Agile control of a quadrotor with disturbance observation based on graph neural networks

在疾强风的干扰下保持灵活可靠的飞行, 是无人机抗干扰控制的主要目标之一. 传统的基于观测器的抗干扰控制方法未能有效建模疾强风对无人机运动的影响, 因而在复杂动态风扰下控制性能显著下降. 本文根据四旋翼无人机的微分平坦特性, 设计基于自适应通道提取的轻量化图神经网络作为风效应预测器, 使用无人机历史飞行轨迹构建训练数据集, 从而对无人机飞行过程中的复杂风效应进行实时预测, 并结合模型预测控制实现无人机的抗疾强风轨迹跟踪控制. 具体地, 分别在持续风、阵风、切向风等不同场景下收集无人机的仿真飞行轨迹以及期望飞行轨迹, 以二者的995650组残差作为预测模型的输入, 以150000组残差作为测试集对比风效应预测的性能, 并对使用不同预测器的抗风扰控制方法的性能进行了比较. 结果表明, 所提出风效应预测模型的预测精度优于领域先进模型14.9%, 同时基于该预测模型的抗风扰模型预测控制性能优于领域先进模型50.35%. 最后, 使用自主搭建的四旋翼无人机平台进行了实机飞行实验, 对无人机的抗风性能进行验证. 结果表明, 本文所提出的抗干扰控制方法在轨迹跟踪精度上获得了27.35%的性能提升.