目錄

1.1 研究背景和意義

1.1.1 無人機機動飛行的民用需求

1.1.2 無人機機動飛行的軍事需求

1.2 無人機自主機動飛行研究現狀

1.2.1 無人機機動飛行研究

1.2.2 無人自主機動飛行架構

1.2.3 飛行控制理論的發展

1.2.4 神經網絡在飛行系統中的應用

1.3 本文的主要工作、貢獻和結構

2.1 引言

2.2 問題描述與目標分解

2.2.1 問題描述

2.2.2 目標分解

附錄：參考文獻

1.1 研究背景和意義

智能無人系統（Intelligent unmanned system）是人工智能與無人系統相結合的產物，在近十年得到瞭迅猛的發展。而無人系統作為人工智能終端將起到越來越廣泛的應用，其中無人機（UAV,Unmanned Aerial Vehicles）是一種典型的自主式無人系統，在軍事領域和民用領域都起著非常重要的作用。

目前，無人機廣泛用於航拍、植保、環境監測、地圖測繪，以及監視和偵察、地面打擊和電子對抗等。然而，目前的無人機技術大多停留在平穩飛行階段，隻能在有限的滾轉和俯仰姿態下飛行，不能發揮無人機的機動性能。隨著應用范圍的拓展和軍事領域的競爭，機動飛行已經成為未來無人機技術發展的關鍵點。下面分別從民用需求和軍用需求角度對無人機機動飛行技術展開說明。

1.1.1 無人機機動飛行的民用需求

特技飛行表演中通常會穿插各種機動動作，是機動飛行的典型應用之一。特技飛行表演是飛機與舞蹈藝術的集合，堪稱“藍天上的芭蕾”，是驚險而美麗的空中特技表演藝術同時也是一個國傢空軍實力的標志。

(a)中國空軍八一特技表演隊(b)美國雷鳥飛行表演隊 (c)英皇傢特技飛行隊訓練場景 (d)法國航展：法國精英特技飛行團

而飛行表演隊是展示飛行技術和飛機性能，進行飛行表演的航空兵分隊，多個國傢投入瞭大量的時間和精力建設飛行表演隊。至21世紀初，世界共有60餘支飛行表演隊，比較著名的有：美國空軍的雷鳥和海軍的藍天使、英國皇傢空軍紅箭、法國空軍的法蘭西巡邏兵、俄羅斯的勇士和雨燕、意大利的三色箭、加拿大的雪鳥、日本航空自衛隊的藍色沖擊波和中國的八一飛行表演隊等[2]。如圖1-1所示，展示瞭各國飛行表演隊的精彩演出。

但飛行表演具有一定的危險性，飛行員訓練也要投入大量的時間精力。無人機特技飛行表演作為飛行表演的另一種潛在形式，將會帶來更加精彩的表演，同時在安全性和經濟上也占有一定的優勢。

另一方面，在一些特殊的任務中，無人機需要在城市建築物、樹林等復雜的境中飛行，機動飛行使無人機能夠在復雜的環境中快速改變自身的姿態和位置，可以極大地提高無人機的生存能力。因此，在民用領域，無人機的機動飛行技術的發展將帶動無人機的應用，起到越來越重要的作用。

1.1.2 無人機機動飛行的軍事需求

伴隨著軍事裝備的發展，無人戰鬥機的發展、退役戰鬥機無人化改造、有人/無人聯合作戰、集群技術等新的無人機運作方式的出現，這些都對無人機的機動飛行提出瞭很高的要求。

（1）無人戰鬥機的研制

20世紀90年代，美國搶先將無人戰鬥機（UCAV,Unmanned Combat Aerial Vehicles）列入軍事裝備發展計劃，引起各國軍事界極大關註，興起瞭世界范圍的研制UCAV熱潮，圖1-2展示瞭各國研制的先進無人戰鬥機。

