ARTICLE
International Journal of Advanced Robotic Systems

Robust Adaptive Integral Backstepping

Control of a 3-DOF Helicopter
Regular Paper

Zheng Fang*, Weinan Gao and Lei Zhang

  
State Key Lab of Synthetical Automation for Process Industries, Northeastern University, China
* Corresponding author E-mail: [email protected]
 
Received 02 May 2012; Accepted 20 Jun 2012

DOI: 10.5772/50864

© 2012 Fang 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  Unmanned  aerial  vehicles  have  enormous  Compared  with  a  fixed‐wing  flying  vehicles,  a  rotary‐
potential  applications  in  military  and  civil  fields.  A  wing  flying  vehicle  holds  advantages  in  takeoff,  landing 
Quanser’s  3‐DOF  helicopter  is  a  simplified  and  and  hovering  in  small‐scale  area.  Hence,  it  possesses 
benchmark  experimental  model  for  validating  the  specific  applications  such  as  building  surveillance, 
effectiveness  of  various  flight  control  algorithms.  The  emergency  transportation  and  geographical  information 
attitude  control  of  the  3‐DOF  helicopter  is  a  challenging  collection. In many countries, governments have invested 
task since the helicopter is an under‐actuated system with  vast  resources  into  research  on  this  kind  of  vehicle.  A 
strong coupling and model uncertainty characteristics. In  Quanser’s  3‐degree‐of‐freedom  (DOF)  helicopter  is  a 
this paper, an adaptive integral backstepping algorithm is  simplified  and  benchmark  experimental  platform  for 
proposed to realize robust control of the 3‐DOF helicopter.  testing  the  effectiveness  of  various  flight  control 
The  proposed  control  algorithm  can  estimate  model  algorithms.  The  control  objective  is  to  enable  the  three 
uncertainties  online  and  improve  the  robustness  of  the  Euler angles of the helicopter to converge into the desired 
control  system.  Simulation  and  experiment  results  values. However, the high performance control of 3‐DOF 
demonstrate  that  the  proposed  algorithm  performs  well  helicopter is a challenging task because of the existence of 
in tracking and under model uncertainties.  the  following  control  difficulties.  Firstly,  it  is  an  under‐
  actuated system with two control inputs and three outputs. 
Keywords  Adaptive  control,  Backstepping  algorithm,  Secondly,  some  strong  coupling  characteristics  appear 
Integral action, 3‐DOF helicopter, Model uncertainties  between  pitch  motion  and  travel  motion.  Thirdly,  it  is 

 
difficult  to  get  the  accurate  mathematical  model  and 
parameters of the helicopter. Besides, sometimes the model 
1. Introduction  parameters  may  change.  Therefore,  these  difficulties 
  prevent some general control algorithms from performing 
In  recent  years,  fixed‐wing  and  rotary‐wing  unmanned  well  at  the  non‐equilibrium  points  or  under  model 
aerial  vehicles  (UAVs)  have  been  rapidly  developed  and  uncertainties. Hence, it is an arduous problem to develop a 
been equipped with intelligent flight control devices. [1, 16].  robust  control  algorithm  which  can  not  only  control  the 

www.intechopen.com IntZheng
J Adv Fang,
Robotic Sy, 2012,
Weinan GaoVol.
and9,
Lei79:2012
Zhang: 1
Robust Adaptive Integral Backstepping Control of a 3-DOF Helicopter
  

helicopter’s  attitude  precisely,  but  also  has  strong  anti‐ uncertainty are applied to overcome the drawbacks of the 

disturbance and environmental adaptive abilities.  backstepping algorithm.  
   
