关于《混合自适应PID控制策略：结合神经网络与模糊逻辑用于无人机》的学术研究报告

一、 研究作者、机构与发表信息

本项研究由来自埃塞俄比亚亚的斯亚贝巴信息网络安全管理局（Information Network Security Administration, INSA）航空航天部门的Nigatu Wanore Madebo独立完成。该研究成果以题为《Hybrid Adaptive PID Control Strategy for UAVs Using Combined Neural Networks and Fuzzy Logic》的研究论文形式，发表于开放获取期刊《PLOS ONE》。论文于2025年2月7日收稿，同年8月8日被接受，并于2025年8月29日正式在线发表，文章编号为e0331036。

二、 学术背景与研究目的

本研究属于自动控制与无人机（Unmanned Aerial Vehicle, UAV）系统领域，具体聚焦于四旋翼无人机（Quadrotor）的先进控制策略设计。四旋翼无人机因其固有的非线性、强耦合及欠驱动特性，其控制系统的设计充满挑战。传统的比例-积分-微分（Proportional-Integral-Derivative, PID）控制器虽然结构简单、应用广泛，但其固定的增益参数难以在复杂多变的动态环境和外部干扰下保持鲁棒性和最优性能。

为了克服传统PID的局限，学术界探索了多种智能控制方法。其中，基于模糊逻辑的PID（Fuzzy PID, F-PID）控制器利用启发式规则处理不确定性和非线性，表现出良好的适应性；而基于神经网络的PID（Neural Network PID, NN-PID）控制器则通过学习能力，能够精确调整参数以适应复杂动态。然而，单独使用任何一种方法都存在缺陷：F-PID在需要高精度调谐的某些动态状态（如横滚、俯仰）上可能表现不佳；而NN-PID虽然学习能力强，但计算成本较高，且在部分状态（如偏航）的控制上可能不如F-PID稳定或高效。

因此，本研究旨在解决这一核心问题：如何设计一种能够全面优化无人机所有六个自由度（即位置x, y, z和姿态角φ, θ, ψ）动态性能的自适应控制策略？ 具体目标是开发一种新型的混合自适应PID控制器，它能够整合神经网络（Neural Network, NN）的精确学习能力和模糊逻辑（Fuzzy Logic, FL）的启发式实时适应能力，以实现比任何单一方法都更优越的轨迹跟踪性能和整体控制效率。

三、 详细研究流程与方法

本研究遵循一套系统化的方法论，从问题分析到性能验证，共包含七个主要步骤，其详细工作流程如下：

步骤一：问题分析与系统建模 首先，研究建立了四旋翼无人机的精确数学模型。采用“X”型（交叉）构型，因其相比“+”型构型具有更好的稳定性。研究基于牛顿-欧拉方法，推导了无人机在六个自由度上的完整非线性动力学方程。模型考虑了总推力、重力、陀螺效应以及由四个旋翼产生的力矩。通过一系列合理假设（如刚体、对称结构、重心与机体坐标系原点重合、螺旋桨推力与转速平方成正比等），简化了模型复杂度，最终得到一组描述无人机位置（x, y, z）和姿态（φ, θ, ψ）演化的微分方程。这些方程是后续控制器设计与仿真验证的基础。

步骤二：神经网络PID（NN-PID）控制器设计 针对y（侧向位置）和ψ（偏航角）这两个动态状态，研究设计了一个单层前馈神经网络用于在线自适应调整其PID控制器的增益（Kp, Ki, Kd）。网络结构为：输入层（3个节点：比例误差ep、积分误差ei、微分误差ed）、隐藏层（10个神经元）、输出层（3个节点：Kp, Ki, Kd）。隐藏层和输出层均采用Sigmoid非线性激活函数。网络通过梯度下降（Gradient Descent）算法进行在线训练，目标是最小化由ep, ei, ed构成的均方误差损失函数。权重和偏置在控制过程中实时更新，使网络能够根据系统当前的误差状态动态输出最优的PID参数。该设计强调计算效率，以适应可能的实时部署需求。

步骤三：模糊逻辑PID（F-PID）控制器设计 针对剩余的四个动态状态——x（纵向位置）、z（高度）、φ（横滚角）、θ（俯仰角），研究设计了一个模糊推理系统来在线调整其PID增益。该系统以控制误差e(t)及其导数de(t)/dt作为输入，输出为调整后的Kp, Ki, Kd。输入和输出变量均被划分为七个模糊语言集（如负大NB、负中NM、零ZO、正大PB等）。研究制定了详细的模糊规则表（例如，当误差为“负大”且误差变化率为“负大”时，比例增益Kp应为“中”M）。通过乘积-求和推理和重心法解模糊，将模糊规则转化为精确的控制输出。输入输出变量的论域根据各状态的实际物理范围进行了归一化设定。