X47-B是美國諾斯羅普·格魯曼公司為美國海軍研制的艦載無人作戰飛機驗證機，主要用於執行對地縱深打擊、壓制防空系統等作戰任務。X-47B於2011年首飛，並在2013年在世界上首次成功完成瞭航母自主彈射起飛和攔阻著艦全流程飛行試驗[3]。神經元無人駕駛戰鬥機是由法國領導，五個歐洲國傢參與研制的。2012年12月，神經元無人機在法國南部伊斯特裡斯飛行試驗中心首飛成功。利劍無人機是由中航工業601所研發的飛翼佈局隱身無人作戰飛機。項目於2009年啟動，2012年12月13日下線，隨後進行瞭密集的地面測試。2013年11月21日，利劍無人機在西南某基地完成首飛。

(a)X-47B無人戰鬥機 (b)神經元無人機 (c)利劍無人機 (d)暗箭無人機

（2）退役戰鬥機的智能無人化改造

對於有人機，大機動動作的完成以飛機自身的機動特性為基礎，同時取決於駕駛員的駕駛技術和經驗。隨著無人機(UAV)技術的發展，無人戰鬥機將在未來戰場中更多地替代有人機執行戰鬥任務。由於無需考慮駕駛人員的身體極限，無人戰鬥機可以執行比有人戰鬥機更劇烈的機動動作。退役的戰鬥機正好可以解決這個需求而，因此可以考慮將退役戰鬥機進行無人化改造，圖1-3展示瞭部分退役戰鬥機無人化改造的實現。

波音公司將退役的F-16噴氣式戰鬥機改裝成無人駕駛飛機[4]，並成功進行瞭多次飛行試驗；波音技術部門聯合美國空軍上周在佛羅裡達Tyndall空軍基地成功測試瞭搭載無人駕駛系統的退役F-16戰機，並將這種新機型命名為QF-16。據介紹，這套無人駕駛系統可以完美的發揮出戰機的實力，並完成諸如超音速飛行以及9個G的空中急轉大載荷飛行動作等。能夠在訓練中成為飛行員最有力的對手。

中國空軍曾裝備大量殲6作戰飛機，在原有設備上取消機炮、瞄準系統、彈射座椅、氧氣系統等設備，加裝自動飛行控制系統、自動駕駛儀、地形匹配導航系統以及大威力的機載戰鬥部，可以將退役殲6在智能無人化後改裝成無人攻擊機。退役殲6改裝的無人攻擊機，可以攻擊敵人的地面固定目標，如機場、軍港、指揮中心、導彈發射陣地等，大批改裝的殲6在戰時能對敵人空防造成很大壓力。

(a)波音公司改造的QF-16無人機 (b)殲6戰鬥機無人化改造

圖1-3 戰鬥機無人化改造

退役戰鬥機的智能無人化改造不但可以解決退役殲擊機的處理問題，而且二次利用，改裝成智能化無人化的更加機動靈活的無人戰鬥機，可以創造巨大的軍事效益。

（3）無人機與有人駕駛戰鬥機編隊飛行執行任務。

無人機要想和有人駕駛戰鬥組成編隊飛行需具有與有人駕駛飛機相接近的機動飛行能力，以使得無人機不被掉隊而破壞編隊隊形。具有機動飛行控制能力的自動駕駛儀使得無人機能夠更好地發揮其自身的強機動性飛行能力，大大提高瞭其使用價值，圖1-4展示瞭部分有人/無人協同飛行測試。

2014年3月20日，“神經元”無人機與“陣風”戰鬥機和獵鷹公務機在沿法國南部海岸編隊飛行數百公裡，該公司表示，這是“神經元”無人機第一次與有人機實現編隊飛行，編隊飛行近兩個小時。2016年8月17日，X-47B無人空戰系統演示驗證機在“西奧多·羅斯福”號航母上進行飛行操作，期間，X-47B完成瞭一系列試驗，並首次驗證瞭與F/A-18“大黃蜂”有人機安全、無縫的協同操作能力。試驗期間，兩架“大黃蜂”戰機和一架X-47B無人機在弗吉尼亞海岸附近，以相同的模式進行起飛與降落，X-47B對6個項目進行瞭飛行試驗，包括起飛、順風飛行、轉向航母背面、著艦、折疊機翼等，不僅試驗瞭無人機安全起降的能力，而且還探索瞭確保有人機緊隨無人機之後執行相同操作的方法[5]。

bdfc99c6854f657c3f01408f64c3c10c

（4）機動飛行在戰術上的其他應用

機動飛行在戰場具備很多應用。使得無人機可以在復雜環境中跟蹤、打擊快速移動目標，如通過機動飛行快速地改變無人機的航向或速度，從而鎖定跟蹤目標並實施精確打擊，或者通過預先設定的機動動作快速改變飛行航跡躲避攻擊，這些都極大地提升無人機的作戰生存概率。

