ĐIỀU KHIỂN TRƯỢT DỰA TRÊN MẠNG NƠ-RON THÍCH NGHI  CHO THIẾT BỊ BAY KHÔNG NGƯỜI LÁI BỐN CÁNH QUẠT  DƯỚI TÁC ĐỘNG CỦA NHIỄU

Dương Quỳnh Nga; Đặng Ngọc Trung

doi:10.34238/tnu-jst.12556

ĐIỀU KHIỂN TRƯỢT DỰA TRÊN MẠNG NƠ-RON THÍCH NGHI CHO THIẾT BỊ BAY KHÔNG NGƯỜI LÁI BỐN CÁNH QUẠT DƯỚI TÁC ĐỘNG CỦA NHIỄU

Thông tin bài báo

Ngày nhận bài: 11/04/25 Ngày hoàn thiện: 09/05/25 Ngày đăng: 09/05/25

Các tác giả

1. Dương Quỳnh Nga, Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên
2. Đặng Ngọc Trung , Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên

Tóm tắt

Nghiên cứu này đề xuất một chiến lược điều khiển trượt kết hợp với mạng nơ-ron thích nghi nhằm đảm bảo bám quỹ đạo chính xác và duy trì ổn định cho thiết bị bay không người lái bốn cánh (Quadrotor) trong điều kiện có nhiễu bên ngoài không xác định. Như đã biết, bài toán điều khiển bám quỹ đạo cho Quadrotor đối mặt với nhiều thách thức lớn do tính phi tuyến nội tại, sự liên kết chặt chẽ giữa các trục (coupling), bất định mô hình và ảnh hưởng của nhiễu từ môi trường. Để khắc phục các vấn đề này, một cấu trúc điều khiển thích nghi được phát triển bằng cách tích hợp mạng nơ-ron xuyên tâm với bộ điều khiển trượt . Trong cấu trúc này, mạng nơ-ron xuyên tâm được sử dụng để xấp xỉ các bất định mô hình và nhiễu bên ngoài theo thời gian thực, trong khi bộ điều khiển trượt có vai trò đảm bảo hiệu suất bám quỹ đạo cao và hội tụ trong thời gian hữu hạn, đồng thời tăng cường khả năng chống nhiễu cho hệ thống. Tính ổn định của hệ thống vòng kín được chứng minh một cách chặt chẽ dựa trên lý thuyết ổn định Lyapunov. Cuối cùng, mô phỏng được thực hiện trên nền tảng MATLAB/Simulink được đưa ra để chứng minh hiệu quả và độ tin cậy của bộ điều khiển được đề xuất.

Từ khóa

Thiết bị bay không người lái bốn cánh; Thiết bị bay không người lái; Điều khiển thích nghi; Điều khiển trượt terminal; Mạng nơ-ron

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] D. K. D. Villa, A. S. Brandão, and M. Sarcinelli-Filho, “A Survey on Load Transportation Using Multirotor UAVs,” Journal of Intelligent and Robotic Systems: Theory and Applications, vol. 98, no. 2, pp. 267–296, May 2020, doi: 10.1007/S10846-019-01088-W/METRICS.

[2] M. Lyu, Y. Zhao, C. Huang, and H. Huang, “Unmanned Aerial Vehicles for Search and Rescue: A Survey,” Remote Sensing 2023, Vol. 15, Page 3266, vol. 15, no. 13, Jun. 2023, Art. no. 3266, doi: 10.3390/RS15133266.

[3] W. Budiharto, E. Irwansyah, J. S. Suroso, A. Chowanda, H. Ngarianto, and A. A. S. Gunawan, “Mapping and 3D modelling using Quadrotor drone and GIS software,” J. Big Data, vol. 8, no. 1, pp. 1–12, Dec. 2021, doi: 10.1186/S40537-021-00436-8/FIGURES/7.

[4] M. Sivakumar and T. Y. J. N. Malleswari, “A Literature Survey of Unmanned Aerial Vehicle Usage for Civil Applications,” Journal of Aerospace Technology and Management, vol. 13, Nov. 2021, Art. no. e4021, doi: 10.1590/JATM.V13.1233.

[5] I. Lopez-Sanchez and J. Moreno-Valenzuela, “PID control of quadrotor UAVs: A survey,” Annu Rev Control, vol. 56, Jan. 2023, Art. no. 100900, doi: 10.1016/J.ARCONTROL.2023.100900.

[6] J. Lin, Z. Miao, Y. Wang, G. Hu, X. Wang, and H. Wang, “Error-State LQR Geofencing Tracking Control for Underactuated Quadrotor Systems,” IEEE/ASME Transactions on Mechatronics, vol. 29, no. 2, pp. 1146–1157, Apr. 2024, doi: 10.1109/TMECH.2023.3292893.

