【无人机控制】一种基于径向基函数神经网络的边界层滑模控制算法（RBF-BSMC），用于处理多无人机编队飞行中的外部干扰问题 MATLAB和Simulink论文复现

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、引言

1.1 研究背景

随着无人机技术在军事侦察、民用测绘、应急救援等领域的广泛应用，多无人机编队飞行因具备任务覆盖范围广、执行效率高、容错能力强等优势，成为当前无人机技术发展的重要方向。然而，多无人机编队在实际飞行过程中，易受到气流扰动、电磁干扰、通信延迟以及外部障碍物等复杂干扰因素的影响，导致编队队形偏离预设轨迹、飞行姿态不稳定，严重时甚至引发碰撞事故，极大限制了多无人机编队系统的可靠性与任务执行能力。

传统的滑模控制（Sliding Mode Control, SMC）凭借对系统参数摄动和外部干扰的强鲁棒性，在无人机控制领域得到一定应用。但传统滑模控制存在 “抖振” 问题，即控制信号的高频振荡会加剧执行机构磨损，影响无人机飞行稳定性。边界层滑模控制（Boundary Layer Sliding Mode Control, BSMC）通过在滑模面附近设置连续的边界层，用饱和函数替代符号函数，有效削弱了抖振现象，但边界层的引入会导致系统稳态误差增大，尤其在外部干扰动态变化时，控制精度难以满足多无人机编队的高精度协同需求。

径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）具有逼近任意非线性函数的能力，且结构简单、训练速度快，能够自适应学习外部干扰的动态特性。将 RBFNN 与 BSMC 相结合，构建 RBF-BSMC 算法，可利用 RBFNN 实时估计并补偿外部干扰，在保留 BSMC 抗干扰鲁棒性和抑振优势的同时，进一步提升控制精度，为多无人机编队飞行的干扰抑制提供高效解决方案。

1.2 国内外研究现状

在多无人机编队控制领域，国内外学者已开展大量研究。国外方面，NASA 提出基于 Leader-Follower（领航 - 跟随）的编队控制架构，通过设计领航机轨迹跟踪控制器和跟随机相对位置控制器，实现编队队形保持，但该方法对外部干扰的适应性较弱；欧盟 “SWARMs” 项目研究了基于行为法的多无人机协同控制，通过定义 “避障”“编队保持”“目标追踪” 等基础行为，实现编队任务执行，但未针对复杂动态干扰设计专门的补偿机制。

在滑模控制与神经网络结合的研究中，Zhang 等（2020）提出基于 BP 神经网络的滑模控制算法，用于无人机姿态控制，通过 BP 神经网络估计外部干扰，提升了控制精度，但 BP 神经网络存在训练收敛速度慢、易陷入局部最优的问题；Li 等（2022）设计了基于 RBFNN 的传统滑模控制算法，应用于单无人机轨迹跟踪，有效抑制了外部干扰，但未解决传统滑模控制的抖振问题，难以直接应用于多无人机编队的协同控制场景。

国内方面，北京航空航天大学团队研究了多无人机编队的分布式滑模控制，通过设计邻居无人机间的相对滑模面，实现编队队形的分布式保持，但未考虑外部干扰的动态变化特性；南京航空航天大学团队提出基于边界层滑模的多无人机编队控制算法，削弱了抖振现象，但在强干扰环境下，稳态误差增大，影响编队协同精度。现有研究仍存在对动态外部干扰的自适应补偿能力不足、抖振抑制与控制精度难以兼顾等问题，亟需设计更高效的控制算法。