綜上所述，無人機的機動飛行無論是在民用領域還是軍用領域都有著重要的應用，有著廣闊的發展前景，因此無人機的機動飛行具有很強的研究價值和應用需求。

1.2 無人機自主機動飛行研究現狀

隨著飛行器任務要求的提高和飛行器自身設計的復雜，對整個控制系統提出瞭更高的要求。近些年，無人系統的軟硬件研究得到瞭快速發展，飛行控制的發展經歷瞭經典控制、現代控制，取得瞭很多突破，但仍然無法滿足復雜的任務需求。傳感器的改進、智能控制的發展帶來瞭新的可能，自主機動飛行和復雜系統的控制有望在這些方面取得突破[6]。本節將在目前國內外的研究基礎上總結自主機動飛行架構、飛行控制理論的發展以及神經網絡在其中的應用。

1.2.1 無人機機動飛行研究

近些年來，由於傳感器精度、機載計算能力和控制算法的進步，無人機的自主機動飛行能力取得瞭一些進展，大多數研究單位使用小型無人機作為技術驗證機。下面列舉瞭部分單位的研究進展，並進行瞭簡單的分析。這些研究機構的研究機型包含瞭固定翼、四旋翼、直升機等，實現方法也各有不同。

1. 直升機：

斯坦福大學的吳恩達團隊在2003年到2010年進行瞭一系列工作。其上層規劃使用專業飛手示教得出標準的機動動作；使用強化學習、微分動態規劃設計控制器，實現瞭無人直升機的原地翻轉、原地滾、循環和颶風等機動動作的實物飛行[9, 11-13]，如圖1-5(c)所示。蘇黎世聯邦理工學院對直升機機動飛行做瞭很系統的工作，通過傳統的模型辨識、導航層使用 控制，控制層使用增益調度控制，實現瞭懸停、筋鬥、副翼橫滾等多種機動動作[14]。

1. 固定翼：

加拿大麥吉爾大學通過風洞精確建模、姿態控制(考慮力的模型）位置控制、推力控制；實現垂直懸停，刀刃特技仿真飛行，如圖1-5(b)所示。韓國航空航天大學通過把重力加速度去掉，得出退化為失重環境下的模型；實現滾轉通道解耦控制，實現瞭固定翼無人機的大滾轉角機動飛行以及三維路徑跟蹤[15, 16]。南非斯特倫博斯大學通過模型預測控制實現瞭固定翼橫滾、筋鬥和英麥曼機動飛行[17-19]。南京航空航天大學在飛翼無人機機動飛行控制以及固定翼無人機棲落機動方面也做瞭持續的研究[20-22]。

1. 四旋翼：

如圖1-5(d)所示，蘇黎世聯邦理工學院Raffaello D’Andrea團隊的對四旋翼的運動做瞭很多研究，其在2011年到2014年通過使用路徑規劃、開閉環控制結合和迭代學習等多種方法實現瞭四旋翼的空翻[10, 23, 24]。

6e402b00c38009de1d2ee51c782bfb8e

這些研究得出，無人機的自主機動飛行可由不同的規劃、控制以及建模方法實現，但整個控制系統的架構大致相同。

1.2.2 無人自主機動飛行架構

無人機機動飛行的實現一般分為兩個環節：動作指令生成和機動飛行控制。動作指令生成主要是根據不同的機動動作要求產生歐拉角姿態+空速或者攻角側滑角+空速的控制指令。機動飛行控制則根據控制指令和無人機當前的姿態、姿態角速度、速度等狀態反饋，通過控制機構，例如發動機、矢量噴口、舵面等，實現姿態閉環控制。

