Information Fusion-Based Optimal Attitude Control for an ...

  ARTICLE

International Journal of Advanced Robotic Systems

Information Fusion-Based Optimal
Attitude Control for an Alterable Thrust
Direction Unmanned Aerial Vehicle

Regular Paper

Ziyang Zhen1,*, Ju Jiang1, Xinhua Wang1 and Daobo Wang1

1 College of Automation Engineering of Nanjing University of Aeronautics and Astronautics, China
* Corresponding author E-mail: [email protected]

 

Received 13 Jun 2012; Accepted 6 Nov 2012

DOI: 10.5772/54886

© 2013 Zhen et al.; licensee InTech. This is an open access article distributed under the terms of the Creative
Commons Attribution License (http://creativecommons.org/licenses/by/3.0), which permits unrestricted use,
distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract  Attitude  control  is  the  inner‐loop  and  the  1. Introduction 
most  important  part  of  the  automatic  flight  control 
system  of  an  unmanned  aerial  vehicle  (UAV).  The  In  recent  years,  unmanned  aerial  vehicles  (UAVs)  have 
information  fusion‐based  optimal  control  method  is  been  widely  used  for  military  applications  and  also  for 
applied  in  a  UAV  flight  control  system  in  this  work.  civil  use  [1].  An  advanced  flight  control  strategy  is 
Firstly, a nonlinear model of alterable thrust direction  indispensable  for  the  autonomous  flight  of  UAVs. 
UAV  (ATD‐UAV)  is  established  and  linearized  for  Reference  [2]  applies  the  LQG  method  that  requires  rate 
controller  design.  The  longitudinal  controller  and  feedback and  a H∞ controller only by properly choosing 
lateral  controller  are  respectively  designed  based  on  the  weighting  functions,  which  meet  the  performance 
information  fusion‐based  optimal  control,  and  then  requirements  for  a  vertical  short  take‐off  and  landing 
the  information  fusion  flight  control  system  is  built  aircraft.  A  method  of  optimal  flight  control  for  a  rigid 
up.  Finally,  the  simulation  of  a  nonlinear  model  body  model  has  been  proposed  in  [3].  All  parameters  of 
described  as  ATD‐UAV  is  carried  out,  the  results  of  the  point  mass  model  need  to  be  determined  by 
which show the superiority of the information fusion‐ comparison  with  the  flight  simulations.  In  the  attitude 
based  control  strategy  when  compared  to  the  single‐ control  loop,  four  control  signals  should  be  properly 
loop  design  method.  We  also  show  that  the  ATD  produced. In the case of the moderate and the short‐time 
technique  improves  the  anti‐disturbance  capacity  of  flight  manoeuvres,  both  flight  trajectories  also  respond 
the UAV.  approximately.  Neural  networks  can  be  used  in  flight 
  control systems to improve the adaptive performance, by 
Keywords Unmanned Aerial Vehicle, Information Fusion,  compensating the system uncertainties and thus adapting 
Attitude  Control,  Automatic  Flight  Control,  Optimal  to  the  variations  of  flight  conditions,  while 
Control  accommodating  the  control  system  failures  [4].  A  neural 
network‐based  direct‐adaptive  controller  is  proposed  for 

www.intechopen.com Ziyang Zhen, Ju Jiang, Xinhua Wang and DaobInot WJ Aadnvg:RIonbfortmic aStyio, n20F1u3si,oVno-Bl.a1s0ed, 4O3p:2ti0m1a3l 1
Attitude Control for an Alterable Thrust Direction Unmanned Aerial Vehicle
 

 

an  unstable  UAV.  The  control  law  is  developed  to  track  information  fusion‐based  optimal  controllers  are 
the  pitch  rate  command.  A  neural  network  with  linear  designed  in  section  4  and  the  simulations  are  carried  out 
filters  and  a  back  propagation  learning  algorithm  is  used  in section 5. Finally, conclusion is drawn in section 6. 
to  approximate  the  control  variable.  The  bounded  signal 
requirement  is  circumvented  in  the  design  of  the  neural  2. Nonlinear Model of the ATD‐UAV 
controller, providing stability and tracking performances. 
An on‐line learning scheme is adopted to compensate for  In order to express the nonlinear model of the ATD‐UAV, 
uncertainties  due  to  variations  in  aerodynamic 
coefficients,  control  surface  failures  and  centre  of  gravity  the  input‐output  relationship  and  the  inner  constitute 
position. The performance of the above control method is 
validated in [5] under different flight conditions.   should  be  established.  A  nonlinear  model  with  total 
 
