng)平臺(tái)上，四旋翼飛行器是一類具有高度非線性動(dòng)力學(xué)特性的不穩(wěn)定系統(tǒng)，承載的任務(wù)給控制器增加了額外的壓力。這是因?yàn)閼乙戚d荷通過(guò)懸索傳遞的力和力矩改變了轉(zhuǎn)子動(dòng)力學(xué)。此外，帶懸浮負(fù)載的機(jī)動(dòng)可能是一項(xiàng)危險(xiǎn)的任務(wù)，特別是在雜亂和難以接近的環(huán)境中。懸掛刀具的空中飛行器在飛行過(guò)程中可看作是在做負(fù)載運(yùn)輸任務(wù)。減小懸移質(zhì)的殘余振蕩是實(shí)現(xiàn)對(duì)系統(tǒng)更好控制的方法之一。另一種方法是直接控制懸浮物的運(yùn)動(dòng)軌跡[20]。在國(guó)外的研究中，文獻(xiàn)[21]研究了利用旋翼無(wú)人機(jī)進(jìn)行懸掛物路徑跟蹤控制的問(wèn)題。首先從載荷的角度出發(fā)，建立了多體機(jī)械系統(tǒng)的運(yùn)動(dòng)學(xué)模型，并用歐拉-拉格朗日方法建立了詳細(xì)的動(dòng)力學(xué)模型，得到了系統(tǒng)的高度耦合非線性狀態(tài)空間表示，負(fù)載的位置和方向由狀態(tài)變量直接表示。文中提出了一種基于不同采樣時(shí)間、未知但有界測(cè)量噪聲的飛機(jī)傳感器的區(qū)域狀態(tài)估計(jì)器，以解決負(fù)載位置和方向的估計(jì)問(wèn)題。為解決路徑跟蹤問(wèn)題，設(shè)計(jì)了一種具有極點(diǎn)配置約束的離散混合H_2/H_∞控制器，該控制器具有保證的時(shí)間響應(yīng)特性和對(duì)未建模動(dòng)態(tài)、參數(shù)不確定性和外部干擾的魯棒性。在文獻(xiàn)[22]中，考慮了一個(gè)由多旋翼無(wú)人機(jī)組成的任務(wù)的運(yùn)輸階段，該無(wú)人機(jī)承載著一個(gè)由導(dǎo)線懸掛的有效載荷。文中提出了一種非線性跟蹤控制器，用于單次提升操作，其中單個(gè)多旋翼運(yùn)輸具有已知質(zhì)量的懸浮負(fù)載。所提出的控制器可以擴(kuò)展到包含未知負(fù)載質(zhì)量的系統(tǒng)，也可以用于多車輛運(yùn)行中的軌跡同步。雖然文中沒(méi)有探究有效載荷擺動(dòng)的阻尼，但說(shuō)明了如何使用一種經(jīng)典方法，來(lái)生成使懸浮有效載荷的剩余擺動(dòng)最小化的軌跡。國(guó)內(nèi)的研究中，文獻(xiàn)[23]研究了懸掛繩索的無(wú)人機(jī)并建立了懸掛系統(tǒng)的模型,將其耦合到八旋翼無(wú)人機(jī)模型上,得到整個(gè)負(fù)載系統(tǒng)的非線性模型，然后設(shè)計(jì)PID串級(jí)控制器,通過(guò)整定控制器參數(shù),使得系統(tǒng)能夠準(zhǔn)確地跟蹤設(shè)定值。文獻(xiàn)[24]研究的懸重?zé)o人機(jī)在視覺(jué)伺服控制器的基礎(chǔ)上,設(shè)計(jì)了基于視覺(jué)伺服輸出參考的跟蹤控制器,控制器包括無(wú)人機(jī)和懸掛負(fù)載的位置控制環(huán)、懸掛負(fù)載的姿態(tài)控制環(huán)及無(wú)人機(jī)的姿態(tài)控制環(huán)三部分。文獻(xiàn)[25]針對(duì)懸繩運(yùn)輸問(wèn)題，建立了無(wú)人機(jī)-懸掛負(fù)載系統(tǒng)的運(yùn)動(dòng)學(xué)模型及動(dòng)力學(xué)模型，采用基于近似價(jià)值函數(shù)迭代的強(qiáng)化學(xué)習(xí)算法來(lái)設(shè)計(jì)軌跡規(guī)劃器,利用特征向量估計(jì)價(jià)值函數(shù)。設(shè)計(jì)多閉環(huán)PID控制器,使系統(tǒng)同時(shí)跟蹤無(wú)人機(jī)和負(fù)載的運(yùn)動(dòng)軌跡,該方法可以很好地控制負(fù)載擺動(dòng),保持系統(tǒng)穩(wěn)定性及搬運(yùn)快速性。并在ROS中驗(yàn)證了方案的可行性。 綜上，國(guó)外的研究針對(duì)無(wú)人機(jī)懸掛物體問(wèn)題提出了多種基于機(jī)器學(xué)習(xí)的智能控制方案，控制效果較好，但控制較為復(fù)雜，實(shí)現(xiàn)困難。國(guó)內(nèi)的研究針對(duì)無(wú)人機(jī)懸重的非線性模型設(shè)計(jì)了多種控制器，但少有探究在面對(duì)較大擾動(dòng)時(shí)模型的魯棒性。由于切割樹障是一個(gè)大擾動(dòng)的過(guò)程，因此本文展開(kāi)了對(duì)懸掛刀具空中機(jī)器人的工作過(guò)程控制研究。參考文獻(xiàn)LinX,YuY,SunCY.SupplementaryReinforcementLearningControllerDesignedforQuadrotorUAVs[J].IEEEAccess,2019:1-1.陳聽(tīng)雨.