Up  until  now  numerous  types  of  control  methods  have  The  main  contribution  of  this  paper  is  that  an  adaptive 
been  developed  for  small‐scale  helicopters,  including  integral  backstepping  control  algorithm  for  a  3‐DOF 
classical,  intelligent  and  vision  control  methods  [1,  8,  14,  helicopter is proposed and validated. An important feature 
15]. A similar helicopter model has been established using  of  the  proposed  algorithm  is  its  ability  to  preserve  the 
the  Langrage  equation  and  a  PID  controller  has  been  robustness of backstepping, eliminate the static error by the 
designed  for  attitude  control  [1‐2].  It  is  generally  known  integral  action  and  estimate  the  model  uncertainty  by  the 
that  PID  is  a  classical  linear  control  method  and  is  not  adaptive actions. To prove the capabilities of the proposed 
suitable for systems with model uncertainty and coupling  control algorithm, it has been simulated as a model in the 
characteristics.  In  other  words,  classical  PID  controllers  loop  using  MATLAB/Simulink.  Furthermore,  it  is 
only  work  well  when  all  model  parameters  are  constant.  implemented  on  the  Quanser’s  3‐DOF  helicopter  to  show 
The sliding mode is also adopted to improve the tracking  the  good  performances  under  model  uncertainty  and 
performance  of  the  system  and  eliminate  tracking  errors  satisfactory  tracking  ability.  This  paper  is  organized  as 
[3‐4,  14].  However,  the  sliding  mode  algorithm  needs  follows: in section 2, the dynamics model of the helicopter 
continuous  switching  logic  which  may  lead  to  the  system  is  given  and  the  adaptive  integral  backstepping 
chattering  phenomenon.  A  6DOF  H‐infinity  decoupled  controller  for  elevation  motion  is  designed.  Simulation  and 
controller  has  also  been  designed  for  a  helicopter  by  experiment results are shown and analysed in section 3. The 
separating it into two 3‐DOF controllers, which takes the  conclusion and future works are finally given in section 4.  
model uncertainty into consideration [5‐6].    
  2. Design of Adaptive Integral  
Recently,  intelligent  control  methods  have  become  Backstepping Controller  
popular  as  alternatives  to  conventional  methods.   
Intelligent  control  methods  can  act  efficiently  with  The  3‐DOF  helicopter  control  system  consists  of  two 
nonlinear and unstable systems. In general, the most used  propellers driven by DC motors on one end of the arm as 
intelligent  control  methods  are:  fuzzy  control  and  the  shown  in  Fig.1(a).  Two  motor  axes  are  parallel  and  the 
neural networks approach. Furthermore, these techniques  thrust  vector  is  normal  to  the  frame.  The  two  motor 
can  be  combined  with  each  other  or  with  conventional  voltages  are  considered  as  the  control  inputs  of  the 
methods  to  become  hybrid  techniques.  A  fuzzy‐gain  system.  Two  voltage  amplifiers  are  used  to  realize  the 
schedule  controller  is  proposed  for  stable  and  robust  control action in the system. A counterweight which acts 
attitude  control  [8]  and  the  controller  is  obtained  from  a  as  a counterbalance  to  the  helicopter  system  is  equipped 
real  nonlinear  helicopter  platform.  Nevertheless,  we  on  the  other  end  of  the  arm.  Fig.1(b)  depicts  a  physical 
cannot  neglect  the  fact  that  fuzzy  controllers  depend  model  of  the  3‐DOF  helicopter.    As  shown  in  [13],  using 
heavily  on  expert  experience.  A  neural  network‐based  Euler–Lagrange  function  the  dynamic  model  of  the 
adaptive  output  feedback  control  method  is  proposed  helicopter can be described as:  
since  a  neural  network  algorithm  is  capable  of  self‐  

adaption, online learning and fault tolerance [7]. However,   La Kf MwLwg  M f La g  MbLa g

  u 
2 
a  neural  network  controller  needs  considerable  training  2
 MwLw  (M f  Mb )La MwL2w  (M f  Mb )L2a
time  and  can  easily  fall  into  local  minimum.  These          (1) 
 Kf Mb g  M f g
drawbacks  decrease  the  effectiveness  of  the  neural   p
  up 
network algorithm.    M f Lh  MbLh M f Lh  Mb Lh
 (L M  L M  L M )g
  t  a 2 f a b w 2 w 2 ut
Backstepping  is  an  effective  technique  based  on   MwLw  (M f  Mb )(Lh  La )
Lyapunov theory to design control algorithms for under‐  
actuated  systems.  The  key  idea  behind  the  backstepping  The  system  dynamics  is  rewritten  as  the  following  state‐
design  technique  is  that  some  virtual  control  inputs  are  space function with two inputs and three outputs: 
 
introduced  to  counterbalance  the  number  of  inputs  and 
outputs  [9].  Recently,  some  modifications  have  been  x1  x2
proposed  to  improve  the  capability  of  the  backstepping 
x  k u  k
 2 21  22
algorithm.  A  combination  of  integral  action  and  x3  x4
backstepping  algorithm  is  presented  in [10] and  the  goal                       (2) 
is to combine the advantages offered by the backstepping  x4  k41up  k42
algorithm and integral action. Another modification is the  x5  x6
addition  of  adaptive  action  [11,  12],  in  which  some  
estimation  and  compensation  methods  for  model 
x6  k62 x3
 

2 Int J Adv Robotic Sy, 2012, Vol. 9, 79:2012 www.intechopen.com

  

