基于遗传算法参数整定的比例-积分-微分-2型模糊逻辑控制器无人机轨迹跟踪

无人机（UAV）型四旋翼飞行器是高度非线性系统，在室外尤其是有风环境中极难控制和保持稳定。目前已提出许多算法来解决无人机轨迹跟踪问题。然而，当前的控制系统面临着重大障碍，如参数不确定性、建模误差以及有风环境下的挑战。对参数变化的敏感性可能会导致性能下降或系统不稳定。建模误差源于简化，从而导致假设行为与实际行为之间存在差异。经典控制可能缺乏对动态变化的适应性，因此需要自适应策略。处理不确定性的鲁棒性有限可能导致性能欠佳。有风环境会引入扰动，影响系统动力学和精度。风力建模的复杂性需要先进的估计和补偿策略。整定方面的挑战可能需要频繁调整，从而带来实际限制。研究人员探索了先进的控制范式，包括鲁棒控制、自适应控制和预测控制，旨在以科学严谨的方式提升不确定性环境下的系统性能。我们的方法不需要无人机和噪声模型的先验知识。此外，2型控制器的使用使我们的方法在面对不确定性时具有鲁棒性。所获得的结果清楚地证明了所提出方法的有效性。在本文中，针对在室外环境中飞行的四旋翼飞行器，提出、验证并比较了鲁棒且最优的控制器。首先，将结合了 PID 的2型模糊逻辑控制器（FLC）与1型 FLC 以及 Backstepping 控制器进行了比较。其次，提出了一种遗传算法（GA）以提供最优的 PID-2型 FLC 整定。在有风环境的真实场景中，对 Backstepping、PID-1型 FLC 以及经 GA 优化的 PID-2型 FLC 进行了验证和评估。考虑了深度鲁棒性分析，包括误差建模、参数不确定性和执行器故障。获得的结果清楚地表明，与 Backstepping 和 PID-1型 FLC 控制器相比，最优 PID-2型 FLC 具有更强的鲁棒性。各控制器与 PID-2型 FLC 相比的数值指标证实了这些结果，Backstepping 控制器为 12%，PID-1型 FLC 为 51%。