圖1-6 機動動作控制與傳統航線控制的對比

機動動作指令的產生方法和不同的機動動作相關，目前主要的產生方法包括經驗公式法、數據濾波法、模型辨識法等。其中經驗公式法采用根據機動飛行動作人工總結出的公式來產生，對於直觀描述比較清晰的機動動作，可以給出比較規范的數學公式描述，根據對象無人機的動力學特性，可以確定動作的參數。數據濾波法常用於增強學習控制中，對於復雜的機動動作，直接從反復執行的數據中除去隨機擾動項，得到平均的動作軌跡數據，作為動作的表示。模型辨識法也需要指定動作的表示模型，可以是描述過程的數學公式、神經網絡、隨機過程等，通過數據獲得模型的參數，從而得到機動動作的表達。

不同於執行一般航線飛行的無人機，執行機動飛行的無人機一般采用機動動作庫加上動作指令跟蹤的方式進行飛行控制，其中控制器主要實現動作產生器給出的歐拉角姿態+速度或者攻角+側滑角+空速的控制指令跟蹤，實現從姿態到虛擬的力和力矩控制量的動態計算，然後再由控制分配環節轉換為執行機構的控制量，實現飛機的6自由度控制。目前，控制器的設計方法一般都是非線性的，和無人機系統的建模緊密相關。

1.2.3 飛行控制理論的發展

傳統飛行控制大多使用基於傳遞函數模型的經典頻域或根軌跡法設計，包括典型的PID控制，通過建模、辨識、控制器設計、參數整定等步驟來完成控制器的實現與綜合，其參數整定強烈依賴於經驗，給飛機的試飛帶來瞭很大的風險。

由於經典控制設計方法的缺陷，基於狀態變量模型設計的現代控制理論方法，如最優控制技術在飛控系統的設計上得到一些發展。但隨著飛行任務標準的提高，基於線性系統模型設計控制系統並不能保證飛機的大迎角飛行性能，因為這時飛機的氣動力表現出強烈的非線性和非定常性，飛機運動強烈耦合，傳統的小擾動線性化處理技術已無法適用，因而發展出瞭多種非線性控制律設計方法。其中有反饋線性化（微分幾何方法和逆系統方法）、滑模變結構控制、非線性 優化、 綜合魯棒控制、反步控制等[25]。各種非線性控制的方法如表1-1所示：

無人機的機動性主要體現在空中飛行時速度、高度以及飛行方向的改變能力，改變的越快，機動性能就越好。對於無人機來說，可以突破人體生理極限，遠遠超過9g的過載，實現更劇烈的機動動作。大機動動作經常伴隨著較大的迎角和側滑角，飛機的氣動力和動力學特性呈現出較強的非線性和耦合特性。在大機動，甚至超機動的情況下，空氣動力學過程更加復雜，出現瞭氣流分離、渦流形成、渦流破碎等復雜過程，無人機動力學特性出現非定常、分佈式參數、無平衡工作點等特點，基於線性系統和穩定性設計的控制系統分析與設計方法很難適用。

值得一提的是，戰鬥機機動飛行控制中，利用動態逆研究有效控制的算法已經比較完善。然而，動態逆控制要求控制模型能精確建立，飛機狀態是可精確測量或可估計的，這在實際中是很難實現的。本文將研究通過飛行器的動態逆控制，以及引入神經網絡或幹擾觀測器來補償逆誤差，降低動態逆對模型的依賴，提高系統的魯棒性能。

1.2.4 神經網絡在飛行系統中的應用

近幾十年來人工神經網絡研究取得瞭突破性進展。所謂“人工神經網絡”實際上是以一種簡單計算、處理單元(即神經元)為節點，采用某種拓撲結構構成的網絡，可以用來描述幾乎任意的非線性系統。

神經網絡模型種類繁多，但從其處理能力上講，大致可以分為靜態神經網絡和動態神經網絡兩大類。靜態神經網絡隻能用於處理文字識別、空間曲線的逼近等與時間無關問題，例如BP網絡、RBF網絡、樣條函數網絡、子波函數網絡等。動態神經網絡則可以處理與時間有關的對象，如時間序列建模和預測、動態系統辨識、語音識別等，典型的動態神經網絡有Hopfield網絡、ART網絡、RNN、Elman網絡、NARX神經網絡。下面簡單介紹一下神經網絡在飛行系統中的應用：

