关于“maxout模糊神经网络四旋翼无人机复合控制器”研究的学术报告
本研究由来自哈尔滨工业大学的戚心辰（硕士研究生）和吴剑威（副教授，博士研究生导师）共同完成。论文《maxout模糊神经网络四旋翼无人机复合控制器》发表于《计算机仿真》期刊2021年12月第38卷第12期。以下是对该项研究的详细报告。
一、 研究背景与目标
本研究属于控制科学与工程领域，具体聚焦于四旋翼无人机的飞行控制技术。四旋翼无人机因其结构简单、机动性强等优点，在工业巡检、物流运输、搭载机械臂执行复杂任务等领域应用日益广泛。然而，四旋翼系统本身是一个强耦合、欠驱动、非线性的复杂系统，对外界干扰（如风力、搭载物运动引起的扰动）非常敏感。传统的控制方法，如比例-积分-微分（PID）控制，虽然结构简单、易于实现，但其性能严重依赖于被控对象的精确数学模型，在面对非线性干扰和模型参数变化时，往往表现出抗干扰能力弱、鲁棒性差的问题。例如，文献中提及的传统PID控制在面对机械臂扰动时抵抗能力弱，而一些自适应控制或鲁棒控制方法则存在响应滞后或对干扰响应速度慢的不足。
因此，本研究旨在解决常规PID控制器在四旋翼无人机应用中抗干扰性弱的瓶颈问题。研究团队提出了一种创新的复合控制器设计，其核心目标是将PID控制的快速响应优势与模糊逻辑、神经网络的自适应、非线性处理能力相结合，同时引入先进的模型辨识技术，以期在不依赖精确先验模型的前提下，显著提升无人机控制系统的抗干扰能力、响应精度和整体鲁棒性。
二、 研究详细工作流程
本研究的工作流程可以清晰地划分为四个主要阶段：无人机数学模型建立、复合控制器设计（包含传统PID、模糊神经网络控制器及并联结构）、神经网络辨识器开发，以及最终的仿真验证与对比分析。
第一阶段：四旋翼无人机数学模型建立 研究首先建立了四旋翼无人机的动力学模型，为后续控制器设计与仿真提供理论基础。模型基于牛顿-欧拉方程，详细描述了无人机在三维空间中的线运动和角运动。 1. 运动描述：定义了无人机在惯性坐标系下的六个自由度：位置 (x, y, z) 和姿态角（横滚角 φ, 俯仰角 θ, 航偏角 ψ）。 2. 动力与力矩模型：建立了四个电机转速 (ω₁, ω₂, ω₃, ω₄) 与产生的总升力 (F) 及各轴向力矩 (Mφ, Mθ, Mψ) 之间的关系式。总升力与转速平方成正比（系数为升力系数k），力矩则取决于不同电机转速差的组合（涉及旋翼中心到质心距离l和反力矩系数λ）。 3. 动力学方程：推导出无人机线加速度（式2）和角加速度（式5）的动力学方程。角加速度方程清晰地展示了姿态通道间的耦合关系（如 θ̇ψ̇ 项耦合了俯仰角速度和航偏角速度对横滚角加速度的影响）以及控制力矩的作用。这个非线性、耦合的模型是控制器需要应对的核心对象。
第二阶段：模糊神经网络复合控制器设计 这是本研究的核心创新部分。控制器采用并联结构，将传统PID控制器与一个新颖的模糊神经网络（Fuzzy Neural Network）控制器相结合。 1. 控制系统总体结构：如图3所示，系统输入为期望的滚转角（roll）、俯仰角（pitch）、航偏角（yaw）和油门（throttle）指令。姿态角误差（e_rpy）输入给传统PID控制器；同时，姿态角误差、角速度误差（e_w_rpy）以及Z轴速度误差（e_v）共同输入给模糊神经网络控制器。两个控制器的输出叠加，形成最终的控制信号(u)，驱动四个电机。 2. 传统PID控制器：作为基准和快速响应通道，其设计遵循经典形式（式6），输入为误差信号，输出为比例、积分、微分项的加权和。 3. 模糊神经网络控制器：这是提升系统自适应和抗干扰能力的关键。其工作流程包含以下几个子步骤： * 输入预处理：首先，将输入的误差信号通过一个双曲正切形式的函数（式7）进行归一化，以消除不同物理量数量级差异的影响。 * 模糊化：将归一化后的误差信号(e‘)通过高斯型隶属度函数（式8）进行模糊化处理。每个误差量被映射到五个模糊子集：正大、正小、零、负小、负大，对应误差的不同大小和方向。 * 模糊规则库：研究设计了详细的模糊控制规则表（表1-4）。例如，针对横滚角速度误差，规则明确了当误差为正大时，应如何增强或减弱各个电机的控制信号（u1-u4）以产生纠正力矩。这些规则封装了专家控制经验。 * 神经网络实现与学习：模糊推理过程由一个三层前馈神经网络（图4）实现。输入层为7个误差信号（三个角度误差、三个角速度误差、一个速度误差）。隐含层节点对应模糊化的隶属度函数，其输出由高斯函数计算。输出层则生成四个电机的控制量修正。网络的学习（即权值ωi的调整）采用误差反向传播（BP）算法。关键的创新点在于性能指标函数J（式9）同时考虑了角度和角速度的跟踪误差，并且权值调整公式（式12）中引入了代表系统输入输出敏感性的雅可比（Jacobian）信息(yu)。这使得网络收敛的条件更为严格，只有当角度和角速度误差都足够小时学习才停止，从而提高了控制精度。 4. 关键参数yu的获取：权值调整公式中的雅可比参数(yu = ∂y/∂u)，反映了无人机状态对控制输入的灵敏度，是神经网络学习的关键。本研究并未假设其已知，而是通过一个专门的神经网络辨识器在线获取。
