[论文解读] Generic Evolving Self-Organizing Neuro-Fuzzy Control of Bio-inspired Unmanned Aerial Vehicles

Md Meftahul Ferdaus, Mahardhika Pratama+3 more|arXiv (Cornell University)|Feb 2, 2018

Adaptive Dynamic Programming Control参考文献 65被引用 5

一句话总结

本文提出了一种新型无模型、自组织且可演化的神经模糊控制器，称为通用控制器（G-controller），用于仿生无人飞行器（UAVs）。通过将滑模控制（SMC）理论与通用演化神经模糊推理系统（GENEFIS）相结合，G-controller 能够在无先验知识的情况下在线动态构建和修剪模糊规则，确保在不确定性与阵风干扰下具有李雅普诺夫稳定性、一致渐近收敛的跟踪性能，该性能已在 BIFW 微型飞行器和六旋翼机仿真中得到验证。

ABSTRACT

At recent times, with the incremental demand of the fully autonomous system, a huge research interest is observed in learning machine based intelligent, self-organizing, and evolving controller. In this work, a new evolving and self-organizing controller namely Generic-controller, G-controller, is proposed. The G-controller that works in the fully online mode with very minor expert domain knowledge is developed by incorporating the sliding model control, SMC, theory based learning algorithm with an advanced incremental learning machine namely Generic Evolving Neuro-Fuzzy Inference System , GENEFIS. The controller starts operating from scratch with an empty set of fuzzy rules, and therefore, no offline training is required. To cope with the plant vulnerable behavior, the controller can add, or prune the rules on demand. Control law and adaptation laws for the consequents are derived from the SMC algorithm to establish a stable closed-loop system, where the stability of the G-controller is guaranteed using the Lyapunov function. The uniform asymptotic convergence of tracking error to zero is witnessed through the implication of an auxiliary robustifying control term. In addition, the implementation of the multivariate Gaussian function helps the controller to handle the non-axis parallel data from the plant and consequently enhances the robustness against the uncertainties and environmental perturbations. Finally, the controller performance has been evaluated by observing the tracking performance in controlling simulated plants of unmanned aerial vehicle namely bio-inspired flapping wing micro air vehicle BIFW MAV and hexacopter for a variety of trajectories.

研究动机与目标

• 解决在缺乏精确第一性原理模型的情况下，对高度非线性、过驱动且存在不确定性的仿生 UAV 进行控制的挑战。
• 克服固定结构神经模糊与模糊神经网络控制器的局限性，这些控制器无法适应动态变化或系统不确定性。
• 开发一种完全在线、自演化的控制器，能够从零开始构建其结构，仅需极少专家知识且无需离线训练。
• 通过集成 SMC 理论与多变量正态分布函数，确保对环境扰动（如阵风）和系统不确定性具有鲁棒性。
• 在复杂、动态的 UAV 飞行场景中，与传统 PID 和 T-S 模糊控制器相比，展示出更优的跟踪性能。

提出的方法

• 提出通用控制器（G-controller），一种基于通用演化神经模糊推理系统（GENEFIS）的可演化神经模糊系统，能够从在线数据中逐步学习。
• 整合滑模控制（SMC）理论，推导出结论参数的控制与自适应律，通过李雅普诺夫函数分析确保闭环稳定性。
• 引入辅助鲁棒控制项，确保在存在扰动的情况下，跟踪误差能实现一致渐近收敛至零。
• 采用多变量正态分布函数对非轴对齐数据进行建模，增强对输入不确定性与非线性的鲁棒性。
• 基于误差度量与系统性能实现在线规则生成与剪枝，支持结构演化而无需预先定义规则数量。
• 以 C 语言设计控制器，实现对自主 UAV 平台的直接硬件部署，确保实时可行性。

实验结果

研究问题

• RQ1 能否开发一种无模型、自组织的神经模糊控制器，使其能够在无需离线训练或专家定义规则数量的情况下，实现在线结构与参数的演化？
• RQ2 SMC 基础的自适应律在系统不确定性与外部扰动下，如何提升神经模糊控制器的鲁棒性与稳定性？
• RQ3 多变量正态分布函数的使用在多大程度上增强了控制器处理非轴对齐数据的能力，并改善其在非线性 UAV 动力学中的性能？
• RQ4 在仿生与多旋翼 UAV 的多样化、复杂轨迹中，所提出的 G-controller 与传统 PID 和 T-S 模糊控制器相比，其跟踪性能如何？
• RQ5 通过李雅普诺夫分析与仿真验证，G-controller 是否能在如阵风等外部扰动下保持稳定性并实现精确跟踪？

主要发现

• 由于引入了辅助鲁棒控制项，G-controller 实现了跟踪误差的一致渐近收敛至零，确保了在扰动下的稳定性。
• 在 BIFW MAV 和六旋翼机的仿真中，G-controller 在性能上优于 PID 和 T-S 模糊控制器，正弦波跟踪的 RMSE 低至 0.0356，自定义波形函数的 RMSE 低至 0.1026。
• 在 BIFW MAV 上进行阶跃函数高度跟踪时，G-controller 的上升时间为 0.824 秒，稳定时间为 4.1 秒，显著优于 PID 控制器（上升时间：3.43 秒，稳定时间：22.6 秒）。
• 在 BIFW MAV 植入模型中，控制器对阵风表现出鲁棒性，即使在外部扰动下仍能保持精确的轨迹跟踪。
• 通过 GRAT+ 与多变量正态分布函数增强的自演化机制，G-controller 在规则适应速度与计算成本方面优于现有可演化模糊系统。
• G-controller 在飞行仿真过程中成功实现了模糊规则的在线构建与剪枝，不同轨迹（如阶跃、自定义、俯仰、滚转）下的规则生成过程已可视化，证实了其结构自适应能力。