关于《无人机模糊小波神经网络轨迹线性化控制》研究的学术报告
本研究的主要作者为南京航空航天大学自动化学院的施蓉花、吴庆宪和姜长生。该研究成果发表于《电光与控制》（Electronics Optics & Control）期刊2008年第15卷第8期。
一、 研究的学术背景
本研究属于自动控制理论与航空航天工程交叉领域，具体聚焦于无人机（Unmanned Aerial Vehicle, UAV）飞行控制系统的先进控制方法设计。其科学背景源于非线性系统控制理论在应对系统不确定性和外部干扰时所面临的挑战。轨迹线性化控制（Trajectory Linearization Control, TLC）是一种性能优异的非线性跟踪控制方法，在飞行控制中展现出良好的解耦与跟踪能力。然而，与许多非线性控制方法一样，当被控系统存在未建模动态、参数摄动或外部有界干扰时，传统的TLC方法的控制性能会下降，甚至可能导致系统失稳。因此，如何增强TLC在不确定环境下的鲁棒性，成为一个关键的科学问题。
在此背景下，本研究旨在结合智能控制理论中的模糊系统与神经网络，特别是模糊小波神经网络（Fuzzy Wavelet Neural Network, FWNN），来提升传统TLC的性能。模糊系统擅长处理不确定性和利用专家知识，神经网络具有强大的非线性逼近能力，而小波函数则能提供良好的局部时频分析特性。将三者结合的FWNN被期望能够更有效地在线逼近和补偿系统中的不确定项及干扰。本研究的目标是：针对存在不确定性和有界干扰的非线性无人机系统，提出一种基于模糊小波神经网络的轨迹线性化控制（FWNN-TLC）方法，设计相应的控制器，并从理论上证明闭环系统的稳定性，最后通过仿真验证所提方法的有效性与优越性。
二、 研究的详细工作流程
本研究的工作流程主要包含理论框架构建、控制器设计、稳定性证明和仿真验证四个核心环节，研究对象为具有不确定性的非线性多输入多输出（Multiple-Input Multiple-Output, MIMO）无人机飞控系统模型。
第一环节：问题建模与FWNN-TLC控制结构构建。 研究首先给出了受不确定性影响的非线性MIMO系统状态空间方程（式1）。系统包含未知干扰和不确定性项 d。研究假设干扰满足匹配条件（式2），即干扰项可以通过控制通道进行补偿。这是后续设计补偿控制律的基础。 接着，研究回顾了标准TLC方法的设计思想：首先通过非线性动态逆（Nonlinear Dynamic Inversion）方法，根据期望轨迹生成标称控制输入 u_nom 和标称状态 x_nom；然后将实际系统与标称系统的误差动态方程线性化为时变系统（式6）；最后基于线性时变系统PD谱理论设计线性状态反馈控制律 K(t)e，使误差系统指数稳定。其结构如图1所示。 为了克服不确定性 d 的影响，研究提出了创新的FWNN-TLC控制结构（图2）。在原有TLC控制律（u_nom + K(t)e）的基础上，增加了一个FWNN控制器输出项 u_f。因此，总控制律变为 u = u_nom + K(t)e - u_f（式10）。其中，u_f 的设计目标正是为了抵消不确定性 d 的影响。通过数学推导（式12），将包含不确定性的误差动态方程转化为 e_dot = f(t,e) + e*(d - v_f) 的形式，其中 v_f 是FWNN的标量输出。这样，控制问题转化为设计 v_f 来逼近 d，从而消除或大幅减弱不确定项的影响。
