无人机编队飞行控制器设计与仿真

第３１卷第２期　计算机仿真　２０１４年２月　文章编号：１００６—９３４８（２０１４）０２—００６５—０４　无人机编队飞行控制器设计与仿真　牧彬，赵晓蓓，黄勇　（西北工业大学航空学院，陕西西安７１００７２）　摘要：无人机编队飞行可以大幅提高作战效率，但也面ｌ临多机任务协同分配，传感器数据融合等问题。为提高对目标打击的　成功率，从无人机近距离编队出发，采用长机一僚机结构，建立以僚机速度方向为ｘ轴且建立固连于僚机的旋转坐标系，根　据两机相对运动关系建立编队运动数学模型，设计一种小脑模型神经网络（ＣＭＡＣ）与ＰＩＤ并行控制器，以双机编队为基础　对控制器进行仿真验证。仿真结果证明该控制器可以实现近距离队形保持与队形重构功能，与传统ＰＩＤ控制器相比，在受　到干扰情况下，编队队形可以以更小调整快速恢复，并且在ＰＩＤ参数变动时，仍能完成队形保持与重构，具有更强的鲁棒性。　关键词：无人机；编队保持与变换；小脑模型神经网络　中图分类号：Ｖ２９７　文献标识码：Ｂ　Ｆｏｒｍａｔｉｏｎ　Ｆｌｉｇｈｔ　Ｃｏｎｔｒｏｌ　Ｄｅｓｉｇｎ　ｆｏｒ　ＵＡＶｓ　ＭＵ　Ｂｉｎ，ＺＨＡＯ　Ｘｉａｏ—ｂｅｉ，ＨＵＡＮＧ　Ｙｏｎｇ　（Ｃｏｌｌｅｇｅ　ｏｆ　Ａｅｒｏｎａｕｔｉｃｓ，Ｎｏｒｔｈｗｅｓｔｅｒｎ　Ｐｏｌｙｔｅｃｈｎｉｃａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ　Ｓｈａｎｘｉ　７１００７２，Ｃｈｉｎａ）　ＡＢＳＴＲＡＣＴ：Ｔｈｅ　ｆｏｒｍａｔｉｏｎ　ｆｌｉｇｈｔ　ｏｆ　ｍｕｈｉ—ｕｎｍａｎｎｅｄ　ａｅｒｉａｌ　ｖｅｈｉｃｌｅｓ（ＵＡＶｓ）ｃａｎ　ｇｒａｔｅｆｕｌｌｙ　ｅｎｈａｎｃｅ　ｓｕｃｃｅｓｓｆｕｌ　ｒａｔｅ　ｏｆ　ｂａｔｔｌｅ　ｍｉｓｓｉｏｎ，ｔｈｕｓ　ｍｏｒｅ　ａｎｄ　ｍｏｒｅ　ｒｅｓｅａｒｃｈｅｓ　ｈａｖｅ　ｂｅｅｎ　ｄｏｎｅ．Ｔｈｉｓ　ｐａｐｅｒ　ｂｅｇａｎ　ｗｉｔｈ　ｔｈｅ　ｃｌｏｓｅ　ｆｏｒｍａｔｉｏｎ，　ｔａｋｉｎｇ　ｔｈｅ　ｌｅａｄｅｒ—ｆｏｌｌｏｗｅｒ　ｓｔｒｕｃｔｕｒｅ　ａｎｄ　ｂｕｉｌｄｉｎｇ　ａ　ｒｏｔａｔｉｎｇ　ｆｌａｍｅ　ｕｓｉｎｇ　ｆｏｌｌｏｗｅｒ　ｖｅｌｏｃｉｔｙ　ａｓ　Ｘ　ａｘｉｓ　ａｎｄ　ｆｉｘｅｄ　ｏｎ　ｔｈｅ　ｆｏｌｌｏｗｅｒ，ａ　ｃｏｎｔｒｏｌｌｅｒ　ｗｏｒｋｉｎｇ　ｗｉｔｈ　ＣＭＡＣ　ａｎｄ　ＰＩＤ　ｗａｓ　ｄｅｓｉｇｎｅｄ，ｓｉｍｕｌａｔｉｏｎ　ｗａｓ　ｃａｒｒｅｄ　ｏｕｔ　ｔｏ　ｖｅｒｉｆｙ　ｔｈｅ　ｃｏｎｔｒｏｌｌｅｒ　ｂａｓｅｄ　ｏｎ　ｄｏｕｂｌｅ　ｆｏｒｍａｔｉｏｎ．Ｔｈｅ　ｔｅｓｔｓ　ｈａｖｅ　ｉｍｐｒｏｖｅｄ　ｔｈａｔ　ｔｈｉｓ　ｃｏｎｔｒｏｌｌｅｒ　ｃａｎ　ａｃｈｉｅｖｅ　ｔｈｅ　ｇｏａｌ　ｏｆ　ｆｏｒｍａｔｉｏｎ　ｋｅｅｐｉｎｇ　ａｎｄ　ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ．Ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ＰＩＤ　ｃｏｎｔｒｏｌｌｅｒ，ｔｈｅ　ｆｏｒｍａｔｉｏｎ　ｃａｎ　ｒｅｃｏｖｅｒ　ｗｉｔｈ　ｌｅｓｓ　ｔｉｍｅ　ａｎｄ　ｏｖｅｒｓｈｏｏｔ　ｉｎ　ｃａｓｅ　ｏｆ　ｄｉｓｔｕｒｂ，ａｎｄ　ｗｈｅｎ　ｔｈｅ　ＰＩＤ　ｐａｒａｍｅｔｅｒｓ　ｃｈａｎｇｅ，ｔｈｅ　ｃｏｎｔｒｏｌｌｅｒ　ｃａｎ　ｓｔｉｌｌ　ａｃｈｉｅｖｅ　ｔｈｅ　ｇｏａｌ　ｏｆ　ｆｏｒｍａｔｉｏｎ　ｋｅｅｐｉｎｇ　ａｎｄ　ｒｅｅｏｎｆｉｇｕｒａｔｉｏｎ　ｗｉｔｈ　ｓｔｒｏｎｇ　ｒｏｂｕｓｔｎｅｓｓ．　ＫＥＹＷＯＲＤＳ：ＵＡＶｓ；Ｆｏｒｍａｔｉｏｎ　ｋｅｅｐｉｎｇ　ａｎｄ　ｒｅｅｏｎｆｉｇｕｒａｔｉｏｎ；ＣＭＡＣ　并且不会减小飞机强度，增加机体重量。　ｌ　引言　与单架无人机相比，无人机编队面临更多问题　，主要　随着无人机技术的不断发展，无人机编队飞行得到了越　有多机任务协同分配，传感器数据融合，编队队形设计与重　来越多的关注。与单架无人机相比，无人机编队可以显著提　构，多机气动耦合，编队航迹规划，近距离通信，多机碰撞规　高其完成作战任务的效率　，例如执行侦查任务时，单架无　避等。国内外学者针对上述问题进行了广泛的研究：Ａｎｄｒｅｗ　人机出现故障后，可以立刻返航，其余无人机重构编队队形，　Ｊ．Ｓｉｎｃｌａｉｒ等人完成了分散化协同控制的仿真验证；Ｓ．Ａｎ—　继续执行任务；在执行攻击任务时，多无人机可以从不同高　ｄｒｅｗ　Ｎｉｎｇ等人进行了编队飞行对气动参数影响的研究；　度不同角度对同一目标进行攻击，提高目标打击成功率，或　Ｊｏｈｎ　ＭｃＧｒｅｅｖｙ进行了具有相对姿态的双机编队研究；　是无人机编队同时攻击不同目标，节约攻击间隔时间；在执　朱战霞等人完成了Ｘ、Ｙ两个方向上ＰＩ控制器的设计；胡云安　行战场毁伤评估任务时，无人机编队可以调整机载ＣＣＤ照　等人基于全状态反馈设计了编队控制器。　相机照射角度，全方位获取战场毁伤效果，提高信息可信度；　本文主要针对长机一僚机结构，设计一种小脑模型神经　在执行远程打击任务时，无人机编队可以明显减小整体飞行　网络（ＣＭＡＣ）与ＰＩＤ并行的控制器，利用ＰＩＤ构成反馈控　阻力，近距离编队时，可获得近似大展弦比飞机的气动性能，　制，ＣＭＡＣ构成前馈控制，以双机编队为基础对控制器进行　仿真验证，仿真结果表明该控制器能够实现编队队形保持与　重构，并且与传统ＰＩＤ控制器相比，在受到指令扰动及控制　收稿日期：２０１３—０５—０６　器参数变动时，长机与僚机间距变化较小，调节过程明显加　一６５—　快，具有更强的鲁棒性。　０　—１　０　一一Ｙｏ　０．ＹＯ．．．——　ｌ　０　２编队运动模型建立　０一　０　０　．，．１—０　０　０　编队采用长机一僚机菱形结构，由于两机间高度不存在　Ａ：　０　０　０　Ｂ＝　０　．ｙ　（６）　一Ｘｏ　●　耦合，建立编队运动模型时可忽略高度影响，假设两机处于　同一水平面内，长机（￡）在前，僚机（　）在其左后方　图１所示。　０　。　，如　Ｏ　Ｏ　Ｏ　一　＝　ｊ　ｌ　０　＝　　，Ｌ０　Ｏ　一　无人机编队运动原理可总结为：①长机通过数据链实时　Ｌ　一　发送速度、航向角及队形指令给僚机；②僚机根据自身运动　速度、航向，结合长机发送数据计算出两机间距；③僚机根据　％　一　、　计算结果及编队指令，生成编队间距误差信号；④将两机速　．　