The  control  objective  is  to  design  an  effective  control 

algorithm  to  track  and  regulate  the  elevation,  pitch  and 
travel angles of the 3‐DOF helicopter. Our control scheme 
is  shown  in  Fig.2.  The  cascade  control  architecture  is 
constructed  since  the  3‐DOF  helicopter  is  an  under‐
actuated  control  system.  The  elevation  and  travel 
controllers  are  designed  as  a  primary  controller  and  the 
pitch  controller  is  designed  as  a  secondary  controller. 
Since  the  mass  variation  of  the  counterweight  mainly 
influences the elevation control loop, an adaptive integral 
backstepping  algorithm  is  used  to  design  the  elevation 
controller;  the  other  controllers  are  still  designed  using 
the integral backstepping method. 
 
             
(a). Experimental equipment 
Elevation
r + e Pitch y
and Travel
Motional Plant
Motional
- Control
Control

 
Figure. 2. Cascade control architecture 
 
2.1 Integral Backstepping Control 
 
From the dynamic model of the helicopter it can be seen 
that all of the three differential equations can be described 
as the following equation: 
 
 
 (b). Free‐body diagram   q1  q 2
 (3) 
Figure 1. Benchmark experimental platform of 3‐DOF helicopter   q 2  ku  h                                 
   
where   Define two tracking errors e1  and e2 : 
 

La K f M w Lw g  M f La g  Mb La g  
k21  k22  e1  q1d  q1
M w L2w  (M f  Mb )L2a M w L2w  (M f  Mb ) L2a  (4) 
e2  q2 d  q2                                  
Kf Mb g  M f g
k41  k42 =  
M f Lh  Mb Lh M f Lh  Mb Lh
The setting value of  q1  can be given by software running 
( La M f  La Mb  Lw M w ) g
k62 = on  a  PC,  the  feedbacks  q1 and  q2 can  be  measured  by 
M w L2w  (M f  Mb )( L2h  L2a )
 
  sensors on the helicopter. In order to balance the numbers 
and  the  state  vector  is  defined  by X  [ , , p, p , t , t] ,  the  of inputs and outputs, a virtual input q2d is introduced: 
input vector is defined by U  [u , ut ] , the output vector is  
Y  [ , p, t ] . Since the number of inputs is less than outputs  q 2 d  c1e1  q1 d                              (5) 
in the system, it is a so‐called under‐actuated system. 
 
 
where parameter  indicates the integral of tracking error
From  equation  (2)  we  can  conclude  that  the  3‐DOF 
helicopter  is  a  strong  coupling,  nonlinear  and  under‐ e1 .  Then,  the  derivatives  of  two  tracking  errors  are 
actuated  control  system  with  model  uncertainties.  The  calculated: 
general  control  algorithm  cannot  obtain  a  pleasing   
performance  when  the  mass  of  the  counterweight  is   e1  q1 d  q1  q1d  q 2   c1e1    e2
varying,  therefore,  adaptive  control  methods  are  used  to   (6) 
 e2  q 2 d  q 2  c1e1  q1d   e1  ku  h             
estimate and compensate the model uncertainties.  

www.intechopen.com Zheng Fang, Weinan Gao and Lei Zhang: 3

Robust Adaptive Integral Backstepping Control of a 3-DOF Helicopter
  

And we can obtain:  The derivative of V is: 
   
e 2   c12 e1  c1    c1 e 2  q1 d   e1  ku  h       (7)  V ce 2 2
1 1 c2e2                                (10) 
When  e2  c2 e2  e1 (c2  0) , we can obtain:  
 

 
Based  on  the  Lyapunov  theory,  the  system  can  keep 
1 h stable when  c1 , c2 ,  are positive. Similarly, we can obtain 
u  [(1  c12   )e1  (c1  c2 )e2  c1  q1d ] 
k k     (8)  the integral backstepping control laws of elevation, pitch 
and travel angle: 
Construct a Lyapunov function as follows:   
 

1 1 1  
V   2  e12  e22 (9)
2 2 2                            

U  1 {[MwL2w  (M f  Mb )L2a ][(1 c21   )e1  (c1  c 2 )e 2  c1   d ]  MwLw g  (M f  Mb )La g}
 La K f

 1                      (11) 
Up  {(M f Lh  Mb Lh )[(1 cp1  p )ep1  (cp1  cp2 )ep2  cp1p p  pd ]  Mb g  M f g}
2