（1）神經網絡控制器

根據神經網絡在控制器中的作用不同，神經網絡控制器可分為兩類：一類為神經控制，它是以神經網絡為基礎而形成的獨立智能控制系統；另一類為混合神經網絡控制，它是指利用神經網絡學習和優化能力來改善傳統控制的智能控制方法，如自適應神經網絡控制等[33]。

補償誤差是神經網絡在改善傳統控制中的常見應用，如針對先進戰機進行大迎角機動所體現出的強非線性、非定常、強耦合等特性，將動態逆方法與神經網絡相結合，采用BP、RBF等神經網絡對逆誤差進行在線補償[34]。

（2）擬合模型

a) 神經網絡辨識

系統辨識是一個優化問題，精確的辨識模型可以用於控制器設計、控制系統預測和監控。近年來，對於線性、非時變的系統進行辨識已經取得瞭很大的進展。但是對於復雜的非線性系統的辨識問題，一直未能很好的解決，如具有高維時變性能的飛行控制系統的辨識。

文獻[35]對傳統的系統辨識方法作瞭總結，詳細介紹瞭前饋網絡與遞歸網絡的結構、功能和算法以及在實際應用中設計神經網絡需考慮的問題。然後利用遞歸網絡對動態非線性系統進行辨識,並與傳統的預報誤差方法作瞭比較。結果表明，在無噪和有噪情況下,神經網絡模型的辨識精度和泛化能力都要優於傳統方法。

b) 策略和時序

神經網絡具有較強的學習能力、記憶保留能力以及魯棒性，可以根據當前的輸入信息和歷史信息做出合理的決策以及對時間序列進行擬合和預測。

（3）深度學習與控制

深度學習也即深層神經網絡，鑒於其優越的性能，在圖像識別、自然語言處理、機器人、生物信息處理等領域都有著廣泛應用。具體在控制領域，相較於傳統方法或者淺層網絡，深度學習在控制目標識別、狀態特征提取、系統參數辨識、控制策略[36]計算等方面都有著更加優越的表現。

綜合以上四部分的調研，自主機動飛行有望在數據驅動、示教飛行、智能控制等方面取得新的突破。

1.3 本文的主要工作、貢獻和結構

本文針對固定翼無人機自主機動飛行的實際需求，重點研究瞭無人機自主飛行系統的姿態控制、針對未建模因素等的補償、機動動作的時序網絡以及仿真驗證。

主要工作和貢獻如下：

（1）設計瞭一種新的基於神經網絡和四元數的自適應動態逆姿態控制器，相比於傳統動態逆控制器，該控制器解決瞭大機動動作下歐拉角的奇異問題設計。首先建立固定翼飛行器非線性模型，在此基礎上實現瞭風軸系和體軸系下的動態逆控制，針對大機動動作下歐拉角的奇異問題提出瞭四元數動態逆的控制方案，針對飛行器建模誤差、機動動作下幹擾嚴重等問題設計瞭神經網絡補償。經過仿真驗證，證明該控制器滿足無人機機動動作下姿態實時跟蹤的需求。

（2）首次將長短時記憶網絡（LSTM）應用於無人機的機動動作實現，實現瞭具有抗幹擾和記憶功能的機動指令生成器。針對機動動作難以準確描述和建模的問題，分別在實際飛行和仿真環境中進行瞭機動動作關鍵信息（姿態角、速度、GPS等）的數據采集，利用LSTM網絡實現瞭機動動作姿態序列指令生成器。經過測試，該網絡具備較好的記憶能力和抗幹擾能力，能夠滿足機動指令的性能要求。

（3）搭建瞭一種高性能仿真訓練系統，采集瞭大量仿真飛行數據，分別針對鉛垂面、水平面以及復雜綜合機動動作，設計瞭機動指令生成器，並在仿真環境下實現瞭基於數據驅動的無人機自主機動飛行。仿真結果表明，設計的系統架構可以實現固定翼無人機的機動飛行。

本文各章節安排如圖1-7所示：

513ca1d1487a2986772e1f8e5eb181eb

1 引言

機動飛行不同於常規飛行，在大迎角和側滑角下，飛機的氣動力和動力學特性呈現出較強的非線性和耦合特性，此時無人機的建模與控制都是一個難題，而建立飛行器的數學模型是進行飛行控制的前提條件。本章針對所面臨的問題進行問題描述和目標分解，在此基礎上建立瞭固定翼無人機非線性模型，並對所建立的模型進行瞭測試分析。