[7] W. Xie, D. Cabecinhas, R. Cunha, and C. Silvestre, “Adaptive Backstepping Control of a Quadcopter with Uncertain Vehicle Mass, Moment of Inertia, and Disturbances,” IEEE Transactions on Industrial Electronics, vol. 69, no. 1, pp. 549–559, Jan. 2022, doi: 10.1109/TIE.2021.3055181.

[8] C. A. I. Zhenhuan, S. Zhang, and X. Jing, “Model predictive controller for quadcopter trajectory tracking based on feedback linearization,” IEEE Access, vol. 9, pp. 162909–162918, 2021, doi: 10.1109/ACCESS.2021.3134009.

[9] X. Liu, Z. Yuan, Z. Gao, and W. Zhang, “Reinforcement Learning-Based Fault-Tolerant Control for Quadrotor UAVs Under Actuator Fault,” IEEE Trans Industr. Inform, vol. 20, no. 12, pp. 13926–13935, Sep. 2024, doi: 10.1109/TII.2024.3438241.

[10] G. Han, O. Mofid, S. Mobayen, and M. H. Khooban, “Adaptive prescribed performance based on recursive nonsingular terminal sliding mode control for quad-rotor systems under uncertainty and disturbance: Real-time validation,” Aerosp Sci. Technol, vol. 147, Apr. 2024, Art. no. 109028, doi: 10.1016/J.AST.2024.109028.

[11] O. Mechali, L. Xu, Y. Huang, M. Shi, and X. Xie, “Observer-based fixed-time continuous nonsingular terminal sliding mode control of Quadrotor aircraft under uncertainties and disturbances for robust trajectory tracking: Theory and experiment,” Control Eng Pract, vol. 111, Jun. 2021, Art. no. 104806, doi: 10.1016/J.CONENGPRAC.2021.104806.

[12] S. J. Gambhire, D. R. Kishore, P. S. Londhe, and S. N. Pawar, “Review of sliding mode based control techniques for control system applications,” Int. J. Dyn. Control, vol. 9, no. 1, pp. 363–378, Mar. 2021, doi: 10.1007/S40435-020-00638-7/METRICS.

[13] Y. Mousavi, G. Bevan, I. B. Kucukdemiral, and A. Fekih, “Sliding mode control of wind energy conversion systems: Trends and applications,” Renewable and Sustainable Energy Reviews, vol. 167, Oct. 2022, Art. no. 112734, doi: 10.1016/J.RSER.2022.112734.

[14] J. Hu, H. Zhang, H. Liu, and X. Yu, “A survey on sliding mode control for networked control systems,” Int. J. Syst. Sci., vol. 52, no. 6, pp. 1129–1147, Apr. 2021, doi: 10.1080/00207721.2021.1885082.

[15] X. Lin, Y. Wang, and Y. Liu, “Neural-network-based robust terminal sliding-mode control of Quadrotor,” Asian J. Control, vol. 24, no. 1, pp. 427–438, Jan. 2022, doi: 10.1002/ASJC.2478.

[16] Q. Liu, D. Li, S. S. Ge, R. Ji, Z. Ouyang, and K. P. Tee, “Adaptive bias RBF neural network control for a robotic manipulator,” Neurocomputing, vol. 447, pp. 213–223, Aug. 2021, doi: 10.1016/J.NEUCOM.2021.03.033.

[17] H. Pang, M. Liu, C. Hu, and F. Zhang, “Adaptive sliding mode attitude control of two-wheel mobile robot with an integrated learning-based RBFNN approach,” Neural Comput. Appl., vol. 34, no. 17, pp. 14959–14969, Sep. 2022, doi: 10.1007/S00521-022-07304-3/METRICS.

[18] R. Ma, J. Han, and L. Ding, “Finite-time trajectory tracking control of Quadrotor UAV via adaptive RBF neural network with lumped uncertainties,” Mathematical Biosciences and Engineering, vol. 20, no. 2, pp. 1841–1855, 2022, doi: 10.3934/mbe.2023084.

[19] M. Labbadi and M. Cherkaoui, “Robust adaptive nonsingular fast terminal sliding-mode tracking control for an uncertain Quadrotor UAV subjected to disturbances,” ISA Trans, vol. 99, pp. 290–304, Apr. 2020, doi: 10.1016/J.ISATRA.2019.10.012.

[20] J.Xu, P. Shi, C. C. Lim, C. Cai, and Y. Zou, “Reliable Tracking Control for Under-Actuated Quadrotors with Wind Disturbances,” IEEE Trans Syst Man Cybern Syst, vol. 49, no. 10, pp. 2059–2070, Oct. 2019, doi: 10.1109/TSMC.2017.2782662.

[21] Y. Hu, H. Yan, H. Zhang, M. Wang, and L. Zeng, “Robust Adaptive Fixed-Time Sliding-Mode Control for Uncertain Robotic Systems with Input Saturation,” IEEE Trans Cybern, vol. 53, no. 4, pp. 2636–2646, Apr. 2023, doi: 10.1109/TCYB.2022.3164739.

DOI: https://doi.org/10.34238/tnu-jst.12556

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