％　度、航向偏差引入编队间距误差信号，混合后得到ＸＹ向误差　信号；⑤控制器根据ＸＹ向误差信号，分别计算生成僚机速度　指令及航向角指令，返回第一步。　３神经网络模型　图１编队相对运动关系　，Ｌ　２　、　小脑神经网络模型（ＣＭＡＣ—Ｃｅｒｅｂｅｌｌａｒ　Ｍｏｄｅｌ　Ａｒｔｉｃｕｌａ—　ｔｉｏｎ　Ｃｏｎｔｒｏｌｌｅｒ）是一种表达复杂非线性函数的表格查询型自　适应神经网络　，由Ｊ．Ｓ．Ａｌｂｕｓ在１９７５年提出，是仿照小脑　控制肢体运动的原理而建立的神经网络模型，小脑指挥运动　时具有不假思索地做出条件反射迅速响应的特点，也就是其　在地固坐标系下，长机速度与航向角分别为　、　，僚机　对应为　、　，以僚机速度方向为Ｘ轴建立固连与僚机的旋　转坐标系ｘＩｒ／ｙ，两机间位置关系可由式（１）表示：　学习过程中每次修正权值少，学习速度快，所以适合用于实　二　～　㈩　时控制过程中。　ＣＭＡＣ的结构如图２所示。　对式（１）进行小扰动线性化，其中　为航向角偏差信号：　两架无人机装备相ｌ—Ｊ自动驾驶仪，冥一阶模型如式（３），　为无人机速度时间常数，　为航向角时间常数。　：　（　。一　）　（３）　概念存储器　＝　（　一　）　图２　ＣＭＡＣ结构图　结合式（２）与式（３）得到编队运动数学模型如式（４）　菇：　Ｌ一　（　耽一　）　４　工作原理　如下：　１）输入量化：在输入层对Ｎ维空间进行划分，使每一次　输入都能落人Ｎ维网格基的超立方体内，即将输入映射到概　念存储器中。本文中，输入为误差信号，网格设计以输入最　：　。（　一　）一　（　一　）　大值与最小值为界，单位间隔为两幅值差除以网格数，式（７）　中ｃ为范化参数。　＝Ａ　（５）　ｍ（｜ｊ｝）：ｒＲｍｌｎ，Ｋ：１，２…，Ｃ　』ｌ　，　Ｋ　ｃ　Ⅳ　ｌ’…，２　ｃ　Ⅳ　ｍ（ｋ一１）＋（　Ⅲ　—Ｒ　）／Ⅳ，　【Ｋ：ｃ＋１．…．Ｇ＋Ⅳ　（７）　此时Ａ阵Ｂ阵如式（６）所示。　２）地址映射：采用除数法，将概念存储器的地址作为被　除数，除以一个数，得到的余数作为实际存储器的地址值。　一６６一　即将概念存储器中的ｃ个单元映射到实际存储器中。　３）计算输出：实际存储器中的每个单元中存放着相应权　５仿真结果及分析　仿真过程中假设两机处于同一高度，且不考虑通信延迟　及测量噪声　，取自动驾驶仪速度时间常数为５，航向角时　间常数为０．３３。初始设置长机与僚机速度为２００ｍ／ｓ，航向　角为４５。，ＸＹ两方向距离均为５０ｍ，初始编队指令设置为ｘ　＝值，输出为ｃ个单元的加权和，如式（８）所示。　Ｃ　ｕ　（　）＝∑Ｗ　。　ｉ＝ｌ　（８）　４　ＣＭＡＣ与ＰＩＤ并行控制　ＰＩＤ控制器实现简单，在工程中得到了广泛使用，但需　要整定ＰＩＤ参数，当指令改变时，固定ＰＩＤ参数往往不能取　得好的控制效果，需要在线调整，这会增加控制器复杂程度，　与使用ＰＩＤ控制器初衷背道而驰。ＣＭＡＣ也具有运算速度　２０ｍ，Ｙ＝２０ｍ，４０ｓ时下达Ｘ＝５０ｍ，Ｙ＝５０ｍ的编队指令。　ＰＩＤ控制器三个参数分别设为９、１、０．０８，ＣＭＡＣ控制器取Ｎ　＝３００，Ｃ＝２０，学习速度１１与惯性系数仪分别为０．１。