[28]的電機(jī)模型，導(dǎo)入了其電機(jī)插件。下圖4.18為收縮狀態(tài)的機(jī)器人，圖4.19為工作狀態(tài)伸展的機(jī)器人。圖4.18收縮狀態(tài)的機(jī)器人 圖4.19工作狀態(tài)的機(jī)器人樹障Gazebo模型在MATLAB建模中，將樹障的作用簡化為某一時(shí)刻的力與力矩，在Gazebo仿真中，可充分發(fā)揮其可視化的優(yōu)點(diǎn)，建立樹障的物理模型。首先，將樹障的形態(tài)簡化為豎直的圓柱體，再將樹障分為與地面固定連接的樹體與將要割除的障礙體，樹體與障礙體之間為旋轉(zhuǎn)關(guān)節(jié)，在URDF文件中編寫其各項(xiàng)物理屬性后就能在Gazebo中將模型載入作為機(jī)器人的工作對(duì)象。圖4.26Gazebo可視化仿真示意ROS控制節(jié)點(diǎn)實(shí)現(xiàn)本文編寫C++程序建立了ROS控制節(jié)點(diǎn)，將建立的MATLAB模型轉(zhuǎn)換為程序文件，通過發(fā)布和接收消息與Gazebo進(jìn)行通信。在控制節(jié)點(diǎn)中編寫了PID和ADRC控制算法對(duì)Gazebo模型進(jìn)行控制。位置控制核心代碼//位置控制用雙環(huán)PIDexpect_velocity<<position_gain(0)*(expect_position(0)-state_pos(0)),position_gain(1)*(expect_position(1)-state_pos(1)),position_gain(2)*(expect_position(2)-state_pos(2));expect_accel<<PID_calculate(&_pid_u,expect_velocity(0),state_vel(0)),PID_calculate(&_pid_v,expect_velocity(1),state_vel(1)),PID_calculate(&_pid_w,expect_velocity(2),state_vel(2));姿態(tài)控制核心代碼Eigen::Quaternionderror_q=_state_q.conjugate()*_command_q;error_q.normalize();command_omega=2.0f/0.5*Sgn(error_q.w())*error_q.vec();_M_b<<_adrc_roll.ComputeControl(command_omega(0),_state_omega(0)),_adrc_pitch.ComputeControl(command_omega(1),_state_omega(1)),_adrc_yaw.ComputeControl(command_omega(2),_state_omega(2));完成Ubuntu系統(tǒng)下代碼包的編寫后，只需通過設(shè)定一些啟動(dòng)文件，就能夠?qū)崿F(xiàn)機(jī)器人模型的ROS-Gazebo的可視化仿真操作?？梢暬瘜?shí)驗(yàn)仿真結(jié)果將Gazebo啟動(dòng)，并開啟ROS節(jié)點(diǎn)控制，先使機(jī)器人在X、Z方向上各前進(jìn)1米，在第15秒時(shí)，使機(jī)器人的航向角偏移90°同時(shí)Y方向前進(jìn)1米進(jìn)行切割，在第20秒時(shí)，使機(jī)器人沿方向退后1米結(jié)束切割。使用ROS中的rosbag工具進(jìn)行數(shù)據(jù)實(shí)時(shí)記錄，得到如下圖4.16的位置曲線和姿態(tài)曲線。從圖中可以看出，ADRC在可視化仿真中有較好的效果，能夠?qū)崿F(xiàn)位姿的跟蹤。圖4.24位置響應(yīng)曲線本章小結(jié)本章對(duì)懸掛刀具空中機(jī)器人控制性能開展實(shí)驗(yàn)驗(yàn)證。首先通過MATLAB進(jìn)行數(shù)值仿真，驗(yàn)證ADRC在穩(wěn)定、解耦、抗擾能力性能優(yōu)于PID。然后進(jìn)行Gazebo的可視化仿真實(shí)驗(yàn)，仿真驗(yàn)證ADRC算法在傾轉(zhuǎn)多旋翼上的可行性。