第三阶段：基于Maxout的神经网络辨识器设计 为了解决模型不确定性和对精确数学模型的依赖，本研究设计了一个用于在线辨识系统雅可比参数(yu)的神经网络辨识器。 1. 辨识原理：该辨识器以控制信号(u)和无人机状态作为输入，目标是使其输出逼近无人机的真实输出。当辨识精度足够高时，辨识器网络本身对控制输入的偏导数(∂yt/∂u)就可以作为雅可比参数(yu)的估计值（式13）。 2. 核心创新——Maxout激活函数：为了提高辨识器的拟合能力和精度，本研究摒弃了传统的Sigmoid或ReLU激活函数，采用了当时较为前沿的Maxout激活函数。其网络结构如图5所示。在隐含层中，每个神经元包含多个“隐隐含层”节点，每个节点进行线性变换（ωx + b）。该神经元的最终输出是所有隐隐含层节点输出的最大值（式14）。Maxout函数能够自适应地学习激活函数的形状，理论上可以通过增加隐隐含层节点数来逼近任意凸函数，从而显著提升模型对复杂非线性动态的辨识能力。
第四阶段：仿真实验与结果分析 研究在MATLAB/Simulink仿真环境中构建了无人机模型和所提出的复合控制系统，并与传统PID控制器进行了全面的对比测试。 1. 实验设置：设定了包含起飞、悬停、多种姿态角阶跃变化和匀速偏转的复杂飞行轨迹指令。同时，为了测试抗干扰性，在仿真模型中引入了一个自由摆锤，以模拟持续、随机的多方向外力干扰。 2. 无干扰情况下的性能对比： * 传统PID：如图6所示，在执行俯仰角（pitch）指令时，引发了航偏角（yaw）的短暂耦合偏差；且yaw角在接近目标角度的过程中，转速下降，过渡时间不可控。 * 复合控制器：如图7所示，耦合干扰现象得到明显抑制，yaw角的偏转速度与时间呈良好线性关系，各通道间的独立性更好，响应更精准。 * 高度控制：传统PID在速度指令变化时出现显著超调（最大-1.323 m/s，图8），而复合控制器的超调大幅减小（仅-0.2417 m/s，图9），体现了神经网络参数自整定带来的平滑性优势。 3. 抗干扰能力测试： * 传统PID：在随机摆锤干扰下（图10, 11），无人机姿态角（如roll）波动剧烈，仿真初期晃动幅值达3.615°，末期仍有0.2693°的波动，抑制能力有限。 * 复合控制器：如图12, 13所示，晃动被有效抑制，初期幅值控制在1.238°以内，并通过神经网络在线调整，最终将晃动幅值相比PID降低了65.8%，证明了其卓越的抗干扰性和鲁棒性。
三、 主要研究结果
四、 研究结论与价值
本研究得出结论：所提出的基于Maxout辨识器的模糊神经网络与PID复合控制器，能够有效解决四旋翼无人机在常规PID控制下抗干扰性弱、依赖精确模型的问题。该控制器通过模糊化处理输入误差、利用神经网络进行自适应参数调整，并结合高精度的Maxout网络在线辨识，实现了对无人机模型的精准控制和强扰动抑制。
其科学价值在于：为非线性、强耦合、欠驱动系统的控制提供了一种有效的融合智能控制与传统控制的设计范式。具体而言，它将模糊逻辑的知识表达、神经网络的学习能力与PID的经典结构有机结合，并通过引入先进的激活函数提升了系统辨识环节的性能，这为复杂运动体的智能控制算法研究提供了新的思路和技术路径。
其应用价值十分显著：该控制方法大大增强了四旋翼无人机在不确定环境和存在外部干扰（如风力、搭载机械臂操作产生的反作用力）下的稳定飞行能力。这为无人机在桥梁检测、物资抓取与运输、复杂环境巡检等需要高精度、高鲁棒性执行的工业任务中，奠定了更可靠的控制基础，拓展了其应用潜力和范围。
五、 研究亮点
六、 其他有价值内容
论文在引言部分对四旋翼无人机控制领域的现有工作（如PID、H∞鲁棒控制、基于逆系统的神经网络补偿等）进行了简要综述，指出了它们各自的局限性，从而清晰地定位了本研究的出发点和贡献所在。此外，文中提供的模糊控制规则表（表1-4）非常具体，具有很好的可参考性和可复现性。仿真结果部分不仅给出了响应曲线，还提供了具体的超调量、波动幅值等量化数据，使性能对比更具说服力。