由式　（４）可以看出，Ｙ向距离调整比较简单，只需控制航向角即　可，而ｘ向距离调整同时受到速度及航向角影响，限于篇幅，　快，实现简单的优点，将ＣＭＡＣ与ＰＩＤ并行使用，主要利用　ＰＩＤ实现反馈控制，保证系统稳定；利用ＣＭＡＣ控制器实现　前馈控制，提高系统响应速度，抑制干扰影响，同时可以弱化　ＰＩＤ参数选择对控制效果的影响。　复合控制器输出包括两部分，如式（９）所示　（　）：“　（－ｉ｝）＋　。　（后）　（９）　小脑神经网络每一个控制周期结束都要对式（８）进行修　正，输出调整向量Ｗ（ｋ）计算如式（１Ｏ）所示，　ｆＤｗ　＝叼　ｎ　）　Ｌ　（ｊ｝）＝　（ｋ一１）＋Ｄｗ（ｋ）＋口（　（　）一７１）（ｋ一１））　其中钾为网络学习速度，Ｏｌ为惯性量，取值均在０到１之间。　无人机编队运动模型采用Ｓｉｍｕｌｉｎｋ搭建，控制器编写Ｍ　—Ｆｕｎｃｔｉｏｎ实现，如图３所示。　图３复合控制器Ｍａｔｌａｂ实现　其中　方向误差信号为速度差与　向距离误差混合信　号，ｙ方向误差信号为航向角差值与ｌ，向距离误差混合信　号，计算过程如式（ＩＩ）所示。　ｅ　＝　（　ｃ一　）＋　（　一　）　（１１）　ｅ　＝ｋｙ（ｙ　一Ｙ）＋ｊｃ　（　ｆ一　）　仿真结果均以Ｘ方向为例。　Ｘ向距离如图４所示，可以看出，ｘ向队形调整可在６ｓ　内完成，跟踪精度不存在误差，且调整过程中无超调量，可避　免近距离编队中可能出现的碰撞。僚机速度如图５所示，僚　机速度会迅速增大以响应缩短编队间距的指令，进而恢复到　跟踪长机速度状态，而对于４０ｓ时增大编队间距的指令，僚　机则迅速降低速度以拉开间距，最终恢复到跟踪长机速度　状态。　图４　Ｘ向距离　图５僚机速度　当长机受到突风影响或者长机进行机动时，其速度会发　生变化，考虑到最恶略情况，以长机速度指令突然变化为例，　ＣＭＡＣ复合控制器相比于单独使用ＰＩＤ控制器可以明显抑　制干扰影响，减小超调量，并且可以加快队形恢复速度，对于　一６７—　编队内无人机间碰撞规避有好的效果。　如图６、７所示，长机速度指令在２６ｓ至２８ｓ内增加到　２２０ｍ／ｓ。由于僚机总是跟随长机机动，僚机速度变化总会滞　后于长机速度变化，当２６ｓ长机速度突然增大时，传统ＰＩＤ　控制器控制下ｘ向间距会增加１．５ｍ，ＣＭＡＣ复合控制器则　只增加０．５ｍ；２８ｓ长机速度恢复到２００ｍ／ｓ，传统ＰＩＤ控制器　控制下Ｘ向间距会减小１．５ｍ，ＣＭＡＣ复合控制器则只减小　０．５ｍ。此外，ＣＭＡＣ复合控制器控制下整个调节过程也明显　快于传统ＰＩＤ控制器。　图６长机速度指令干扰下ｘ向距离　图７　长机速度指令干扰下ｘ向距离局部放大　相比于传统Ｐ｜Ｄ控制器完全依赖３个参数整定，ＣＭＡＣ　与ＰＩＤ并行的复合控制器对于ＰＩＤ参数变化不敏感，具有更　强的鲁棒性。如图８、图９所示，１５ｓ时改变ＰＩＤ参数为４．５、　０．５、０．０８，传统ＰＩＤ控制器立刻产生超调量，并且调节时间　加长，复合控制器由于ＣＭＡＣ网络的加入，在参数变化初期　几乎没有产生影响；２６ｓ受到长机速度干扰时，传统ＰＩＤ控制　器立刻产生２．５ｍ左右超调，且随着ＰＩＤ参数变动有明显变　化，给编队间多机碰撞规避带来不利影响，复合控制器超调　量在稳定在０．