汇聚运动(Flocking)是一种群体运动行为,具体可以描述为:群体由分离状态汇聚到一起后,沿着特定方向,一起运动,并且在运动过程中能够保持某种特定的规则。当针对特定任务时,群体的汇聚运动具有着单体运动无可比拟的优势,这对协同控制问题的研究具有很重要的指导和理论意义。尤其是应用到具有实际物理模型上时,这种汇聚运动的研究便具有了很重要的实际意义。而另一方面,随着近几年新型材料和控制技术的快速发展,旋翼无人机凭借着自身优势,已经成为了当今无人机领域研究热点,并在控制理论方面有了一定的积累。但是对于完全模型的控制,以及多机控制仍然是研究的薄弱点。因此,本文的主要目标是针对多旋翼无人机这样的对象,研究带有多旋翼无人机模型的Flocking控制器设计方法,从而实现多旋翼无人机群的Flocking行为。本文将多旋翼无人机Flocking控制分为三个问题处理。第一个问题为多旋翼无人机控制问题;第二个问题为基于质点模型的Flocking算法问题。最后,结合多旋翼无人机的动力学特性完成多旋翼无人机的Flocking控制。对于具有高度非线性、强耦合和欠驱动特性的无人机来说,设计一个有效的、高精度控制器是非常不易的,尤其是在有参数变化和外界干扰的情况下。本文提出一种自适应逆控制系统(AIMCS)。在该系统中,采用了两个BP神经网络,一个实现被控对象的模型辨识,用来找出被控对象的映射关系;另一个实现被控对象逆模型辨识,用作控制系统的逆控制器。为了确保控制系统学习的快速性和鲁棒性,离线训练和在线训练的方案都被使用。同时,使用李雅普诺夫的方法证明了在线学习律的收敛性。最后,基于全模型的四旋翼无人机控制仿真来说明本文提出控制方案的有效性。在多旋翼无人机控制系统设计完成的基础上,Flocking算法的设计便成了旋翼无人机的Flocking控制的重点内容。本文利用能量函数将基于雷诺兹Flocking三个规则转换为数学问题:通过建立合适的人工势能函数将质点的汇聚、避撞、速度一致性问题,转化为势能函数能量最小化问题,然后通过李雅普诺夫方法来设计控制器,使人工势能函数最小化,从而实现质点模型Flocking控制。在设计控制器时考虑了饱和输入的情况,即最大的加速度是有限制的,这样的设计为本文所设计的自适应逆控制系统的运用提供了便利。利用多旋翼无人机的动力学特性,将Flocking控制算法的输出值转化每个四旋翼无人机姿态控制的目标值,即利用转换公式,将期望位置转化为期望姿态(欧拉角),再结合本文提出的自适应逆控制系统完成多旋翼无人机Flocking控制。