Furthermore,  an  intelligent  control  strategy  based  on  a  variable  for  an  ATD‐UAV  consists  of  dynamic  equations 
brain  emotional  learning  (BEL)  algorithm  which  is  based 
on  the  emotional  learning  process  in  the  amygdale‐ and  kinematic  equations.  The  former  includes  force 
orbitofrontal  system  of  the  mammalian  brain  is 
investigated  in  [6]  for  application  in  UAV  attitude  flight  equations  and  moment  equations,  while  the  latter 
control.  The  UAV  is  in  flat  flight  with  wind  disturbance, 
and  a  BEL‐based  intelligent  controller  (BELBIC)  is  includes navigation equations and motion equations. The 
applied  to  improve  the  attitude  stability  control 
performance  of  the  UAV.  In  [7],  fuzzy  logic  modules  are  variables’ definitions are given in Table 1.  
developed  in  the  autonomous  controller  for  altitude 
control,  speed  control  and  heading  control,  through   
which  the  global  positions  of  the  aircraft  are  well 
controlled.  In  [8],  a  genetic  algorithm  (GA)  is  used  to  Variables  Notations 
meet the requirements of the frequency domain handling 
qualities  for  the  longitudinal  plane,  in  which  the  e ,  a ,  r ,  Elevator, aileron, rudder and throttle 
parameters  are  implemented  as  fitness  functions  related  T   opening angles 
to the desired magnitude of bandwidth and time‐delay.  
  T ,  T   Thrust deflection angles 
The  thrust  vectoring  (TV)  technique  has  been  proved  to  V  Airspeed 
be  able  to  improve  the  mobility  and  agility  of  a  manned 
jet‐propelled  aircraft  [9‐12].  The  application  of  TV   ,     Angles of attack and sideslip 
technology  in  UAVs  is  being  increasingly  studied,  and  Bank and azimuth angles of flight path 
has  been  successfully  demonstrated  on  several  aircraft  to   ,  
provide  tactical  manoeuvring  advantages  at  slow  speed, 
high  attack  angle,  and  prevent  the  aircraft  from  loss  of  x,y,z   General axial, lateral and normal 
control  due  to  aerodynamic  surface  saturation.  However,  positions 
TV  technology  may  have  a  potentially  significant  pay‐off   , ,  
in  some  critical  areas,  such  as  vehicle  complexity,  p,q,r Pitch angle, roll angle and yaw angle 
maintenance, and total cost of ownership.  
  Roll rate, pitch rate and yaw rate 
With  reference  to  the  TV  technique  of  jet‐propelled 
aircraft,  an  alterable  thrust  direction  (ATD)  technique  is  L,M,N   Roll, pitch and yaw moments 
presented  for  screw  propeller  aircraft,  which  essentially 
vectorizes  the  thrust  of  the  screw  propeller  engine.  The  LT , MT , NT   Roll moment, pitch moment and yaw 
objective of this work is to employ a new modern optimal  moment due to thrust 
control  named  information  fusion  control  for  an  ATD‐
UAV.  This  information  fusion  control  is  an  optimal  Table 1. Variables definition 
control based on information fusion estimation. 
  Compared  to  traditional  UAVs,  the  mathematical  model 
The  remainder  of  this  paper  is  organized  as  follows.  of  this  ATD‐UAV  has  several  unique  features.  There  are 
Section  2  derives  the  nonlinear  dynamic  model  of  the  thrust  components  on  the  yb  and  zb  axes  of  the  body  axis 
ATD‐UAV.  In  section  3,  linear  models  of  the  ATD‐UAV  system,  while  there  are  none  of  these  components  for 
are  given,  in  which  the  thrust  deflection  angles  are  traditional UAVs. Thus, the total force and moment of the 
treated  as  the  additional  control  variables.  The  ATD‐UAV  are  different  to  a  traditional  UAV.  Therefore, 
the  dynamics  of  the  ATD‐UAV  is  different  to  that  of  a 
traditional  UAV.  The  corresponding  kinematics 
properties are also different. 
 
For this ATD‐UAV, the three components of thrust on the 
body axis system are given by 

 T
Tx  1  tan2 T  tan2 T

Ty  Tx tan T 
   T tan T      (1) 
 tan2 T
1  tan2 T

Tz  Tx tanT  1 T  tan2 T tanT
 tan2 T

For a traditional UAV,  T  T  0 ,  Tx  T ,  Ty  Tz  0 .  
 

The  three components of  thrust  on  the  body  axis  system 

of the ATD‐UAV are given by 

2 Int J Adv Robotic Sy, 2013, Vol. 10, 43:2013 www.intechopen.com

 

 

 LT   Tylz  Tzly   Tylz  kinematic  equations,  when  the  UAV  is  in  level  and  no‐
 MT   Txlz  Tzlx    sideslip  flight,  the  kinematic  equations  can  be  divided 
      Txlz  Tzlx                 (2)  into  longitudinal  and  lateral  kinematic  equations  which 
are  decoupled.  The  linearization  of  the  nonlinear 
   NT  Txly  Tylx   Tylx  equation is always conducted in an equilibrium state. For 
   the  ATD‐UAV,  after  the  linearization  process,  we  get  the 
linear longitudinal motion equations 
Thus,  the  force  equation,  the  moment  equation,  the 
navigation  equations  and  motion  equations  of  the  ATD‐   X lon  AlonXlon  BlonUlon                         (3) 
UAV  can  be  easily  derived  according  to  the  dynamic 
model of the traditional UAV.  

