Kontrola odporna na błędy dla bezzałogowego statku powietrznego typu quadrotor z wykorzystaniem adaptacyjnego rozmytego modelu T-S i podejścia inwersji macierzy liniowej

Utrzymanie dronów w stabilności w chaotycznym środowisku

Małe drony z czterema wirnikami stają się powszechnymi narzędziami do zadań takich jak inspekcja upraw, poszukiwania ratunkowe czy filmowanie. Jednak w praktyce ich czujniki mogą zawodzić, a podmuchy wiatru zbaczać je z kursu, co grozi drganiami lotu lub nawet katastrofą. Niniejszy artykuł bada nowe podejście do utrzymania stabilności i reaktywności quadrotora, nawet gdy jego czujniki podają błędne dane, a otaczające powietrze jest nieprzewidywalne.

Dlaczego sterowanie dronem jest trudne

Quadrotor wygląda prosto, lecz jego ruchy są rządzone silnie sprzężonymi wirnikami, przechyleniami kadłuba i zmianami położenia. Tradycyjne metody sterowania często opierają się na uproszczonych modelach liniowych, które dobrze działają tylko w spokojnych, przewidywalnych warunkach. Gdy rzeczywistość dorzuca porywisty wiatr, drgania i uszkodzenia czujników, te metody mogą mieć trudności, prowadząc do narastających oscylacji lub powolnych korekt. Jednocześnie bardziej zaawansowane metody nieliniowe mogą wymagać dużej mocy obliczeniowej lub bardzo dokładnych modeli, co nie zawsze jest praktyczne w lekkich latających robotach.

Łączenie prostych reguł ze sprytną matematyką

Autorzy proponują hybrydową strategię sterowania łączącą dwie koncepcje. Pierwsza to system reguł rozmytych, który dzieli złożone zachowanie drona na kilka prostszych stref pracy, takich jak małe lub duże przechyły. Każda strefa jest opisana łatwym w użyciu modelem liniowym, a logika rozmyta płynnie je łączy w miarę ruchu drona. Drugą ideą jest narzędzie matematyczne znane jako inwersja macierzy liniowej, stosowane tutaj do wyliczania wzmocnień sprzężenia zwrotnego, które utrzymują stabilność połączonego modelu rozmytego. Poprzez adaptację tych wzmocnień w czasie rzeczywistym, regulator potrafi reagować na zmienne warunki bez potrzeby jawnego wykrywania i klasyfikowania każdego błędu.

Jak testowano nową strategię

Aby przetestować swoje podejście, badacze zbudowali szczegółowy model komputerowy quadrotora, obejmujący zarówno ruch kadłuba, jak i zachowanie silników. Następnie wstrzyknęli do odczytów czujników sztuczne błędy i zakłócenia. Rozważano dwa typy problemów: płynnie zmieniające się błędy typu „cosine”, które ewoluują w czasie, oraz ostre błędy „prostokątne”, pojawiające się nagle w krótkich impulsach. Nowy adaptacyjny regulator porównano ze standardowym regulatorem rozmytym i standardowym podejściem inwersji macierzy liniowej, a także z metodami opisanymi we wcześniejszych pracach, przy użyciu tego samego symulowanego drona i wzorców zakłóceń.

Co się stało, gdy coś poszło nie tak

W spokojnych warunkach, przed wprowadzeniem jakichkolwiek błędów, wszystkie trzy regulatory kierowały kątami przechyłu drona do wartości zadanych z podobną dokładnością, z tym że czysto liniowy regulator wykazywał więcej oscylacji. Prawdziwe różnice ujawniły się po włączeniu błędów i zakłóceń. Przy płynnie zmieniających się usterkach czujników konwencjonalne metody wykazywały narastające oscylacje w przechyleniu, pochyleniu i odchyleniu yaw; w niektórych przypadkach podejście liniowe nie było już w stanie ustabilizować drona. Regulator oparty tylko na rozmyciu ostatecznie się uspokoił, ale wymagał więcej czasu. W przeciwieństwie do nich adaptacyjny regulator hybrydowy wykazał jedynie niewielkie, krótkotrwałe odchylenia i przywrócił stabilny lot w około jedną sekundę. Przy nagłych błędach prostokątnych obraz był podobny: nowy regulator utrzymywał orientację drona bardzo blisko ścieżki zadanej, podczas gdy inne rozwiązania odchylały się bardziej i potrzebowały więcej czasu na powrót do normy.

Dlaczego to ma znaczenie dla codziennego lotu

Dla osoby niebędącej specjalistą istotne jest to, że ten adaptacyjny regulator hybrydowy pozwala quadrotorowi bezpiecznie kontynuować lot nawet wtedy, gdy jego czujniki są zawodn e, a powietrze jest turbulentne. Zamiast najpierw diagnozować każdy konkretny błąd, metoda traktuje usterki i zakłócenia jako sygnały do automatycznego odrzucenia, dostosowując zachowanie w locie. W symulacjach powodowało to, że kąty przechyłu drona pozostawały znacznie bliżej wartości zadanych niż przy standardowych podejściach, z mniejszymi błędami i krótszym czasem ustalania. Autorzy twierdzą, że takie strategie mogłyby zwiększyć bezpieczeństwo i niezawodność dronów oraz innych maszyn nieliniowych, czyniąc je bardziej odpowiednimi do wymagających zadań terenowych, gdzie szybkie i stabilne reakcje są kluczowe.

Cytowanie: 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

Słowa kluczowe: quadrotory, sterowanie odporne na błędy, sterowanie adaptacyjne, systemy rozmyte, uszkodzenia czujników