第二环节：模糊小波神经网络（FWNN）的设计。 这是本研究的核心创新方法部分。研究设计了一个四层前向网络结构（图3）： 1. 输入层（Net1）：接收系统状态变量 x_i (i=1至6)。 2. 小波函数层（Net2）：采用小波函数作为模糊隶属函数。研究选取了特定形式的小波母函数（式14），并通过伸缩平移得到一组离散的小波基函数（式16）。该层将输入变量通过小波基函数进行变换，输出 ψ_{a_sj}(x_i)。文中固定了伸缩和平移因子 a_{ij}, b_{ij}，以简化网络训练。 3. 模糊推理层（Net3）：该层模拟模糊系统的推理过程。将小波函数层的输出进行乘积运算（代替传统的取小运算）来得到每条模糊规则的激活强度 φ_lm（式17）。对于具有6个输入的系统，通过特定的规则组合（每两个输入构成一条规则的前提），最终形成了149条模糊规则。 4. 输出层（Net4）：实现清晰化（去模糊）功能。采用加权和的方式，将模糊推理层的输出与可调权值向量 θ_hat 相乘，得到网络的最终输出 v_f = θ_hat^T * φ(x)（式18）。θ_hat 是需要在线调整的网络参数。
第三环节：稳定性分析与自适应律设计。 这是确保所提控制方法理论严谨性的关键步骤。研究基于Lyapunov稳定性理论，对闭环系统进行了严格的分析。 首先，做出了关键假设（假设3）：存在一个最优的FWNN权值向量 θ，使得网络能以任意精度逼近不确定性 d，即 d = v_f(x, θ) + ε，其中 ε 为有界的逼近误差。 其次，选取了合适的Lyapunov函数候选（式31），它由跟踪误差 e 的二次型（其中 P(t) 是Lyapunov方程（24）的解）和权值误差 θ_tilde = θ - θ_hat 的二次型共同构成。 接着，通过对Lyapunov函数求导，并代入系统动态方程、FWNN逼近表达式，经过一系列不等式放缩（式32-38），最终推导出自适应律（式27）：θ_hat_dot = γ_θ ( φ(x) * r - κ_θ * θ_hat )，其中 r = e^T P(t) e，γ_θ 和 κ_θ 是正的设计参数（学习率与阻尼系数）。该自适应律包含两项：φ(x) * r 是用于最小化跟踪误差的修正项；-κ_θ * θ_hat 是σ-修正项，用于防止参数漂移，保证权值有界。 最后，研究证明了在此控制器和自适应律下，闭环系统的所有信号（跟踪误差 e 和权值估计误差 θ_tilde）是一致最终有界的（Uniformly Ultimately Bounded, UUB）。并给出了保证稳定的参数选取条件（β_1 > 2lζα_2）以及误差最终界与设计参数之间的关系。
第四环节：无人机飞控系统具体设计与仿真验证。 研究将上述通用理论应用于某型无人机的飞行控制系统。无人机模型被分解为姿态角（慢回路，式40）和角速度（快回路，式41）两个子系统，并遵循时标分离原则进行设计。报告详细阐述了慢回路的FWNN-TLC控制器设计过程。 1. 系统增广：将慢回路状态增广为包含姿态角及其积分的形式（式42），以方便设计。 2. 控制器集成：按照图4的结构，慢回路的控制指令 ω_c 由三部分构成：TLC方法产生的标称指令 ω_nom、线性时变状态反馈 K1(t)e1、以及FWNN补偿项 -g1^{-1}(x1) * v_f1（式46）。 3. FWNN具体参数：针对慢回路6个增广状态，设计了包含147个可调权值的FWNN（式49-50），并给出了其自适应律参数（λ_θ1=10, κ_θ1=1）。 4. 仿真设置与对比：在MATLAB/Simulink环境下进行仿真。研究对象为某型无人机模型，在其气动参数存在30%不确定性的严苛条件下，执行高难度的“赫布斯特（Herbst）机动”。研究设置了对比实验：一组使用传统的TLC控制器，另一组使用本文提出的FWNN-TLC控制器。仿真记录了姿态角（迎角α、侧滑角β、滚转角μ）的跟踪曲线以及各舵面（副翼、鸭翼、方向舵、推力矢量舵）的控制指令。