3. Linear Models of the ATD‐UAV   Xlon  [V ,  ,  , q]T  
Ulon  [T , e , T ]T  
In  order  to  use  the  modern  control  theory,  the  nonlinear 
model  is  usually  linearized  by  using  the  small 
perturbation  method.  According  to  the  nonlinear 
 

 TV cos *  DV  T* sin *  D  mg cos * g cos * 
 m 
m 0 
 T cos *  L  mg sin * 
 TV sin *  LV L  mV *  mg sin *  Lq  mV * 
 L  mV 0 L  mV * L  mV * 
 * 0 1 

0  
 
Alon   MV M Mq 
Iy Iy Iy 
  M  M  M 

 M mg sin * 
 Iy(L  mV * ) 
  TV sin *  LV T* cos *  L  mg sin *   Lq  mV * 
 Iy (L  mV * ) Iy(L  mV * ) Iy (L  mV * )



 TT cos * D e T* sin * 
 m 
m m
 L e 
 TT sin * L  mV * T* cos * 

 L  mV * 0 L  mV * 
 0 0  
Blon   

 M T T sin * M e  M L e MT  MT* cos * 
 I y ( L  mV * ) Iy Iy(L  mV * ) Iy 
 
I y ( L  mV * ) 

 

The lateral motion equation is given by   
  X lat  AlatXlat  BlatUlat                           (4) 
 Y a Y r T* 
Xlat  [ ,  , p, r]T    mV * mV * mV * 
 
 0 
 0 0 
IzL r  IzxN r
Ulat  [a , r , T ]T   Blat   Iz L a  IzxN a IxIz  Izx2 IzLT  IzxNT   
 
 IxIz  I 2 IzxL r  IxN r IzIx  Izx2 
zx IxIz  Izx2
 
 Y g cos * sin *  Yp   I zx L a  IxN a I zx L T  IxNT 
 mV * V* mV * 
 0 Yr  cos  *  IxIz  I 2 IzIx  Izx2 
1 mV * zx
0 
 Iz Lp  IzxNp 
 0 0 IxIz  Izx2 tan *  Given  the  above  linear  models  of  the  ATD‐UAV,  the 
natural  properties  can  be  analysed.  Furthermore,  the 
Alat   I z L  I zx N  IzxLp  IxNp Iz Lr  IzxNr    information  fusion‐based  attitudinal  controllers  can  also 
 IxIz  Izx2  be designed, as shown in the following section. 
 2 IxIz  Izx2 
 IxIz  I zx 

 IzxL  IxN IzxLr  IxNr 
 
 IxIz  I 2 IxIz  Izx2 
zx

www.intechopen.com Ziyang Zhen, Ju Jiang, Xinhua Wang and Daobo Wang: Information Fusion-Based Optimal 3
Attitude Control for an Alterable Thrust Direction Unmanned Aerial Vehicle
 

 

4.  Information  Fusion  Estimation‐Based  Optimal  Control  Hence,  a  linear  discrete  time  system  of  longitudinal 
For the ATD‐UAV  channel  of  ATD‐UAV  can  be  derived  from  (3)  ‐  shown 
as 
4.1 Information Fusion Estimation Theory 
  Xlon(k  1)  AlonXlon(k)  Blon,1Ulon,1(k)  Blon,2Ulon,2    (9) 
Li Xiao Rong puts forward the optimal fusion rules based 
on  the  linear  estimation  of  minimum  variance  [13].  From  where  Ulon,2   is  the  throttle  opening,  Ulon,2  T , 
the  perspective  of  information  fusion,  Zhi  Sheng  Wang  Ulon,1  [e , T ]T . 
and Ziyang Zhen put forward information fusion control   
methods,  which  take  the  desired  tracking  information, 
system  dynamic  information  and  ideal  control  strategy  The  design  of  the  longitudinal  controller  is  such  that  we 
information  as  measure  information  of  the  control 
variables [14‐16].   obtain  the  optimal  control  sequence  to  make  the  UAV’s 
 
Assume that a measurement  zi  mi  is a linear function  longitudinal  states  keep  the  equilibrium  states  and  make 
of the state  x  n , expressed by 
the following LQ performance index function minimum.  

