主要对三体对抗场景下的主动防御制导方法进行研究。首先, 通过构造具有严格反馈形式的三体对抗模型, 结合Backstepping理论和微分对策思想推导出一种主动防御制导策略;其次, 基于自适应动态规划算法建立评价神经网络以自学习在线求解该制导方法, 并利用Lyapunov稳定性理论证明了闭环系统的稳定性和评价网络权值的收敛性;最终, 仿真验证了所设计的主动防御制导方法的有效性。
主动防御 微分对策 自适应动态规划 精确制导** active defense differential game adaptive dynamic programming precision-guided weapon
针对导弹纵向通道存在干扰影响的问题，设计了一种复合控制方案。首先，选取超螺旋干扰观测器估计未知干扰，并设计积分滑模控制器补偿输入干扰产生的影响;其次，基于微分对策理论，结合自适应动态规划算法，设计单评价神经网络在线求解自适应最优控制器来抑制非匹配干扰,利用Lyapunov稳定性理论证明了闭环系统的稳定性和评价网络权值的收敛性;最后，对导弹纵向动力学进行建模仿真，验证了所提复合控制策略的有效性。
积分滑模控制 微分对策 自适应动态规划 超螺旋干扰观测器 integral sliding mode control differential game adaptive dynamic programming super-twisting disturbance observer
针对多对一追逃博弈(PE)问题，提出了显性协同框架下的最优追逃控制策略。首先，利用图论工具将多对一追逃博弈问题转化为多智能体系统一致性控制问题;然后，结合自适应动态规划(ADP)技术，设计评价网络对追逃双方控制策略进行在线求解，并利用Lyapunov法证明稳定性。考虑到追逃策略总是成对出现，单个逃逸者面对多方追击时存在多个逃逸策略难以选择的问题，提出整体逃逸策略是各单一逃逸策略的动态加权的控制算法; 最后，通过对导弹协同攻防过程建模并进行对比仿真，证明了所提博弈策略的有效性。
多对一追逃博弈 自适应动态规划 多智能体系统 导弹攻防 many-to-one pursuit-evasion game Adaptive Dynamic Programming(ADP) multi-agent system missile attack and defense
1 南京航空航天大学,a.自动化学院
2 南京航空航天大学 b.中小型无人机先进技术工信部重点实验室，南京 210000
针对GPS信号丢失导致组合导航算法精度降低甚至发散的难题，开展一种高效的自适应平滑切换融合算法研究。在GPS信号正常情况下，采用基于GPS量测的高阶组合导航算法估计姿态信息; 在GPS信号丢失时，停止高阶滤波算法并切换为基于四元数的低阶姿态估计算法; 当GPS信号恢复后，将低阶姿态估计算法的估计值作为高阶滤波算法初值，实现姿态估计算法的平滑切换。仿真结果和试飞试验表明,该切换策略具有较好的估计精度和可实现性，且切换过程中姿态角跳变小于0.5°，收敛时间小于0.1 s，有效地提高了有、无GPS信号情况下无人机的姿态估计精度。
无人机 姿态估计 扩展Kalman滤波 平滑切换 四元数 UAV attitude estimation extended Kalman filter smooth switching quaternion
基于容错控制和积分滑模控制理论的研究, 对飞行器姿态进行控制, 使其具有容错性能。飞行器模型考虑一类具有不确定性以及可能存在执行器故障的非线性系统, 针对该系统设计积分滑模控制器, 使系统即使在执行器故障情况下也能保持较理想的控制特性。同时也对该系统分别设计基于Lyapunov直接法和常规滑模理论的控制器, 便于仿真验证中作为比较。在有无执行器故障的情况下, 观察3种控制对状态变量的影响效果, 比较常规滑模和积分滑模控制下的抖振情况, 结果表明积分滑模控制在控制效果和减弱抖振方面表现更好。