2.2 問題描述與目標分解

2.2.1 問題描述

本課題所基於的項目是“基於仿腦信息系統的無人機智慧控制”，目的是針對當前的無人作戰需求，設計能完成高機動動作的無人機控制系統，需要在現有方法的基礎上進行總結創新。

目前無人機一般采用任務規劃、位置控制、姿態控制、控制分配、執行機構控制幾個控制環路來實現運動控制。這種思路對於實現任務模式下的穩定控制比較有利，然而該方法在對抗條件下的機動飛行，以及大范圍的飛行環境變化適應上仍存在不足。因此，對於機動飛行，需要在合適的系統框架下設計滿足條件的控制律以及機動指令生成器。另一方面，傳感器和試驗技術的發展，促使無人機的設計、建模、飛行測試進入瞭數據驅動的時代。大量人工操作飛行的經驗可以通過數據記錄下來，數據驅動以及示教的方法應該能夠在解決機動飛行和環境適應性問題上發揮更大的作用。

2.2.2 目標分解

針對上述問題，設計無人機自主機動飛行系統，主要工作安排如下：

圖2-1 工作流程圖

（1）建立飛行器模型

系統的數學模型是描述系統輸入、輸出以及內部變量關系的數學表達式，而模型的建立是控制器設計的前提，需要針對機動飛行的特點建立合理的固定翼無人機非線性模型。

（2）設計飛行控制律

飛行控制律的設計是機動飛行實現的關鍵環節，性能好的控制器可以實現對指令信號的準確跟蹤。因此需要針對無人機傳統控制方法高機動飛行能力差和大范圍環境適應困難的問題，設計合適的控制律，實現無人機的機動飛行和典型情況下的控制，同時針對飛行器未建模因素、擾動等問題，進行不確定項的補償。

（3）設計機動指令生成器

機動指令生成器的設計直接影響機動飛行的動作效果，因此需要選取機動動作，基於多樣化的機載傳感器，通過專業飛行操作手手動飛行高機動動作，采集無人機運動和控制輸入數據，訓練實時性強、穩定性好機動指令生成器。

圖2-2 無人機機動示教飛行

（4）進行飛行仿真驗證

飛行仿真驗證是飛行算法走向實際應用的關鍵環節，因此需要搭建合理的飛行仿真系統，對設計的飛行控制律以及機動指令生成器進行驗證。

附錄：參考文獻

[1] ZHANG, Qing, Chang-shui, et al. Current trends in the development of intelligent unmanned autonomous systems[J]. 信息與電子工程前沿(英文), 2017,18(1):68-85.

[2] 盤點世界著名飛行表演隊. March 2015.

http://china.huanqiu.com/roll/2015-03/5881449.html.

[3] Simon P. Military Robotics: Latest Trends and Spatial Grasp Solutions[J]. International Journal of Advanced Research in Artificial Intelligence, 2015,4(4).

[4] 美成功將退役F-16改造成無人機. September 2013.

http://mil.huanqiu.com/gt/2013-09/2710456.html.

[5] 未來空戰新趨勢：有人機與無人機混編作戰.April 2014.

http://war.163.com/14/0421/17/9QCE94L000014J0G.html.

[6] Zhang R, Zhang J, Yu H. Review of modeling and control in UAV autonomous maneuvering flight[C]//: 2018 IEEE International Conference on Mechatronics and Automation (ICMA), 2018. IEEE.

[7] Sevaldson M C. Trajectory Learning for Highly Aerobatic Unmanned Aerial Vehicle[J]. 2012.

[8] Khan W. Dynamics modeling of agile fixed-wing unmanned aerial vehicles[D]. McGill University Libraries, 2016.

[9] Coates A, Abbeel P, Ng A Y. Apprenticeship learning for helicopter control.[J]. Communications of the Acm, 2010,52(7):97-105.

[10] Lupashin S, D Andrea R. Adaptive fast open-loop maneuvers for quadrocopters[J]. Autonomous Robots, 2012,33(1-2):89-102.