J Xlon* (N)  Xlon ( N ) 2
Qlon
      (10) 
N 1 2 2
  zi = Hix + vi ,  i  1 ~ n                             (5)   Xlon* (k)  Xlon ( k ) Qlon  U lon ,1( k ) Rlon ]
[
where  Hi  mi n  is the mapping matrix,  vi  mi  is the 
measurement  error  which  is  a  random  vector  with  zero  k0
mean  value  and  co‐variance  of  Ri .  The  optimal 
estimation problem of the state  x  can be described by   where  Xlon*(k)  0   is  the  desired  state  vector,  Qlon   and 
Rlon  are positive definite matrices,  and N  is the terminal 
n 2 time. 
Ri ‐1
argmin  

x i=1 The  solving  steps  based  on  the  sequential  information 
  xˆ = zi ‐ Hix .                         (6) 
fusion method are as follows. 
The  information  weight  of  information  on  itself  and  its 
Step  1:  From  performance  index  function,  we  get  an 
co‐variance  are  generally  reciprocals  of  each  other.  Thus 
information expression as 
we get the following definitions. 
  Ulon,1* (k)  Ulon,1(k)  n(k)                     (11) 
 
I[zi zi ]  Ri1 : information weight of  zi  about itself;    I[Ulon,1* (k)]  Rlon                          (12) 
 
I[zi x]  HiT Ri1Hi : information weight of  zi  about x.   where  Ulon,1* (k)  0 ,  E[n(k)]  0 ,  var[n(k)]  Rlon1 . 
   
Step 2: Assume the co‐state optimal estimation  Xˆ lon( j  1)  
Then the information weight of  xˆ  about x is  and  its  information  weight  Plon1( j  1)   are  obtained, 
j  k  1, k  2, , N ,  then  we  get  an  information 
nn expression as 

 I[xˆ x] = I[zi x] = HiT Ri‐1Hi                    (7)    Xˆ lon( j  1)  Xlon( j  1)  w( j  1)                (13) 

  i=1 i=1 where  E[w( j  1)]  0, var[w( j  1)]  Plon( j  1) .  Submitting 
the  system  dynamic  equation  (9)  and  the  control  sequence 
which shows that the information weight of  xˆ  about x is  soft constraint information expression (11) into (13), we get 
equal to the sum of the information weight of  zi  about x. 
If  I[xˆ x]  is non‐singular, then the optimal estimate of the  Xˆ lon( j  1)  AlonXlon( j)  Blon,1Ulon,1( j)  Blon,2Ulon,2  w( j  1) (14) 
state x is expressed by [14] 

  xˆ  I[xˆ x] 1 n HiT Ri1zi                        (8)    I[Xˆ lon ( j  1) Xlon ( j)]  AlonT [Plon ( j  1)  Blon,1Rlon1Blon,1T ]1 Alon   (15) 

  i1 Step  3:  Information  expression  can  be  derived  from  the 
performance index function, described as 
Equation  (5~8)  is  a  uniform  linear  model  of  information 
fusion  estimation.  Equation  (5)  is  also  called  an    Xlon*( j)  Xlon( j)  m( j)                       (16) 
information expression in information fusion fields.    I[Xlon*( j)]  Qlon                              (17) 

4.2 Longitudinal Information Fusion Controller 

For  the  studied  ATD‐UAV,  the  throttle  opening  angle 
is always set to be constant in cruise flight to save fuel. 

4 Int J Adv Robotic Sy, 2013, Vol. 10, 43:2013 www.intechopen.com

 

 

where  Xlon* ( j)  0 ,  E[m( j)]  0, var[m( j)]  Qlon1 .  it has 
Step  4:  By  fusing  the  above  information,  we  get  the 
  lim Xˆ lon( j)  Xˆ lon                               (28) 
optimal  fusion  filtering  of  the  co‐state  sequence  and 
N 
information weights as 

  Xˆ lon( j)  Plon( j){AlonT[Plon( j  1)  Blon,1Rlon1Blon,1T ]1 (18)  Therefore, the approximate optimal estimation of co‐state 
[Xˆ lon( j  1)  Blon,2Ulon,2 ]} and  optimal  control  sequence  are  respectively  rewritten 
as 

Plon1( j)  Qlon  AlonT[Plon( j  1)  BlonRlon1BlonT ]1 Alon (19)  Xˆ lon  [I  PlonAlonT (Plon  Blon,1Rlon1Blon,1T )1]1   (29) 
  PlonAlonT (Plon  Blon,1Rlon1Blon,1T )1 Blon,2Ulon,2
where  Xˆ lon(N  1)  0 ,  Plon1(N  1)  0 .  By  iterative 
calculation of (18~19),  Xˆ lon(k  1)  and  Plon1(k  1)  can be  Uˆ lon,1(k)  (Rlon  Blon,1T Plon1Blon,1)1 BlTon,1Plon1
obtained.  Then  we  get  the  following  information  [[I  PlonAlonT (Plon  Blon,1Rlon1Blon,1T )1]1   (30) 
expressions.  PlonAlonT (Plon  Blon,1Rlon1Blon,1T )1 Blon,2Ulon,2

  Xˆ lon ( k  1)  AlonXlon ( k)  Blon,1Ulon,1(k)  Blon,2Ulon,2  w( k  1)   (20)     AlonXlon(k)  Blon,2Ulon,2 ]

  I[Xˆ lon(k  1) Ulon,1(k)]  Blon,1T Plon1(k  1)Blon,1       (21)  4.3 Lateral Information Fusion Controller 

