DOI: https://doi.org/10.1038/s41598-025-32436-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41495139
تاريخ النشر: 2026-01-06
المؤلف: Zhou We وآخرون
الموضوع الرئيسي: التحكم التكيفي للأنظمة غير الخطية
نظرة عامة
تتناول هذه الورقة البحثية التحديات المتعلقة بالمتانة وعدم اليقين في نماذج الأنظمة الديناميكية للطائرات بدون طيار (UAV)، مقترحةً هيكل تحكم هجين يدمج التحكم التنبؤي النموذجي العميق (MPC) مع وحدة تحكم تناسبية-تكاملية-تفاضلية (PID) قابلة للتكيف معززة بآلية انتباه تعتمد على المحولات. تكمن الابتكار في استخدام الشبكات العصبية الانتباهية لضبط مكاسب PID ديناميكيًا في الوقت الحقيقي، مما يشكل إطار عمل “التنبؤ-التعلم-التعويض” الذي يجمع بين MPC ومراقب اضطراب وضع الانزلاق باستخدام تحسين H∞ القوي. يحسن هذا الهيكل بشكل كبير من قابلية تكيف النظام ودقة التحكم في وجود اضطرابات غير منظمة وعدم تطابق النماذج.
تظهر النتائج أن طريقة التحكم المقترحة تتفوق على MPC التقليدي المدمج مع التحكم الثابت المكسب PID، حيث تحقق تقليصًا في خطأ تتبع الحالة الثابتة من 5.87 متر إلى 3.92 متر (تحسين بنسبة تقارب 33%) وتقليل وقت ضبط النظام من 3.15 ثانية إلى 2.47 ثانية (تحسين بنسبة 21.6%). وصلت نسبة كبح الاضطراب إلى 0.92، مما يدل على تحسين بنسبة 17.3% في المتانة ضد اضطرابات المعلمات. على الرغم من أن الدراسة تقدم حلاً قويًا للتحكم في UAV في بيئات غير مؤكدة، إلا أنها تعترف بالقيود مثل الاعتماد على الحوسبة عالية الأداء والحاجة إلى التحقق في العالم الحقيقي. ستركز الأعمال المستقبلية على تحسين الشبكة العصبية للأنظمة المدمجة، وتعزيز قدرات التعميم، والتحقق من النهج في سيناريوهات متعددة الطائرات بدون طيار.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التعقيد المتزايد وعدم القدرة على التنبؤ بالبيئات التشغيلية للطائرات بدون طيار (UAV) بسبب تطبيقاتها المتوسعة في مجالات مختلفة. تواجه الطائرات بدون طيار تحديات كبيرة من الاضطرابات المعقدة مثل قص الرياح وضوضاء المستشعر، بالإضافة إلى عدم اليقين في النماذج التي تضر بأساليب التحكم التقليدية مثل التحكم التناسب-التكامل-التفاضل (PID). بينما يوفر التحكم التنبؤي النموذجي (MPC) قدرات تحسين قوية، فإنه يعاني من متطلبات حسابية عالية والاعتماد على دقة النموذج، خاصةً تحت الاضطرابات السريعة. تفتقر الأساليب الهجينة الحالية التي تجمع بين MPC وPID إلى آليات تحسين مشتركة فعالة، مما يترك قضايا المتانة في البيئات الديناميكية دون حل.
لمعالجة هذه التحديات، تقترح الدراسة هيكل تحكم هجين جديد من MPC-PID يركز على التكامل العميق والتحسين التعاوني. تستخدم الطبقة العليا وحدة تحكم MPC معززة بمعيار أداء قوي H-infinity (H∞) للتحسين التنبؤي، بينما تتميز الطبقة السفلى بهيكل PID قابل للتكيف مدمج مع آلية انتباه تعتمد على المحولات. تتيح هذه الآلية ضبط مكاسب PID في الوقت الحقيقي، مما يستجيب بشكل فعال للديناميات غير الخطية والاضطرابات. بالإضافة إلى ذلك، يتضمن الإطار وحدة تحكم وضع الانزلاق (SMC) ومراقب الاضطراب (DOB) لتعزيز الاستقرار وكبح الاضطرابات. يهدف الهيكل المقترح إلى ضمان تتبع مسار عالي الدقة وطيران مستقر في البيئات المعقدة، مما يمثل تقدمًا كبيرًا في استراتيجيات التحكم في UAV من خلال تصميمه المبتكر “التنبؤ-التعلم-التعويض”.
نقاش
تسلط قسم النقاش في الورقة البحثية الضوء على التقدمات الأخيرة في منهجيات التحكم في UAV، مع التركيز بشكل خاص على الهياكل الهجينة للتحكم التي تدمج استراتيجيات تحكم متنوعة لتعزيز الأداء في البيئات الديناميكية. تشمل النتائج الرئيسية التحليل المقارن لأساليب PID، ومنظم الرباعي الخطي (LQR)، والتحكم التنبؤي النموذجي (MPC)، مع دراسات تظهر فعالية الأساليب الهجينة التي تجمع بين التعلم المعزز وتقنيات MPC المتقدمة لتحسين الاستقرار وكبح الاضطرابات. من الجدير بالذكر أن إدخال MPC المحسن بالتدرج وطرق التحكم الهجينة القوية باستخدام خوارزميات ميتا-هيوريستيك لضبط معلمات PID يعرض حلولًا مبتكرة لتحديات التحكم المعقدة في UAV.
