Fehlertolerante Regelung eines Quadrotor-Unbemannten Luftfahrzeugs mittels adaptivem Fuzzy-T-S-Ansatz und Inversion linearer Matrizen

Drohnen stabil halten in einer unruhigen Welt

Kleine Vierrotor-Drohnen werden zunehmend zu Alltagswerkzeugen für Aufgaben wie Feldinspektion, Rettungssuche und Filmaufnahmen. In der realen Welt können jedoch ihre Sensoren ausfallen und Windböen sie aus der Bahn werfen, was zu unruhigem Flug oder sogar Abstürzen führen kann. Dieser Beitrag untersucht einen neuen Ansatz, um einen Quadrotor stabil und reaktionsfähig zu halten, selbst wenn seine Sensoren fehlerhafte Angaben liefern und die Luftbedingungen unvorhersehbar sind.

Warum Drohnenregelung schwierig ist

Ein Quadrotor wirkt einfach, doch seine Bewegung wird von eng gekoppelten rotierenden Rotoren, Neigungen des Rumpfes und Positionsänderungen bestimmt. Traditionelle Regelmethoden beruhen oft auf vereinfachten linearen Modellen, die nur unter ruhigen, vorhersehbaren Bedingungen gut funktionieren. Sobald die Realität mit böigem Wind, Vibrationen und Sensorfehlern dazukommt, können diese Methoden ins Straucheln geraten und zu wachsenden Schwingungen oder langsamen Korrekturen führen. Zugleich verlangen fortgeschrittene nichtlineare Verfahren häufig hohe Rechenleistung oder sehr genaue Modelle, die auf leichten Flugrobotern nicht immer praktikabel sind.

Einfache Regeln mit kluger Mathematik verbinden

Die Autoren schlagen eine hybride Regelungsstrategie vor, die zwei Ideen kombiniert. Die erste ist ein Fuzzy-Regelsystem, das das komplexe Verhalten der Drohne in mehrere einfachere Betriebsbereiche zerlegt, etwa kleine oder große Neigungswinkel. Jeder Bereich wird durch ein leicht handhabbares lineares Modell beschrieben, und Fuzzy-Logik verbindet diese Modelle nahtlos, wenn sich die Drohne bewegt. Die zweite Idee ist ein mathematisches Werkzeug, bekannt als Inversion linearer Matrizen, das hier verwendet wird, um Rückführungsverstärkungen zu berechnen, die das zusammengesetzte Fuzzy-Modell stabil halten. Durch die Echtzeit-Anpassung dieser Verstärkungen kann der Regler auf veränderte Bedingungen reagieren, ohne jeden Fehler explizit erkennen und klassifizieren zu müssen.

Wie die neue Strategie getestet wurde

Zur Prüfung ihres Ansatzes erstellten die Forscher ein detailliertes Computermodell eines Quadrotors, das sowohl Körperbewegung als auch Motorverhalten abbildet. Anschließend injizierten sie künstliche Fehler und Störungen in die Sensordaten. Es wurden zwei Fehlerarten betrachtet: glatt veränderliche „Kosinus“-Fehler, die sich über die Zeit ändern, und scharfe „Rechteck“-Fehler, die plötzlich in kurzen Intervallen auftreten. Der neue adaptive Regler wurde mit einem Standard-Fuzzy-Regler und einem Standard-Ansatz mit Inversion linearer Matrizen sowie mit in früheren Arbeiten berichteten Methoden verglichen — alle anhand desselben simulierten Drohnenmodells und gleicher Störungsmuster.

Was passierte, als es schiefging

Unter ruhigen Bedingungen, bevor Fehler eingespielt wurden, lenkten alle drei Regler die Neigungswinkel der Drohne mit ähnlicher Genauigkeit auf die Sollwerte, wobei der rein lineare Regler jedoch stärkere Schwingungen zeigte. Die wirklichen Unterschiede traten auf, als Fehler und Störungen eingeschaltet wurden. Bei glatt variierenden Sensorfehlern zeigten die konventionellen Methoden wachsende Schwingungen in Roll, Nick und Gier; in einigen Fällen konnte der lineare Ansatz die Drohne nicht mehr stabilisieren. Der reine Fuzzy-Regler beruhigte sich schließlich, benötigte dafür aber mehr Zeit. Im Gegensatz dazu zeigte der adaptive Hybridregler nur kleine, kurze Abweichungen und stellte den stabilen Flug in etwa einer Sekunde wieder her. Bei plötzlichen Rechteckfehlern war das Muster ähnlich: Der neue Regler hielt die Fluglage sehr nahe am Soll, während die anderen weiter abwichen und länger zur Erholung brauchten.

Warum das für den Alltagsbetrieb wichtig ist

Für Nichtfachleute lässt sich festhalten: Dieser adaptive Hybridregler ermöglicht es einem Quadrotor, sicher weiterzufliegen, selbst wenn seine Sensoren unzuverlässig sind und die Luft turbulent. Anstatt zunächst jeden einzelnen Fehler zu diagnostizieren, behandelt die Methode Fehler und Störungen als automatisch zu unterdrückende Einflüsse und passt ihr Verhalten laufend an. In Simulationen führten diese Maßnahmen dazu, dass die Neigungswinkel der Drohne deutlich näher an den Zielwerten blieben als bei Standardansätzen — mit kleineren Fehlern und schnelleren Einschwingzeiten. Die Autoren argumentieren, dass solche Strategien die Sicherheit und Zuverlässigkeit von Drohnen und anderen nichtlinearen Maschinen erhöhen könnten und sie besser für anspruchsvolle reale Einsätze eignen, in denen schnelle, stabile Reaktionen entscheidend sind.

Zitation: Taimoor, M., Wang, H., Bibi, S. et al. Fault-tolerant control of quadrotor unmanned aerial vehicle by using adaptive fuzzy T-S and linear matrix inversion approach. Sci Rep 16, 16181 (2026). https://doi.org/10.1038/s41598-026-46576-w

Schlüsselwörter: Quadrotor-Drohnen, fehltolerante Regelung, adaptive Regelung, Fuzzy-Systeme, Sensorfehler