Step  5:  By  fusing  the  information  of  Xˆ lon(k  1)   and  The linear discrete time system of lateral channel of ATD‐
Ulon,1* (k)  on control sequence, we get the optimal fusion  UAV can be derived from (4), given by 
estimation of control sequence as  
  Xlat (k  1)  AlatXlat (k)  BlatUlat (k)             (31) 

Uˆ lon,1(k)  [Rlon  Blon T Plon1( k  1)Blon,1 ]1{BlTon,1Plon1(k  1)   By  solving  the  discrete  state  regulator  problem  that 
,1 making  the  following  linear  quadratic  performance 
index  minimum,  the  optimal  control  sequence.can  be 
  [xˆlon(k  1)  AlonXlon(k)  Blon,2Ulon,2 ]}           (22)  obtained.  

where  Plon(k)   is  a  symmetrical  nonnegative  definite  J  XlatT (N)QlatXlat(N)
matrix,  satisfying  the  following  Riccati  difference 
equation    N1        (32) 

 Plon1( AlonT [Plon(k ,1Rlon1Blon T ]1  [XlatT (k)QlatXlat(k)  UlatT (k)RlatUlat(k)]
 ,1 k0
k)  Qlon   1)  Blon Alon
  (23) 
Plon1(N)  Qlon here  Qlat(k)  QlatT (k)  0 ,  Rlat(k)  RlatT (k)  0 . 
 
For  above  Riccati  difference  equation,  given  any  semi‐ The solving steps of optimal control sequence based on 
positive  matrix  P01 ,  when  N   ,  based  on  optimal  the  sequential  information  fusion  method  are  as 
follows. 
control theory, we get   
Step  1:  An  information  expression  can  be  obtained  from 
  lim Plon1( j)  Plon1                           (24)  the performance index function 

N 

Here  j [k  1, km]   and  km   is  big  enough.  Hence,  let    Ulat*(k)  Ulat(k)  n(k)                       (33) 
Plon1   replace  Plon1( j) ,  then  co‐state  filter  (18~19) 
becomes    I[Ulat*(k)]  Rlat                            (34) 

  Xˆ lon( j)  Plon{AlonT [Plon  Blon,1Rlon1Blon,1T ]1        (25)  where  Ulat* (k)  0 ,  E[n(k)]  0 ,  var[n(k)]  Rlat1 . 
 
[Xˆ lon( j  1)  Blon,2Ulon,2 ]} Step  2:  Assume  the  co‐states  optimal  estimations 
{ Xˆ lat( j  1) ,  Plat1( j  1) ,  j  k  1, k  2, , N }  are 
  Plon1  Qlon  AlonT (Plon  Blon,1Rlon1Blon,1T )1 Alon    (26)  obtained, then we get an information expression as 
According  to  the  convergence  theorem  of  iteration 
method in numerical analysis theory, when     Xˆ lat( j  1)  Xˆ lat( j  1)  w( j  1)                 (35) 

  {Plon{AlonT[Plon  Blon,1Rlon1Blon,1T ]1}  1          (27)  where  E[w( j  1)]  0, var[w( j  1)]  Plat( j  1) .  Submitting 
(31) and (33) into (35), we get 

www.intechopen.com Ziyang Zhen, Ju Jiang, Xinhua Wang and Daobo Wang: Information Fusion-Based Optimal 5
Attitude Control for an Alterable Thrust Direction Unmanned Aerial Vehicle
 

 

  Xˆ lat ( j  1)  AlatXlat ( j)  Blatn( j)  w( j  1)           (36)  Based on the above fusion control laws of the attitudes of 
  I[Xˆ lat ( j  1) Xlat ( j)]  AlatT [Plat ( j  1)  BlatRlat1BlatT ]1 Alat  (37)  the ATD‐UAV, a flight control system scheme is designed 
as shown in Figure 1. Variables with “*” denote the flight 
states under equilibrium conditions. 

Step  3:  The  information  expression  can  be  derived  from 
the performance index function, described as 

  Xlat*( j)  Xlat( j)  m( j)                         (38)  T V

  I[Xlat*( j)]  Qlat                               (39)  

where  Xlat*( j)  0 ,  E[m( j)]  0, var[m( j)]  Qlat1 .  V* e 
  *
Step  4:  By  fusing  the  above  information,  we  get  the  * T q
optimal fusion filter of the co‐state sequence as 
q*

* a 
*
p*
  Xˆ lat ( j)  Plat ( j)AlatT [Plat ( j  1)  BlatRlat1BTlat ]1 Xˆ lat ( j  1) (40)  r* r 
T p
  Plat1( j)  Qlat  AlatT[Plat( j  1)  BlatRlat1BlatT ]1 Alat  (41) 
r
where  Xˆ lat (N  1)  0 ,  Plat1(N  1)  0 .  Thus  we  get 
Xˆ lat (N)  0 ,  Plat1(N)  Qlat ,  and  Xˆ lat (k  1)  Xˆ lat (k  2)    
   Xˆ lat (N)  0 . 
  Figure 1. Attitude stable fusion control system 
Step  5:  After  { Xˆ lat (k  1) ,  Plat1(k  1) }  are  obtained,  an 
information expression can be obtained as  5. Simulation Study 