四旋翼飛行器建模、仿真與PID控制[J].電子世界,2018,000(021):5-7.陳洪亮,張向文.基于LQR控制器設(shè)計(jì)的無(wú)人機(jī)姿態(tài)控制[J].自動(dòng)化應(yīng)用,2019(10).REYES-VALERIAE,ENRIQUEZ-CALDERAR,CAMACHO-LARAS,etal.LQRcontrolforaquadrotorusingunitquaternions:Modelingandsimulation:InternationalConferenceonElectronics,Communications&Computing[C],2013.陳平,羅晶.四旋翼直升機(jī)建模及H_∞回路成形控制器設(shè)計(jì):2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C],2009.A.L.Salih,M.Moghavvemi,H.A.F.Mohamed,andK.S.Gaeid,‘‘ModellingandPIDcontrollerdesignforaquadrotorunmannedairvehicle,’’inProc.IEEEInt.Conf.Automat.,Qual.Testing,Robot.(AQTR),vol.1,May2010,pp.1–5.X.Liang,Y.Fang,N.Sun,andH.Lin,‘‘Nonlinearhierarchicalcontrolforunmannedquadrotortransportationsystems,’’IEEETrans.Ind.Electron.,vol.65,no.4,pp.3395–3405,Apr.2018.DasA,LewisF,SubbaraoK.BacksteppingApproachforControllingaQuadrotorUsingLagrangeFormDynamics[J].JournalofIntelligentandRoboticSystems,2009,56(1):127-151.ShaoX,LiuJ,CaoH,etal.RobustdynamicsurfacetrajectorytrackingcontrolforaquadrotorUAVviaextendedstateobserver[J].InternationalJournalofRobustandNonlinearControl,2018,28.Jingxin,Dou,Xiangxi,etal.Outputfeedbackobserver-baseddynamicsurfacecontrollerforquadrotorUAVusingquaternionrepresentation[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartG:JournalofAerospaceEngineering,2016(14):2537-2548.NuradeenF,MaaroufS,HannahM,etal.RobustObserver-BasedDynamicSlidingModeControllerforaQuadrotorUAV[J].IEEEAccess,2018,6:45846-45859.LiuH,XiJ,ZhongY.RobustAttitudeStabilizationforNonlinearQuadrotorSystemsWithUncertaintiesandDelays[J].IEEETransactionsonIndustrialElectronics,2017:5585-5594.NingW,Shun-FengS,MinH,etal.BackpropagatingConstraints-BasedTrajectoryTrackingControlofaQuadrotorWithConstrainedActuatorDynamicsandComplexUnknowns[J].IEEETransactionsonSystems,Man,andCybernetics:Systems,2018,PP:1-16.????,???.Adaptivetrackingcontrolofaquadrotorunmannedvehicle[J].??????????????????,2015.AntonelliG,CataldiE,ArrichielloF,etal.AdaptivetrajectorytrackingforquadrotorMAVsinpresenceofparameteruncertaintiesandexternaldisturbances[J].IEEETransactionsonControlSystemsTechnology,2013:1-7.BansalS,AkametaluAK,JiangFJ,etal.Learningquadrotordynamicsusingneuralnetworkforflightcontrol[C].DecisionandControl.IEEE,2016.PhamHX,LaHM,FeilseiferDJ,etal.