[11] Abbeel P, Coates A, Quigley M, et al. An application of reinforcement learning to aerobatic helicopter flight[C]//: Advances in neural information processing systems, 2007.

[12] Coates A, Abbeel P, Ng A Y. Learning for control from multiple demonstrations[C]//: Proceedings of the 25th international conference on Machine learning, 2008. ACM.

[13] Tang J, Singh A, Goehausen N, et al. Parameterized maneuver learning for autonomous helicopter flight[C]//: Robotics and Automation (ICRA), 2010 IEEE International Conference on, 2010. IEEE.

[14] Gerig M. Modeling, guidance, and control of aerobatic maneuvers of an autonomous helicopter[D]. ETH Zurich, 2008.

[15] Park S. Autonomous aerobatics on commanded path[J]. Aerospace Science & Technology, 2012,22(1):64-74.

[16] Park S. Autonomous Aerobatic Flight by Three-Dimensional Path-Following with Relaxed Roll Constraint[C]//: AIAA Guidance, Navigation, and Control Conference, 2013.

[17] Hough W J. Autonomous aerobatic flight of a fixed wing unmanned aerial vehicle[J]. Stellenbosch University of Stellenbosch, 2007.

[18] Peddle I K. Acceleration based manoeuvre flight control system for unmanned aerial vehicles[J]. Stellenbosch Stellenbosch University, 2008.

[19] Peddle I K, Jones T. Acceleration-based 3D Flight Control for UAVs: Strategy and Longitudinal Design[M]. InTech, 2011.

[20] 楊藝. 靜不穩定飛翼無人機機動飛行控制技術研究[D]. 南京航空航天大學, 2015.

[21] 趙塞峰. 基於逆模型的飛翼無人機飛行控制技術研究[D]. 南京航空航天大學, 2016.

[22] 李達. 飛行器棲落機動飛行軌跡優化與控制[D]. 南京航空航天大學, 2017.

[23] Lupashin S, D'Andrea R. Adaptive Open-Loop Aerobatic Maneuvers for Quadrocopters[J]. IFAC Proceedings Volumes, 2011,44(1):2600-2606.

[24] Ritz R, D'Andrea R. An on-board learning scheme for open-loop quadrocopter maneuvers using inertial sensors and control inputs from an external pilot[C]//: IEEE International Conference on Robotics and Automation, 2014.

[25] 王美仙, 李明, 張子軍. 飛行器控制律設計方法發展綜述[J]. 飛行力學, 2007,25(2):1-4.

[26] Liu H, Zhao W, Zuo Z, et al. Robust control for quadrotors with multiple time-varying uncertainties and delays[J]. IEEE Transactions on Industrial Electronics, 2017,64(2):1303-1312.

[27] Wacker R, Munday S, Merkle S. X-38 application of dynamic inversion flight control[J]. 2001.

[28] Cao L, Hu X, Zhang S, et al. Robust Flight Control Design Using Sensor-Based Backstepping Control for Unmanned Aerial Vehicles[J]. Journal of Aerospace Engineering, 2017,30(6):4017068.

[29] Su Z, Wang H, Li N, et al. Exact docking flight controller for autonomous aerial refueling with back-stepping based high order sliding mode[J]. Mechanical Systems and Signal Processing, 2018,101:338-360.

[30] Cao C, Hovakimyan N. L1 adaptive output feedback controller for systems with time-varying unknown parameters and bounded disturbances[C]//: American Control Conference, 2007. ACC'07, 2007. IEEE.

[31] Dadian O, Bhandari S, Raheja A. A recurrent neural network for nonlinear control of a fixed-wing uav[C]//: American Control Conference (ACC), 2016, 2016. IEEE.

[32] Zhaowei M, Tianjiang H, Lincheng S, et al. An iterative learning controller for quadrotor UAV path following at a constant altitude[C]//: Control Conference (CCC), 2015 34th Chinese, 2015. IEEE.

[33] 劉金琨. 智能控制.第3版[M]. 電子工業出版社, 2014.

[34] T Krüger P S R P. Fault-tolerant nonlinear adaptive flight control using sliding mode online learning[J]. Neural Networks, 2012,32:267-274.