步骤四：混合控制器（NN-PID + F-PID）集成 这是本研究的核心创新步骤。研究并未设计一个统一的复杂网络或模糊系统来控制所有状态，而是采用了状态特异性分工的策略。将步骤二设计的NN-PID控制器专门用于控制y和ψ状态，将步骤三设计的F-PID控制器专门用于控制x, z, φ, θ状态。两者并行运行，共同构成完整的六自由度无人机混合控制系统。这种集成方式旨在结合NN在特定状态下的高精度学习能力和FL在其他状态下的快速鲁棒适应性，从而在整体上实现优势互补。

步骤五：性能评估与仿真设置 为了验证所提混合控制器的有效性，研究在MATLAB/Simulink 2023a环境中建立了完整的仿真平台。仿真对象为前述建立的无人机动力学模型。控制器性能通过一个具有挑战性的螺旋轨迹跟踪任务进行测试。期望轨迹定义为：x_r = cos(1.05t), y_r = sin(1.05t), z_r = 3 + t/4, ψ_r = π/4，仿真时长设定为2000秒，以评估长期性能。研究对比了三种控制器：单独的NN-PID、单独的F-PID以及提出的混合NN-PID+F-PID控制器。性能评估指标主要采用均方误差（Mean Squared Error, MSE），用于量化各状态的实际轨迹与期望轨迹之间的偏差。

步骤六：鲁棒性与抗干扰能力测试 为了进一步检验控制器的实用性能，研究设计了两种严苛的测试场景： 1. 外部干扰测试：在仿真过程中，于特定时间区间（x轴：7-10秒，y轴：12-15秒，z轴：17-20秒）施加幅值为1N的阶跃风扰力，模拟突发的阵风干扰。 2. 参数摄动测试：改变无人机模型的物理参数，模拟负载变化或模型不确定性。具体将无人机总质量增加25%，并将绕x, y, z轴的转动惯量增加10%。

在这两种非理想条件下，再次运行螺旋轨迹跟踪仿真，比较三种控制器的性能保持能力。

步骤七：对比分析与结论推导 基于大量仿真实验获得的数据，研究对三种控制器在无干扰、有干扰和参数摄动情况下的性能进行了详尽的定量和定性对比分析。通过表格和图表（如轨迹对比图、误差曲线图、PID增益变化图）直观展示结果。分析不仅关注整体轨迹跟踪效果，还深入剖析了各控制器在不同自由度动态上的具体表现优劣，从而验证混合策略的有效性，并总结其科学与应用价值。

四、 主要研究结果及其逻辑关联

仿真实验结果清晰而有力地支持了本研究提出的混合控制策略的优越性，具体结果如下：

1. 无干扰条件下的螺旋轨迹跟踪性能： 单独控制器测试表明，NN-PID和F-PID各有显著的优势和劣势区。对于y和ψ状态，NN-PID表现出了极高的精度，其MSE分别低至4.878×10⁻⁵和2.315×10⁻³⁵，几乎实现了完美跟踪。然而，NN-PID在控制x, z, φ, θ状态时表现严重不佳，尤其是φ和θ的MSE高达48180和1488，表明其在这些状态上失稳或产生剧烈振荡。相反，F-PID在x, z, φ, θ状态上表现非常出色，MSE值（如x: 3.041, z: 0.01709, φ: 8.96×10⁻⁶, θ: 0.0007452）远低于NN-PID。但F-PID在y和ψ状态的控制精度上明显逊于NN-PID（y的MSE为0.003699，ψ为0.003558）。 这一结果直接揭示了单一控制方法的局限性，并为混合控制器的设计提供了直接依据：为何不将NN-PID用于其擅长的y和ψ控制，而将F-PID用于其擅长的x, z, φ, θ控制呢？

2. 混合控制器（NN-PID+F-PID）的性能验证： 正如预期，混合控制器综合了二者的优点。在无干扰螺旋轨迹跟踪中，混合控制器在所有六个状态上都实现了优异且均衡的性能。其轨迹跟踪曲线在3D图和2D投影图上均与期望轨迹高度重合，控制输入平滑。定量数据显示，混合控制器在F-PID原本擅长的状态（x, z, φ, θ）上保持了低误差，同时在NN-PID擅长的状态（y, ψ）上也达到了极高的精度。这证明状态特异性分工的混合架构是可行且高效的。

