《无人机智能控制系统》228页

无人机（UAVs）在军事和民用领域发挥着至关重要的作用。本论文的研究有助于智能控制系统（ICS）领域，特别是实现旋转翼无人飞行器（RUAV）可靠、便捷的自主控制。特别是，本论文解决了如何适应未建模动态和干扰（如在空中改变有效载荷）的难题。

无人机可以携带额外的重量，如传感器、货物，甚至被称为有效载荷的悬挂物。已经开发了许多策略来稳定不断变化的有效载荷，但这些策略都假定有效载荷是刚性的，重心（CoG）是静态和已知的。有效载荷质量及其类型在飞行过程中的变化会极大地影响无人机的动态性能，这就要求控制器进行调整，以保持令人满意的闭环性能。此外，还没有探索过在半空中从一架较大的飞机（如气象气球）上发射一组具有随机姿态的送货无人机的情况。最后，未建模的动力学和阵风等不确定因素给飞行操作带来了挑战，因此综合控制系统对于处理这些不确定因素至关重要，但对非基于模型的综合控制系统的设计和开发关注不够。

受这些研究空白的启发，本论文探讨了如何处理有效载荷在空中的 CoG 变化和姿态独立发射的控制问题。为解决这些问题并实现理想的轨迹跟踪控制，本文提出了一种新型非基于模型的综合控制系统，称为双向模糊脑情感学习（BFBEL）控制系统。所提出的控制系统融合了模糊推理、神经网络和基于强化学习的新型双向脑情感学习（BBEL）算法。所提出的 BFBEL 控制器能够从零开始快速适应，可用于控制 RUAV 的所有六自由度 (6DOF)。为扩大拟议控制器的适用性，开发了单输入-单输出（SISO）和多输入-多输出（MIMO）架构。本研究考虑的两种无人驾驶飞行器模型是四旋翼无人驾驶飞行器（QUAV）和直升机无人驾驶飞行器（HUAV）。SISO 版本的 BFBEL 控制系统被应用于 QUAV，以解决处理 CoG 和重量不同的外部有效载荷的问题。BFBEL 控制系统的 MIMO 版本应用于 HUAV，以解决在空中独立发射姿势的问题。对这两种系统都进行了模拟评估，并通过实验验证了如何处理 CoG 不确定的外部有效载荷问题。最后，在相同的控制情况下，将飞行能力和控制性能与传统的比例积分微分（PID）控制器方案进行了比较。