展望和設(shè)想工作總結(jié)本文研究了懸掛刀具空中機(jī)器人的建模與控制，具體研究內(nèi)容可以分為以下幾點(diǎn)：1）使用SolidWorks三維設(shè)計(jì)軟件完成了傾轉(zhuǎn)多旋翼的結(jié)構(gòu)建模。建立了飛行器的坐標(biāo)系，分析飛行器的動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)模型，完成了傾轉(zhuǎn)多旋翼的數(shù)學(xué)建模，為之后的控制器設(shè)計(jì)及分析奠定了基礎(chǔ)。通過虛擬控制量，將非線性的控制分配問題轉(zhuǎn)換為線性的控制分配問題。2）研究了基于自抗擾控制的方法。首先分別設(shè)計(jì)了ADRC控制器所包含的跟蹤微分器、擴(kuò)張狀態(tài)觀測器、非線性狀態(tài)誤差反饋律，給出了本文基于ADRC的控制律總體流程，通過仿真與PID、LQR控制相比，最終驗(yàn)證了ADRC在解耦和抗擾方面有更好的性能。3）完成了基于傾轉(zhuǎn)多旋翼的ROS-Gazebo可視化仿真。在Ubuntu系統(tǒng)中，搭建了傾轉(zhuǎn)多旋翼的URDF格式文件，編寫了基于ADRC的控制算法，實(shí)現(xiàn)了傾轉(zhuǎn)多旋翼的實(shí)時(shí)控制。最終通過位姿的六自由度全向運(yùn)動(dòng)，驗(yàn)證了所設(shè)計(jì)的基于ADRC控制的傾轉(zhuǎn)多旋翼方案是可行的。工作展望懸掛刀具空中機(jī)器人能夠在ADRC的控制下完成割樹任務(wù)，在面對(duì)較大的擾動(dòng)時(shí)仍具有較好的控制性能，為解決輸電線路上樹障的問題提出了有效的解決方案。但是，受時(shí)間和作者水平能力的限制，仍有許多問題未能及時(shí)研究。未來將從以下幾點(diǎn)進(jìn)行深入的探索：1）位置回路采用的是PID控制，今后將設(shè)計(jì)六通道ADRC控制器對(duì)機(jī)器人進(jìn)行自由度更高的控制。2）姿態(tài)采用ADRC的非線性狀態(tài)反饋采用的是最簡潔的一種方式，今后將對(duì)其它非線性函數(shù)進(jìn)行研究。3）對(duì)于懸掛刀具機(jī)器人進(jìn)行智能控制器設(shè)計(jì)，如強(qiáng)化學(xué)習(xí)控制器，以面對(duì)更復(fù)雜的任務(wù)。4）本文僅進(jìn)行了MATLAB與Gazebo平臺(tái)的仿真實(shí)驗(yàn)，后續(xù)還將進(jìn)行實(shí)物仿真驗(yàn)證可行性。參考文獻(xiàn)LinX,YuY,SunCY.SupplementaryReinforcementLearningControllerDesignedforQuadrotorUAVs[J].IEEEAccess,2019:1-1.陳聽雨.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.AutonomousUAVNavigationUsingReinforcementLearning[J].arXiv:Robotics,2018.Kimathi,EtheK,Kihato,etal.ApplicationOfReinforcementLearningInHeadingControlOfAFixedWingUAVUsingX-PlanePlatform[J].InternationalJournalofScientific&TechnologyResearch,2017,6(2):285-289.KochW,MancusoR,WestR,etal.ReinforcementLearningforUAVAttitudeControl[J].2018.PalunkoI,FaustA,CruzP,etal.Areinforcementlearningapproachtowardsautonomoussuspendedloadmanipulationusingaerialrobots[C]//IEEEInternationalConferenceonRobotics&Automation.IEEE,2013.RegoBS,RaffoGV.Suspendedloadpathtrackingcontrolusingatilt-rotorUAVbasedonzonotopicsta