５ｍ左右，ＰＩＤ参数变动影响较小。　６总结　本文基于长机一僚机的编队结构，建立编队运动状态方　程，结合ＣＭＡＣ神经网络与ＰＩＩ）组成复合控制器，完成了　２０ｍ级紧密编队仿真，结果表明，该复合控制器可以实现紧　一６８一　图８复合控制器参数变化时ｘ向距离　图９复合控制器参数变化时Ｘ向距离局部放大　密编队队形保持与重构功能，并与传统ＰＩＤ相比，具有更强　的抗干扰能力，在ＰＩＤ控制参数变动时，编队队形影响较小，　具有更好的鲁棒性，有一定的参考价值。在实际使用中，还　应考虑长机涡流对僚机运动的影响、数据链通信延迟或失败　带来的影响及编队内无人机碰撞规避等问题。　参考文献：　［１］　万婧．无人机自主编队飞行控制系统设计方法及应用研究　［Ｄ］．复旦大学博士学位论文，２００９．　［２］　樊琼剑．多无人机协同编队仿生飞行控制关键技术研究［Ｄ］．　南京航空航天大学博士学位论文，２００８．　［３］　肖亚辉，王新民，王晓燕，余翔．无人机三维编队飞行模糊控制　器设计［Ｊ］．西北工业大学学报，２０１１，２９（６）：８３４—８３８．　［４］朱战霞，郑莉莉．无人机编队飞行控制器设计［Ｊ］．飞行力学，　２００７，２５（４）：２２—２４．　［５］邓婉，等．无人机编队队形保持变换控制器设计［Ｊ］．计算机　仿真，２０１１，２８（１０）：７３—７７．　［６］夏长亮，李志强，王迎发．无刷直流电机小脑模型网络与ＰＩＤ　复合控制［Ｊ］．电机与控制学报，２００８，１２（３）：２５４—２５９．　［７］刘金琨．先进ＰＩＤ控制及其ＭＡＴＬＡＢ仿真［Ｍ］．北京：电子工　业出版社，２００３．　［８］　李广文，蒋正雄，贾秋玲．分布式多无人机编队控制系统仿真　［Ｊ］．计算机仿真，２０１０，２７（２）：１０１—１０３．　（下转第１０１页）　［４］　谢燕，雷勇军，周建平，唐国金．惯导减振系统结构参数的优化　［Ｊ］．强度与环境，２００５，３２（４）．．　－ａｕ２（ｉ　ｋ一＝３７０　ｃ＝Ｏ　４５），　ｔ，Ｓ　［５］　王佳民，裴听国．惯性平台减振系统动力学分析及其参数设计　［Ｊ］．战术导弹控制技术，２００３，４３（４）．　［６］　徐中明，张志飞，贺岩松．１５自由度重型汽车乘坐舒适性计算　机仿真［Ｊ］．计算机仿真，２００５，２２（２）．　［７］　赵云峰．ＺＮ系列粘弹性阻尼材料的性能及应用［Ｊ］．宇航材　料工艺，２００１—２．　图９优化前后惯导系统质心加速度对比图　［８］　苏荣华，王永岩．调谐质量阻尼器参数设计中的两个问题［Ｊ］．　振动与冲击，２０００，１９（２）．　６结论　本文建立了无人机地面滑跑的动力学模型，采用滤波白　噪声法模拟了路面的随机激励。用数值迭代寻优过程实现　了对惯导设备动力响应的优化设计。结果表明，选取隔振器　参数ｋ＝３７００Ｎ／ｍ，Ｃ＝０．４５５Ｎ・ｓ／ｍ时，惯导设备的质心位　［９］　尹立中，徐孝诚．再人飞行器的气动噪声响应分析和试验验证　［Ｊ］．导弹与航天运载技术，２００２，（３）．　［１Ｏ］　孙辉．捷联惯导系统支座振动控制与结构优化［Ｄ］．中国科　学院研究生院（长春光学精密机械与物理研究所），２０１　１．　［１１］尹志新，李瑞芳，唐萌，贺琳丹．