  Xˆ lat(k  1)  Xlat (k  1)  w(k  1)                (42)  5.1 Traditional  Control Responses 

where  E[w(k  1)]  0 ,  var[w(k  1)]  Plat(k  1) .  This  section  provides  the  simulation  results  conducted 
  with  the  ATD‐UAV.  Suppose  the  ATD‐UAV  is  in  the 
Submitting  (31)  into  (42),  the  soft  constraint  information  straight‐and‐level flight with a flight speed of  Vd =50m/s , 
of  Xˆ lat (k  1)  on  Ulat (k)  can be expressed as  anaedro t=h4a5t it.  isT shued  dcoennltyro dlliesdtu  robbejde cbt y ias  wrienpdr:e sVeanetreod= 20bmy /sa,  
nonlinear  model,  in  which  the  aerodynamic  parameters 
  Xˆ lat (k  1)  AlatXlat (k)  BlatUlat (k)  w(k  1)       (43)  are  obtained  by  wind  tunnel  tests.  The  controller  is 
designed by the traditional single‐loop method.  
  I[Xˆ lat (k  1) Ulat(k)]  BlatT Plat1(k  1)Blat          (44)   
Figure  2  shows  the  responses  of  the  pitch  angle,  pitch 
Step  5:  By  fusing  the  information  of  Xˆ lat (k  1)   and  angle  rate,  roll  angle,  roll  rate,  yaw  angle,  yaw  rate, 
Ulat*(k) ,  we  get  the  optimal  fusion  estimation  of  the  elevator output, aileron output, rudder output and thrust 
control sequence as   angle.  As  can  be  seen  from  Figure  2,  we  get  that  ATD 
control  can  decrease  the  magnitude  of  change  caused  by 
Uˆ lat (k)  [Rlat  BlatT Plat1(k  1)Blat ]1   the  wind  disturbance.  Turbulence  magnitudes  on  the 
attitudes  of  the  hybrid  control  are  smaller  than  those  of 
  BlatT Plat1(k  1)AlatXlat(k)                     (45)  the pneumatic rudder control, which means that the ATD 
technique  is  useful  in  enhancing  the  flight  attitude 
where  Plat(k)  is symmetrical nonnegative definite matrix,  maintaining  performance  in  wind  turbulence.  Moreover, 
satisfying the following Riccati difference equation  with  the  pneumatic  rudder  control,  the  rudders  tend  to 
saturate  under  strong  wind  disturbance.  However,  the 
Plat 1(k)  Qlat  AlatT[Plat (k  1)  Blat Rlat 1BlatT ]1 Alat (46)  ATD  technique  overcomes  this  problem,  and 
Plat 1(N)  Qlat compensates  the  effectiveness  of  the  pneumatic  rudder 
  control.  
 
   
 
 

 

6 Int J Adv Robotic Sy, 2013, Vol. 10, 43:2013 www.intechopen.com

 

 

Pitch angle (rad) 00 Roll angle(rad)

-0.1 -0.05
Rudders control Rudders control
Rudders and ATD control
-0.2 Rudders and ATD control
0 2 4 6 8 10 -0.10 2 4 6 8 10
Time (s) Time (s)

0.2 0.4

Pitch rate (rad/s) 0 Roll rate (rad/s) -0.2

-0.2 Rudders control Rudders control  
Rudders and ATD control Rudders and ATD control
-0.80 2 4 6 8 10
0 2 4 6 8 10 Time (s)
Time (s)

                      (a) Pitch angle and pitch rate responses                             (b) Roll angle and roll rate responses 

0.1 0.02
Rudders control
Yaw angle (rad) 0.01
0 Rudders and ATD control
0
-0.1
Elevator angle (rad) -0.01
-0.2
-0.02
0 2 4 6 8 10
Yaw rate (rad/s) Time (s) -0.03

0.5 -0.04
Rudders control
Rudders and ATD control -0.05 Rudders control

0 Rudders and ATD control

-0.50 2 4 6 8 10 -0.060 2 4 6 8 10  
Time (s) Time (s)

                  (c) Yaw angle and yaw rate responses                                                       (d) Elevator responses 

0.1 Thrust longitudinal angle (rad) 0.3
0.2
Aileron angle (rad) 0
0.1
-0.1 Rudders control Thrust lateral angle (rad) 0 10
Rudders and ATD control
-0.10 2 4 6 8 10
-0.20 2 4 6 8 10 Time (s)
TIme (s)  
0.4
0.01 0.2

Rudder angle (rad) 0 0
-0.2
-0.01 Rudders control -0.40 2 4 6 8

Rudders and ATD control Time (s)

-0.020 2 4 6 8 10

TIme (s)

                     (e) Aileron and rudder responses                                                    (f) Thrust angle responses 

