23、飞机自动驾驶与指令增强系统的在线学习神经网络

飞机自动驾驶与指令增强系统的在线学习神经网络

1. 引言

高性能飞机飞行控制系统设计对控制系统性能的要求日益提高。当前，无人机（UAVs）和遥控飞行器（RPVs）的研发有望进一步拓展飞机飞行控制系统的运行范围。然而，由于其耦合、非线性和时变的动力学特性，为这些飞行器设计合适的飞行控制系统颇具挑战，这会直接导致建模的不确定性。

经典和现代控制律设计方法依赖线性化模型计算控制器增益，并使用插值算法进行增益调度，以在整个飞行范围内满足性能要求。而一种更好的方法是采用能够在整个飞行范围内“学习”的飞行控制系统。即控制器基于函数逼近更新其自由参数，将当前飞行条件映射到合适的控制器响应。乍一看，这与增益调度类似，但关键区别在于：学习型控制器是基于实际飞机系统在线自适应，而非基于模型。

经典和现代的纵向与横向控制律设计方法存在诸多缺点。这些方法通常基于时域或频域，应用于线性化、时不变的飞机模型。设计是离线进行的，针对有限数量的线性化、时不变模型，代表飞行范围内的不同条件，需要大量的增益调度计算。尽管有些方法能处理轻微的非线性问题，但不适用于高度非线性问题或实际飞机动力学与其数学模型之间的不一致情况。传统和现代的高性能非线性系统控制设计技术适用于建模不确定性较小的情况，当设计使用的物理模型不能代表实际系统时，这些控制器在实际应用中需要大量的调整。

人工神经网络（ANN）技术为控制律的设计和实现提供了全新的方法。下面简要介绍一下ANN的发展历程。

ANN的基本概念可追溯到20世纪50年代末Frank Rosenblatt（康奈尔大学）的工作。他关注打字字符识别，试图用一组并行、完全互连的处理单元（神经元）模拟人类大脑的处理结构，这些神经元包含二进制、非线性、