1.3 研究目标与内容

1.3.1 研究目标

针对多无人机编队飞行中的外部干扰问题，设计基于 RBF-BSMC 的多无人机编队控制算法，实现以下目标：

1. 有效抑制外部干扰（如气流扰动、电磁干扰）对多无人机编队的影响，保证编队队形的稳定性与一致性；

1. 削弱滑模控制的抖振现象，降低对无人机执行机构的磨损，提升系统运行可靠性；

1. 提升多无人机编队的轨迹跟踪精度与协同控制性能，满足复杂任务场景下的控制需求。

1.3.2 研究内容

1. 建立多无人机编队的动力学模型与外部干扰模型，明确编队飞行中的干扰类型与特性；

1. 设计边界层滑模控制器（BSMC），确定滑模面与边界层参数，削弱传统滑模控制的抖振现象；

1. 构建 RBF 神经网络干扰观测器，实时估计外部干扰的动态特性，实现干扰补偿；

1. 融合 RBF 神经网络与 BSMC，设计 RBF-BSMC 多无人机编队控制算法，推导控制律，并进行稳定性分析；

1. 通过 MATLAB/Simulink 仿真实验，验证 RBF-BSMC 算法在不同干扰场景下的控制性能，并与传统 BSMC、RBF-SMC 算法进行对比分析。

1.4 研究方法与技术路线

1.4.1 研究方法

1. 动力学建模方法：采用牛顿 - 欧拉方程建立单无人机的六自由度动力学模型，基于领航 - 跟随架构建立多无人机编队的相对动力学模型，结合风洞实验数据与电磁干扰测试数据，构建外部干扰模型；

1. 滑模控制理论：设计线性滑模面，确定边界层厚度与饱和函数参数，构建 BSMC 控制器，分析其抑振效果与鲁棒性；

1. 神经网络理论：设计 RBF 神经网络结构（输入层、隐含层、输出层），选择高斯径向基函数作为激活函数，采用梯度下降法优化网络权值，实现外部干扰的自适应估计；

1. Lyapunov 稳定性分析方法：构造 Lyapunov 函数，证明 RBF-BSMC 算法的闭环系统稳定性，确保系统在外部干扰下能够收敛到滑模面；

1. 仿真实验法：搭建多无人机编队控制仿真平台，设置不同干扰场景（如阶跃干扰、正弦干扰、随机干扰），对比分析 RBF-BSMC 与传统控制算法的控制性能指标（如轨迹跟踪误差、队形保持误差、控制信号抖振幅度）。

1.4.2 技术路线

1. 文献调研：梳理多无人机编队控制、滑模控制、神经网络控制的研究现状，明确研究切入点；

1. 模型建立：构建单无人机动力学模型、多无人机编队相对动力学模型与外部干扰模型；

1. 算法设计：分步骤设计 BSMC 控制器、RBF 干扰观测器，融合得到 RBF-BSMC 算法，推导控制律并进行稳定性分析；

1. 仿真验证：搭建仿真平台，设置不同干扰场景，进行算法性能测试与对比分析；

1. 结果总结：分析仿真结果，总结 RBF-BSMC 算法的优势与不足，提出未来优化方向。

⛳️ 运行结果

📣 部分代码

clc;

clear;

close all;

global m g Ix Iy Iz

global Ts

global lamdap gammap rhop

global lamdaa gammaa rhoa

global b alpha beta n eta

global whatp whatp1 whatp2 mup1 mup2

global ws ss

Ts = 0.01;  % time step [s]

ws = [];

ss = [];

%% Quadrotor UAV parameters

m = 1.0;    % The mass of UAV [kg]

g = 9.81;   % The gravity acceleratin [m/s2]

Ix = 0.01;  % Moment of inertia about x axis [kg.m2]

Iy = 0.01;  % Moment of inertia about y axis [kg.m2]

Iz = 0.02;  % Moment of inertia about z axis [kg.m2]

%% UAV position controller

% BSMC

lamdap = 3;

gammap = 2;

rhop = 2;

%% UAV attitude controller

% BSMC

lamdaa = 5;

gammaa = 5;

rhoa = 2;

%% RBF model parameters

n = 50;

b = 20;

alpha = 0.2;

beta = 0.3;

eta = 0.2;

% Position

whatp = rand(n,3);

whatp1 = whatp;

whatp2 = whatp1;

rx = 15; ry = 15; rz = 15;

mu1x = linspace(-rx, rx, n);

mu1y = linspace(-ry, ry, n);

mu1z = linspace(-rz, rz, n);

mup1 = [mu1x; mu1y; mu1z];

mup2 = mup1;

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码