Figure 2. Traditional flight control responses 

5.2 Information Fusion Control Responses  investigated.  Beforehand,  the  weight  matrices  of  the 
information  fusion  control  are  determined.  Simulation 
Under  the  same  simulation  conditions  using  the  results are shown in Figure 3.  
traditional  control,  the  information  fusion  control  is 

www.intechopen.com Ziyang Zhen, Ju Jiang, Xinhua Wang and Daobo Wang: Information Fusion-Based Optimal 7
Attitude Control for an Alterable Thrust Direction Unmanned Aerial Vehicle
 

 

0 0.02

Pitch angle (rad) -0.05 Roll angle (rad) 0

-0.1

-0.02 Rudders control

-0.15 Rudders control Rudders and ATD control

Rudders and ATD control -0.040 2 4 6 8 10

-0.20 2 4 6 8 10 Time (s)

Time (s)

0.2 0.1

Pitch rate (rad/s) 0 Roll rate (rad/s) 0

-0.2 Rudders control -0.1 Rudders control

Rudders and ATD control Rudders and ATD control
-0.20 2 4 6 8 10
-0.40 2 4 6 8 10
Time (s) Time (s)

 

(a) Pitch angle and pitch rate responses                                      (b) Roll angle and roll rate responses 

Yaw angle (rad) 0.1 Elevator angle (rad) 0.02
Rudders control Rudders control
Yaw rate (rad/s)
0 Rudders and ATD control 0.01 Rudders and ATD control
-0.1  
0
-0.2
-0.01
0 2 4 6 8 10
Time (s) -0.02

0.5 -0.03
Rudders control
Rudders and ATD control -0.04

0 -0.05

-0.50 2 4 6 8 10 -0.060 2 4 6 8 10
Time (s) Time (s)

                       (c) Yaw angle and yaw rate responses                                                   (d) Elevator responses 

0.1 Thrust longitudinal angle (rad) 0.4
0.2
Aileron angle (rad) 0
0
-0.1 Rudders control Thrust lateral angle (rad) 10
Rudders and ATD control -0.2
10
-0.20 2 4 6 8 10 -0.40 2 4 6 8
Time (s) Time (s)  

0.01 0.4

Rudder angle (rad) 0 0.2

-0.01 Rudders control 0

Rudders and ATD control -0.2

-0.020 2 4 6 8 10 -0.40 2 4 6 8
Time (s) Time (s)

                        (e) Aileron and rudder responses                                                   (f) Thrust angle responses 

Figure 3. Information fusion flight control responses 

As can be seen from the above results, the ATD technique  traditional  control,  the  ATD  technique  in  information 
is  able  to  improve  the  manipulation  effectiveness  of  the  fusion  control  also  plays  an  important  role  in 
aircraft  and  decrease  the  rudder  angles,  which  can  avoid  compensating the rudders.  
the  adverse  case  of  rudder  saturation.  Similar  with  the 

8 Int J Adv Robotic Sy, 2013, Vol. 10, 43:2013 www.intechopen.com

 

 