三、 研究的主要结果
在仿真验证环节，研究获得了清晰的对比结果，有力地支持了所提方法的优越性。
传统TLC控制器的结果（对应图5）：在存在30%气动参数不确定性的情况下，无人机执行赫布斯特机动时，传统TLC控制器虽然能基本完成跟踪任务，但性能出现明显退化。具体表现为：在滚转角达到最大指令值时，实际输出与指令信号之间存在可见的偏移，跟踪精度下降。侧滑角β产生了幅度较大的振荡（范围约为[-0.4°, 0.2°]），这不利于飞行品质，增加了控制难度。相应地，侧向推力矢量舵的偏转指令也摆动剧烈（范围约为[-40°, 0°]），表明控制器在努力克服不确定性，但效果有限，且给舵面执行机构带来了较大负担。
FWNN-TLC控制器的结果（对应图6）：在相同的不确定性条件下，采用本文提出的FWNN-TLC控制器后，系统性能得到显著提升。迎角α和滚转角μ的跟踪曲线与指令信号吻合得更好，特别是在滚转角指令的峰值处，跟踪误差几乎不可见。最为突出的改进体现在侧滑角β上：其振荡幅度被大幅抑制，从原来的[-0.4°, 0.2°]减小到[-0.05°, 0.05°]，改善了一个数量级。这意味着控制器有效地补偿了不确定性带来的耦合影响。同时，侧向推力矢量舵的指令范围也显著收窄至[-20°, 0°]，动作更平滑，减轻了舵面负担，提高了系统的可实现性和鲁棒性。
这些仿真数据直观地表明，引入的FWNN模块成功在线估计并补偿了系统的不确定性。FWNN通过自适应学习，动态调整其权值，生成了一个补偿控制信号 v_f，该信号有效地抵消了干扰 d 的影响，从而使包含不确定性的系统其闭环行为接近于理想（无干扰）的TLC设计性能。结果逻辑清晰地验证了理论部分的设计目标：FWNN-TLC在保持TLC优良跟踪性能的同时，显著增强了系统的鲁棒性和干扰抑制能力。
四、 研究的结论与价值
本研究得出结论：针对存在未知干扰和不确定性的非线性系统，所提出的基于模糊小波神经网络的轨迹线性化控制（FWNN-TLC）方法是有效的。该方法通过FWNN在线逼近系统不确定性，并与TLC框架相结合，在理论上保证了闭环系统所有信号的一致最终有界。在无人机飞控系统上的仿真结果表明，该方法相较于纯TLC方法，能显著提高在参数不确定性下的跟踪精度、抑制不必要的耦合运动（如侧滑振荡）、并降低控制舵面的活动幅度，从而证明了其优越的控制性能和鲁棒性。
该研究的价值体现在： 1. 科学价值：为非线性鲁棒自适应控制提供了一种新的融合思路，将智能计算（模糊逻辑、小波分析、神经网络）与经典的基于模型的控制理论（轨迹线性化、Lyapunov稳定性理论）有机结合。提出并严格证明了一种带σ-修正项的自适应律，确保了在逼近不确定性时的系统稳定性。 2. 应用价值：为解决无人机等飞行器在复杂环境下（存在模型不确定性、气动参数摄动、外部干扰）的高性能飞行控制问题，提供了一种可行的先进控制算法设计方案。其结构相对清晰，易于工程实现。
五、 研究的亮点
六、 其他有价值内容
文中对FWNN的结构设计进行了详细说明，包括小波基函数的选择、网络层次的划分、模糊规则的构建方式等，为其他研究者复现或改进此类网络提供了参考。此外，研究明确指出了将无人机模型按快慢回路分离设计，并给出了具体的状态增广方式，体现了将一般性控制理论应用于具体被控对象时的工程化设计思路。参考文献部分也列出了该研究工作的相关理论基础和前期成果，为感兴趣的读者提供了深入研究的线索。