يدمج الهيكل الهجين متعدد الطبقات المقترح بين التحكم MPC وPID، معززًا بآلية انتباه تعتمد على المحولات لضبط المكاسب في الوقت الحقيقي. يهدف هذا الهيكل إلى تعزيز القابلية للتكيف مع الاضطرابات غير الخطية مع دمج مراقب اضطراب وضع الانزلاق (SMDOB) لتقدير الاضطراب والتعويض بشكل فعال. يسمح التصميم الهرمي بتحسين المسار بشكل قوي وتتبع دقيق، حيث تركز وحدة التحكم MPC في الطبقة العليا على التحكم الكلي وتدير وحدة التحكم PID القابلة للتكيف في الطبقة السفلى التعديلات الديناميكية. يظهر دمج هذه المكونات تحسينات كبيرة في متانة النظام واستقراره، مما يعالج قيود الأطر التقليدية للتحكم. بشكل عام، تؤكد النتائج على إمكانيات استراتيجيات التحكم الهجينة المتقدمة في تحسين أداء UAV تحت ظروف تشغيل متغيرة.
DOI: https://doi.org/10.1038/s41598-025-32436-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41495139
Publication Date: 2026-01-06
Author(s): Zhou We et al.
Primary Topic: Adaptive Control of Nonlinear Systems
Overview
This research paper addresses the challenges of robustness and model uncertainty in unmanned aerial vehicle (UAV) dynamic systems, proposing a hybrid control architecture that integrates deep fusion model predictive control (MPC) with an adaptive Proportional-Integral-Derivative (PID) controller enhanced by a Transformer attention mechanism. The innovation lies in the use of attention neural networks to dynamically adjust PID gains in real-time, forming a “prediction-learning-compensation” framework that combines MPC with a sliding mode disturbance observer utilizing H∞ robust optimization. This architecture significantly improves system adaptability and control accuracy in the presence of unstructured disturbances and model mismatches.
The findings demonstrate that the proposed control method outperforms traditional MPC combined with fixed-gain PID control, achieving a reduction in steady-state tracking error from 5.87 meters to 3.92 meters (approximately 33% improvement) and decreasing system adjustment time from 3.15 seconds to 2.47 seconds (21.6% improvement). The disturbance suppression ratio reached 0.92, indicating a 17.3% enhancement in robustness against parameter perturbations. Although the study presents a robust solution for UAV control in uncertain environments, it acknowledges limitations such as dependence on high-performance computing and the need for real-world validation. Future work will focus on optimizing the neural network for embedded systems, enhancing generalization capabilities, and validating the approach in multi-UAV scenarios.
Introduction
The introduction of this research paper highlights the increasing complexity and unpredictability of operational environments for unmanned aerial vehicles (UAVs) due to their expanding applications in various fields. UAVs encounter significant challenges from complex disturbances such as wind shear and sensor noise, as well as inherent model uncertainties that compromise traditional control methods like Proportional-Integral-Derivative (PID) control. While Model Predictive Control (MPC) offers robust optimization capabilities, it suffers from high computational demands and reliance on model accuracy, particularly under rapid disturbances. Existing hybrid approaches combining MPC and PID lack effective co-optimization mechanisms, leaving issues of robustness in dynamic environments unresolved.
To address these challenges, the study proposes a novel MPC-PID hybrid control architecture that emphasizes deep integration and collaborative optimization. The upper layer employs an MPC controller enhanced with an H-infinity (H∞) robust performance criterion for predictive optimization, while the lower layer features an adaptive PID structure integrated with a Transformer-based attention mechanism. This mechanism allows for real-time adjustment of PID gains, effectively responding to nonlinear dynamics and disturbances. Additionally, the framework incorporates a Sliding Mode Control (SMC) module and a Disturbance Observer (DOB) to enhance stability and disturbance rejection. The proposed architecture aims to ensure high-precision trajectory tracking and stable flight in complex environments, marking a significant advancement in UAV control strategies through its innovative “prediction-learning-compensation” design.
Discussion
The discussion section of the research paper highlights recent advancements in UAV control methodologies, particularly focusing on hybrid control architectures that integrate various control strategies to enhance performance in dynamic environments. Key findings include the comparative analysis of PID, Linear Quadratic Regulator (LQR), and Model Predictive Control (MPC) methods, with studies demonstrating the effectiveness of hybrid approaches that combine reinforcement learning and advanced MPC techniques for improved stability and disturbance rejection. Notably, the introduction of gradient-optimized MPC and robust hybrid control methods using meta-heuristic algorithms for PID parameter tuning showcases innovative solutions to complex UAV control challenges.
The proposed multi-layered hybrid control architecture integrates MPC and PID control, augmented by a Transformer-based attention mechanism for real-time gain adjustment. This architecture aims to enhance adaptability to nonlinear disturbances while incorporating a Sliding Mode Disturbance Observer (SMDOB) for effective disturbance estimation and compensation. The hierarchical design allows for robust trajectory optimization and fine-grained tracking, with the upper-layer MPC focusing on macroscopic control and the lower-layer adaptive PID controller managing dynamic adjustments. The integration of these components demonstrates significant improvements in system robustness and stability, addressing the limitations of traditional control frameworks. Overall, the findings underscore the potential of advanced hybrid control strategies in optimizing UAV performance under varying operational conditions.