Furthermore,  compared  with  traditional  control,  [5] S.  Suresh,  N.  Kannan,  Direct  adaptive  neural  flight 
information  fusion  control  has  better  responses  in  flight  control system for an unstable unmanned aircraft [J]. 
attitude  stability,  which  shows  that  as  a  multivariable  Applied Soft Computing. 2008, 8: 937–948.  
control  method,  it  is  better  than  the  single‐loop  design 
method for aircraft flight control systems.  [6] Guoyong  Huang,  Ziyang  Zhen,  Daobo  Wang,  Brain 
emotional  learning  based  intelligent  controller  for 
6. Conclusion   nonlinear  system  [C].  Second  International 
Symposium  on  Intelligent  Information  Technology 
As  is  well‐known,  the  efficiency  of  the  rudders  is  greatly  Application, Shanghai, China, December 20‐22, 2008, 
reduced  when  the  UAV  is  in  low  speed  flight.  In  this  2: 660‐663. 
work,  for  the  ATD‐UAV,  the  ATD  technique  is  applied 
supplementary  to  the  rudders  in  controlling  the  UAV.  A  [7] Sefer  Kurnaz,  Omer  Cetin,  Okyay  Kaynak,  Fuzzy 
novel  optimal  control  method  based  on  information  logic  based  approach  to  design  of  flight  control  and 
fusion  is  used  to  design  the  longitudinal  controller  and  navigation  tasks  for  autonomous  unmanned  aerial 
the  lateral  controller.  Simulation  results  verify  that  the  vehicles  [J].  Journal  of  Intelligent  and  Robotic 
ATD  technique  compensates  the  effectiveness  of  the  Systems, 2009, 54(1‐3): 229‐244. 
rudders  to  improve  the  manipulation  performance,  also 
showing  that  the  proposed  modern  control  method  [8] Roberto  Fantinutto,  Giorgio  Guglieri,  Fulvia  B. 
improves  the  anti‐wind  disturbance  performance,  which  Quagliotti,  Flight  control  system  design  and 
is stronger than the traditional single‐loop method.  optimization  with  a  genetic  algorithm  [ J].  Aerospace 
  Science and Technology, 2005, 9: 73–80 
However,  in  order  to  extend  the  thrust  nozzle  life,  the 
ATD  technique  is  activated  only  when  the  conventional  [9] H. Beh, R. van den Bunt and B. Fischer, High angle of 
aerodynamic  control  surfaces  are  insufficient,  i.e.,  they  attack  approach  and  landing  control  law  design  for 
are unable to generate the necessary forces and moments  the  X‐31A  [C].  AIAA  Aerospace  Sciences  Meeting 
required  for  the  required  manoeuvres.  Therefore,  the  and Exhibit, 40th, Reno, NV, Jan. 14‐17, 2002. 
ATD  is  actually  a  discontinuous  control  variable  and 
normally  inactive  for  the  UAV  with  a  low  attack  angle,  [10] Reinhold  Steinhauser,  Gertjan  Looye  and  Oliver 
high speed and low altitude.    Brieger, Design and evaluation of control laws for the 
X‐31A with reduced vertical tail [C]. AIAA Guidance, 
7. Acknowledgements  Navigation,  and  Control  Conference  and  Exhibit, 
Providence, Rhode Island, Aug. 16‐19, 2004. 
This  study  was  supported  by  the  NUAA  Fundamental 
Research Funds (no. NS2013029, NP2011012, NN2012101,  [11] Li  Fu,  Meixiang  Yu,  Xinhe  Xu,  The  strategy  studying 
NP2011049),  Aeronautical  Science  Foundation  of  China  of air combat about the unmanned combat air vehicles 
(no.2010ZA52002), and Specialized Research Fund for the  [C].  20th  Chinese  Control  and  Decision  Conference, 
Doctoral  Program  of  Higher  Education  (no.  Yantai, Chinese, 2‐4 July, 2008, pp. 3775–3778. 
20123218120015). 
[12] Takano  Hiroyuki,  Wada  Hidesuke,  Yamasaki 
8. References  Takeshi, Baba Yoriaki, Optimal vertical maneuvers of 
the  aircraft  with  thrust  vectoring  in  the  rigid  body 
[1] John  A.  N.  Farnsworth,  John  C.  Vaccaro,  Michael  model  [C].  International  Conference  on  Control, 
Amitay,  Active  flow  control  at  low  angles  of  attack:  Automation  and  Systems,  Seoul,  South  Korea,  2007, 
stingray  unmanned  aerial  vehicle  [J]. AIAA  Journal,  pp. 2100‐2104. 
2008, 46(10): 2530–2544.  
[13] Xiaorong  Li,  Yunming  Zhu,  Jie  Wang,  Chongzhao 
[2] Jafar  Zarei,  Allahyar  Montazeri,  Mohmmad  Reza  Han,  Optimal  linear  estimation  fusion  –  part  I: 
Jahed  Motlagh,  Javad  Poshtan.  Design  and  unified fusion rules [J].IEEE  Transactions  on 
comparison  of  LQG/LTR  and  H∞  controllers  for  a  Information Theory, 2003, 49(91): 2192‐2208. 
VSTOL  flight  control  system  [J].  Journal  of  the 
Franklin Institute, 2007, 344: 577‐594.  [14] Zhisheng Wang, Daobo Wang, Ziyang Zhen, Primary 
exploration  of  nonlinear  information  fusion  control 
[3] Takuya  Kinoshita,  Fumiaki  Imado,  A  study  on  the  theory  [J].  Science  in  China  Series  F:  Information 
optimal  flight  control  for  an  autonomous  UAV  [C].  Sciences, 2007, 50(5): 686‐696. 
Proceedings  of  the  2006  IEEE  International 
Conference  on  Mechatronics  and  Automation.  June  [15] Zhisheng  Wang,  Weijie  Liu,  Ziyang  Zhen,  Design  of 
25 ‐ 28, 2006, Luoyang, China, pp. 996‐1001.  optimal tracking controller for nonlinear discrete system 
with  input  delay  using  information  fusion  estimation 
[4] Aydogan  Savran,  Ramazan  Tasaltin,  Yasar  Becerikli,  method  [C].  2007  IEEE  International  Conference  on 
Intelligent  adaptive  nonlinear  flight  control  for  a  Control  and  Automation,  Guangzhou,  Guangdong, 
high  performance  aircraft  with  neural  networks  [J].  China, May 30‐June 1, 2007, pp. 2535‐2538 
ISA Transactions. 2006, 45(2): 225‐247. 
[16] Ziyang Zhen, Zhisheng Wang, Zhou Hu, Information 
fusion  based  solving  method  for  linear  quadratic 
optimal  control  problem  [C].  7th  IEEE  International 
Conference  on  Control  &  Automation,  Christchurch, 
New Zealand, 9‐11 December, 2009: 727‐731. 

www.intechopen.com Ziyang Zhen, Ju Jiang, Xinhua Wang and Daobo Wang: Information Fusion-Based Optimal 9
Attitude Control for an Alterable Thrust Direction Unmanned Aerial Vehicle