基于ＭＡＴＬＡＢ的时域路面不　平度仿真研究［Ｊ］．装备制造技术，２０１０—４．　［１２］　徐中明，贺岩松，张志飞，苏周成．摩托车车架动特性计算机　移与加速度均方根最小。通过本文的研究，为提高机载惯导　导航系统精度奠定了基础，可以为机载设备的隔振器设计提　供指导。　参考文献：　［１］　Ａｈｍｅｄ　Ｍ　Ｈａｓａｎ，Ｋｈａｉｎｒｌｍｉｚａｎ　Ｓａｍｓｕｄｉｎ，Ａｂｄ　Ｒａｈｍａｎ　Ｒａｍｌｉ，　Ｓａｊａ　Ｓｙａｍｓｕｌ　Ａｚｍｉｒ，Ａ　Ｓａｌａｍ．Ｉｓｍａｅｅ１．Ａ　Ｒｅｖｉｅｗ　ｏｆ　Ｎａｖｉｇａｔｉｏｎ　仿真分析［Ｊ］．计算机仿真，２００６，２３（１０）．　［１３］　Ｚｈｏｕ　Ｗｅｉｙｏｎｇ，Ｌｉ　Ｄｏｎｇｘｕ．Ｅｘｐｅｒｉｍｅｎｔｌａ　ｒｅｓｅａｒｃｈ　ｏｎ　ａ　ｖｉｂｒａｔｉｏｎ　ｉｓｏｌａｔｉｏｎ　ｐｌａｔｆｏｒｍ　ｆｏｒ　ｍｏｍｅｎｔｕｍ　ｗｈｅｅｌ　ａｓｓｅｍｂｌｙ　Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｕｎｄ　ａｎｄ　Ｖｉｂｒａｔｉｏｎ，２０１２，３３２（２０１３）：１１５７—１１７１　［作者简介］　宋晓波（１９８９一），女（汉族），山东省泰安人，硕士　研究生，主要研究领域为复合材料无人机动力学　分析。　Ｓｙｓｔｅｍｓ［Ｊ］．Ａｕｓｔｒａｌｉａｎ　Ｊｏｕｒｎａｌ　ｏｆ　Ｂａｓｉｃ　ａｎｄ　Ａｐｐｌｉｅｄ　Ｓｃｉｅｎｃｅｓ，　２００９，３（２）：９４３—９５９．　Ｓａｈａｗｎｅｈ，Ｍ　Ａ　Ｊａｒｒａｈ．Ｄｅｖｅｌｏｐｍｅｎｔ　ａｎｄ　ｃａｌｉｂｒａｔｉｏｎ　ｏｆ　ｌｏｗ　ｃｏｓｔ　［２］　Ｌ　ＭＥＭＳ　ＩＭＶ　ｆｏｒ　Ｖ　ａｐｐｌｉｃａｔｉｏｎｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　ｔｈｅ　５ｔｈ　ｌｎｔｅｒｎａ—　ｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｍｅｃｈａｔｒｏｎｉｃｓ　ａｎｄ　ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎｓ　刘波（１９７７一），男（汉族），黑龙江安庆人，副研　究员，主要研究领域为飞行器结构设计。　（ＩＳＭＡ０８），２００８，５：２７—２９．　邱东海（１９８８一），男（汉族），浙江省丽水人，博士研究生，主要研究　领域为飞行器结构设计与控制。　［３］　向华荣，张开斌，张琢玉，王红钢．基于伪白噪声的路面不平度　模拟及其车辆平顺性［Ｊ］．重庆工学院学报，２００９，２３（９）．　贾宏光（１９７１一），男（汉族），黑龙江省五常人，研究员，博士研究生　导师，主要研究领域为飞行器地面半物理仿真技术、小型快速机电伺　服技术。　赵晓蓓（１９６０一），女（汉族），北京人，副教授，硕士研究生导师，主　［作者简介］　牧彬（１９８９一），男（回族），陕西省渭南市人，硕　士研究生，主要研究领域为嵌入式系统与飞行控制　技术。　要研究领域为飞行控制技术。　黄勇（１９７６一），男（汉族），陕西省西安市人，副教授，硕士研究生　导师，主要研究领域为飞行控制与仿真。　一ｌ０１—