石晓洁，蔡家斌，宋 建，宋军军，荆福琪

(贵州大学机械工程学院，贵阳 550000)

0 引言

无人机在室外作业时，遇到复杂气流扰动将对飞行产生不良影响，这对无人机的姿态控制系统提出了较高的要求，而构建一种可以及时观测扰动、并对控制量进行补偿的方法可解决此类问题。现阶段，无人机姿态控制方法主要有PID[1-2]、滑模[3-4]、反步法[5-6]等等。上述方法都是基于误差从而消除误差的控制方法，当存在外界未知扰动和内部不确定性时，不能较好地预测扰动来给出控制补偿量，控制效果不理想。采用自抗扰控制可以解决以上问题，其核心思想是将系统内部和外部的不确定性统一当作系统的总扰动，进行实时观测并加以补偿，从而具有较强的抗扰能力[7]。由于自抗扰控制涉及控制参数较多且复杂，自抗扰控制能达到优异的控制性能，关键取决于其参数是否调整合适,如何快速有效地整定其参数，成为自抗扰控制技术的研究重点之一。文献[8]将迭代学习方法用于线性自抗扰控制器，虽具备快速的暂态响应但被控对象输出易发生振荡，文献[9-12]采用粒子群算法、改进克隆算法、鲸鱼优化算法和蚁群算法等对自抗扰控制参数进行自整定，但只消除了内部扰动，未考虑实际飞行环境中的干扰。

本文采用八旋翼无人机为研究对象，建立了风场环境模型和在复杂气流扰动下的无人机动力学模型。使用RBF神经网络实现自抗扰控制参数自整定，并与传统PID和反步法进行对比分析，结果表明优化后的自抗扰控制对于无人机姿态控制具有较高的控制精度和较好的抗风扰性能。……