飞行器姿态控制 容错控制 积分滑模控制 执行器故障 aircraft attitude control fault tolerant control integral sliding mode control actuator fault
针对不确定非线性多智能体系统的最优协同控制问题, 提出了基于辨识-评价结构的在线自适应最优控制方案。由于存在不确定性, 针对每一个智能体, 分别使用一个辨识神经网络用于估计多智能体系统的动态, 以及一个评价神经网络用于近似耦合哈密顿-雅可比方程的解, 继而导出最优协同控制律。基于辨识-评价结构, 辨识神经网络和评价神经网络可以同步调整权值。通过李雅普诺夫(Lyapunov)直接法同时保证辨识神经网络和评价神经网络的权值误差一致最终有界, 及闭环系统的稳定。最后通过仿真验证了所提方案的有效性。
最优控制 不确定非线性系统 多智能体系统 协同控制 optimal control uncertain nonlinear system coordination control
针对存在执行器故障的一类仿射非线性系统, 基于自适应动态规划方法, 提出了一种新型的容错控制器。利用故障观测器估计执行器故障, 并利用故障信息构建一个改进型的性能指标函数, 将容错控制问题转化为最优控制问题。同时使用策略迭代(PI)算法, 通过构造评价神经网络来求解HJB方程, 获得近似最优容错控制律, 并且基于李雅普诺夫函数, 证明该容错控制器可以确保闭环系统渐近稳定。最后, 通过仿真验证了该方法的有效性
故障容错控制 自适应动态规划 神经网络 故障估计 Fault-Tolerant Control (FTC) Adaptive Dynamic Programming (ADP) neural network fault estimation
1 南京航空航天大学自动化学院, 南京 210016
2 南航金城学院, 南京 211156
针对带有不确定项和干扰项的变形翼飞行器模型, 提出了一种非线性控制方案。设计在线自适应补偿算法逼近干扰项, 消除环境干扰对系统的影响, 提高了系统的鲁棒性。然后, 通过在线自适应调整神经网络的隐藏层的权重参数, 使神经网络的输出逼近系统的不确定项。利用李亚普诺夫稳定理论证明了神经网络的鲁棒控制器能使系统的跟踪误差最终一致渐近稳定, 并设计出了控制器参数的在线更新律。最后, 仿真结果表明了该方法的有效性。
自适应神经网络 变形翼飞行器 飞行控制 不确定项 adaptive neural network morphing aircraft flight control uncertainty
提出一种基于粒子群优化算法的控制分配算法的重构控制策略。利用粒子群优化算法的实时性、高效性等优点, 选择出符合最优性能指标要求的控制输入量, 解决控制分配算法问题。当操纵面出现一个或多个损伤、失效等故障时, 飞行控制系统能实时地调节控制效率矩阵, 从而对各操纵面进行再分配, 实现重构控制。仿真表明, 该策略在飞行器遇到故障时能快速地调整, 降低对故障操纵面的使用, 协调其他操纵面及时解决故障问题, 从而保证飞行器的正常工作。
控制分配 粒子群优化算法 多操纵面 重构控制 故障 control allocation Particle Swarm Optimization (PSO) multiple effectors reconfigurable control fault
针对传统的鲁棒控制和自适应控制都是基于精确模型的控制设计思想, 仅仅能够实现对含有足够小的或者恒定不确定性的系统进行控制的弱点, 提出了一种基于数据的无模型自适应控制方法——去伪控制。该方法只需利用采集的数据, 不依赖于系统模型, 所设计的控制器形式简单, 适合实时在线应用。介绍了该控制方法的基本理论, 将其应用到实时PID参数自适应调节上, 并在系统有干扰的情况下进行了仿真研究。仿真结果表明, 该算法在系统扰动的情况下具有很好的鲁棒性, 研究结果表明了该控制方法的可行性和有效性。
去伪控制 基于数据 无模型 unfalsified control PID PID data driving model-free
