Disturbance rejection control of the agricultural quadrotor based on adaptive neural network
aCollege of Engineering, China Agricultural University bKey Laboratory of Smart Agricultural Technology (Yangtze River Delta) cState Key Laboratory of Clean Energy Utilization, Zhejiang University |
https://doi.org/10.1016/j.inpa.2024.05.001
在现代农业中，遥感技术作为快速、准确获取农业信息的主要方法之一，发展十分迅速。特别是无人驾驶飞行器（UAV）可同时监测多个区域，是传统方法的替代方案。目前，农业无人机主要用于病虫害防治和作物监测，相比较预计将在土壤和田间管理方面得到更广泛的应用。但飞行器在飞行过程中会受到外部和内部干扰、有必要对可能出现的干扰进行预测和补偿。
1.采用自适应径向基函数（RBF）神经网络结合滑模控制来调节飞行器的高度；
2.RBF神经网络能够在很大程度上预测和缓解飞行过程中的干扰。
本研究的调查对象是微型四旋翼无人机，图1描述了无人飞行器高度控制系统的原理图。
图1 无人飞行器高度控制系统示意图
因此，本研究在模拟过程的20秒的时间间隔内调整控制法则，控制器故障在第 10秒时启动。研究结果表明，当故障持续0.49秒时，车辆仍处于可控状态，即最大持续时间，仿真结果如图2所示。
图2 控制器故障0.49秒时的高度跟踪结果
为了验证本研究提出的农用无人机高度控制模型的实际效果，本研究在山东省的一块菜地和北京市的一块棉花地进行了现场测试。第一组实验包括螺旋桨失效和风干扰测试。风速为1.5至2.8米/秒，温度为27 至29℃。菜地主要种植豆科植物、辣椒、茄子和其他易受锈病和蚜虫侵扰的作物，实验菜地实景如图3所示。
螺旋桨故障情况如图4所示，风速干扰范围为1.5至2.0米/秒。实验结果表明当螺旋桨故障水平为单侧10%时，无人机可以稳定控制；当单侧10%+另一侧单侧10%时，无人机也可以稳定控制；但当故障设置为单侧10%+双侧25%时，无人机变得不稳定。
图5则展示了无人机在不同农田中的飞行性能，显示了其熟练的高度控制、稳定的悬停以及在复合干扰下的有效运行。
图5 无人机在辣椒和茄子育苗田作业时的第三视角
本文的研究重点是采用自适应径向基函数（RBF）神经网络来调节飞行器的高度。利用四旋翼无人飞行器的特定参数，通过模拟实验证明了 RBF 神经网络在控制中的功效，为其在飞行器控制中的后续应用建立了理论框架。
引用格式：
编辑：葛全武
校对：鲁娜
审核：付学谦
日期：2024年6月27日