3. 抗干扰能力测试结果： 在引入外部风扰力后，单独控制器的弱点被进一步放大。NN-PID在y和ψ上依然稳健（MSE仍极低），但在x, z, φ, θ上的性能急剧恶化（例如φ的MSE升至2528）。F-PID在x, z, φ, θ上展现了良好的抗干扰鲁棒性，误差增长相对可控，但在y状态上完全失稳，MSE飙升至219.6。 而混合控制器再次表现出全面的鲁棒性。它成功抵御了各方向上的干扰，在所有状态上都保持了稳定的跟踪，没有出现任何一个状态的崩溃。这证明了混合策略不仅提升了精度，还显著增强了系统应对突发外部扰动的能力。

4. 参数摄动鲁棒性测试结果： 当无人机模型参数（质量、转动惯量）发生显著变化时，三种控制器的性能趋势与抗干扰测试类似。单独控制器在其不擅长的状态上性能下降严重，而混合控制器则表现出最强的参数不敏感性，能够适应模型的不确定性，维持可靠的跟踪性能。

5. 综合性能对比分析： 研究通过表格系统对比了三种控制器在三种场景下的MSE数据。数据 unequivocally 表明：混合NN-PID+F-PID控制器在绝大多数状态和场景下，其综合性能均优于任何一个单独的NN-PID或F-PID控制器。 它成功地将NN-PID在y/ψ状态上的“极致精度”与F-PID在x/z/φ/θ状态上的“强大鲁棒性”结合起来，实现了全局最优。

这些结果层层递进： 首先，通过基准测试揭示了单一方法的固有缺陷；其次，提出的混合方法在理想条件下验证了其整合优势；最后，通过干扰和参数摄动测试，证明了该混合策略在实际复杂环境下的有效性和优越性。所有结果共同指向一个结论：所提出的混合自适应控制策略是解决四旋翼无人机全状态高性能控制问题的一个有效方案。

五、 研究结论与价值

本研究成功提出并验证了一种用于四旋翼无人机的新型混合自适应PID控制策略（NN-PID+F-PID）。该策略的核心创新在于创造性地将神经网络与模糊逻辑按无人机动态状态进行分工协作，而非简单地融合成一个黑箱。主要结论如下：

1. 有效性结论：混合控制器在轨迹跟踪精度、抗外部干扰能力和对系统参数变化的鲁棒性方面，均显著优于单独的神经网络PID或模糊逻辑PID控制器。它解决了单一智能控制方法无法在所有飞行状态下同时实现最优性能的问题。
2. 方法论结论：针对具有多变量、非线性特性的复杂系统，采用“分而治之”的混合智能控制架构是一种行之有效的设计思路。可以根据不同子系统的动态特性，为其量身定制最合适的智能控制算法。
3. 应用价值：该研究为无人机，特别是四旋翼无人机的高性能飞行控制提供了一种实用的解决方案。其设计兼顾了性能与计算复杂度（例如，仅使用10个隐藏神经元的简单网络），具有在真实无人机嵌入式系统上实现的潜力。这对于需要精确轨迹跟踪的应用场景，如自主巡检、精准农业、搜救运输等，具有重要的工程应用价值。
4. 理论价值：研究通过李雅普诺夫（Lyapunov）稳定性分析，为模糊PID控制的无人机高度动力学子系统提供了稳定性证明，增强了混合系统理论上的可信度。同时，详细的对比实验为混合智能控制领域提供了宝贵的实证数据和分析案例。

六、 研究亮点

1. 新颖的混合架构：最大的亮点在于提出了“状态特异性”的混合控制范式。不是将NN和FL模糊地结合，而是明确分配NN负责y和ψ控制，FL负责x, z, φ, θ控制，这种基于性能分析的针对性融合具有很高的新颖性和实用性。
2. 详尽的对比实验：研究设计了一套完整的性能评估体系，包括无干扰基准测试、外加干扰测试和参数摄动测试，从多个维度全面、定量地比较了三种控制策略的性能，论证充分，说服力强。
3. 问题导向的清晰逻辑：整个研究从发现问题（单一控制器存在局限性）到提出解决方案（混合控制器），再到验证方案有效性（全面仿真对比），逻辑链条清晰完整。
4. 工程实用性考量：在神经网络设计上采用了结构简单的单层网络，在模糊逻辑设计上采用了成熟的规则库，表明研究者在追求高性能的同时也考虑了算法在真实硬件上的部署可行性。

七、 其他有价值内容

论文在引言部分对相关研究工作进行了系统的综述，并以表格形式总结了现有方法（如分数阶FOPID、迭代学习ILC、深度学习模糊PID等）的关键贡献与研究空白，清晰定位了本研究的创新点在于解决“全状态非线性跟踪”这一具体挑战。此外，论文提供了完整的四旋翼无人机数学模型推导过程、控制器设计细节（包括模糊规则表、神经网络优化算法伪代码）以及大量的仿真结果图表，内容详实，具有很好的可重复性和参考价值。