 K f
 2 2 2
 p  wLw  (M f  Mb )(Lh  La ) [(1 c2  t )e  (c  c )e  c   t ]
M
 d (La M f  La Mb  LwMw )g
t1  t1 t1 t2 t2 t1 t t d


where (c 1 , c p1 , ct1 , c 2 , c p 2 , ct 2 ,  ,  p , t )  0 ,    ,  p ,  t error can be defined as: 

 
are integrals of  e 1 , e p1 , et1 respectively. 
M w  M w  Mˆ w                           (12) 
 
2.2 Adaptive Integral Backstepping Control  
 

The control input of elevation loop can be rewritten as:  
for Elevation Motion   
  1
U  {[Mˆ w L2w  (M f  M b ) L2a ][(1  c21   )e 1 
The  proposed  integral  backstepping  method  can  La K f  (13)                          
perform  well  in  general  situations,  however,  when  the 
(c 1  c 2 )e 2  c 1   d ]  Mˆ w Lw g  (M f  M b ) La g}
mass  of  counterweight  is  varying,  this  method  cannot 
get  a  satisfactory  performance.  Since  the  real  value  of   
M w cannot  be  measured  precisely,  we  will  replace  it  Take  (13)  into  (7),  the  derivative  of  the  angle  velocity 
ˆ .  Therefore,  the  estimation  tracking error is:  
with  the  estimated  value M w
 
LK
a f MwLwg Mf Lag MbLag
e2 c21e1 c1  c1e2 d e1  2 2 
u
M L (Mf Mb)L
w w a MwL2w (Mf Mb)L2a
M Lg ˆ L2 (M M )L2 ][(1c2  )e (c c )e c    ]                    (14) 
[Mw w f b a 1  1 1 2 2 1   d
c21e1 c1  c1e2 d e1  w w

MwL2w (Mf Mb)L2a MwL2w (Mf Mb)L2a

M
c2e2 e1  w
{L2w[(1c21  )e1 (c1 c2)e2 c1  d ]Lwg}
M L (Mf Mb)L2a
2
w w

Construct a Lyapunov function: 
 
1 2 12 12 1  2( 0)                                                        (15) 
V  
   e1  e2  Mw 1
2 2 2 21[MwL2w (Mf Mb)L2a]

The derivative of V is: 
 
M
V     e1e1 e 2e 2  w ˆ
M
1[M L (Mf  Mb )L2a ] w
2
w w
 (16) 

M ˆ
M
2 2
cz1ez1 cz2ez2  w
{Lwe 2[(1c1   )e1 (c1 c 2 )e 2 c1  d  Lwg]  w}
2 2

MwL2w (Mf  Mb )L2a 1
                

   
4 Int J Adv Robotic Sy, 2012, Vol. 9, 79:2012 www.intechopen.com
  

 -10
In order to make system stable, choose  Mˆ w as: 
-15

E lev ation(deg)
 

Mˆ w  1L2we 2[(1 c21   )e1 
-20
             (17)  Desired

(c1  c 2 )e 2  c1   d  Lw g]

-25 Actual

-30
  0 5 10 15 20 25 30
Time(s)
Then we can obtain: 
 
V  c1e21  c 2e22                         (18) 
6

T rav el(deg)
4
  Desired
3.  Simulaiton and Experiment Results  2 Actual

 
0
In  this  section  the  proposed  algorithm  is  compared  with  0 5 10 15 20 25 30

both integral backstepping and PID control algorithms by 
Time(s)         
(a). Simulation results                                
simulation  and  experiment  implementations.  Our  work  -10
focuses on following three aspects: 
(i) The  control  stability  of  the  system.  Though  the  -15
E le v a t io n (d e g )
stability  of  the  control  system  has  been  theoretically  -20
analysed,  it  is necessary  to  give  some validations  by  Desired
experiments.  -25 Actual
(ii) The tracking ability of the system.  
-30
(iii) The  adaption  effect  of  estimating  the  model  0 5 10 15 20 25 30
uncertainty.   Time(s)

  15
Both  simulations  and  experiments  centre  on  the  three  Desired
interesting  aspects.  Firstly,  we  test  the  dynamic  Actual
T ra v e l(d e g )

10
performance  of  step  response.  Then,  different  signal 
inputs  are  used  to  test  the  tracking  performance  of  the  5
proposed algorithm. Furthermore, the adaptive capability 
is  compared  by  varying  the  mass  of  counterweight.  The  0
0 5 10 15 20 25 30
main  initial  conditions  of  the  helicopter  are  given  as  Time(s)  
follows:   (b). Experimental results 
• Initial attitude of the helicopter (deg): [x10,x30,x50] =  Figure 3. Step response of PID 
[−27.5, 0, 0]   
• Initial mass of the counterweight (g): 1830  -10
• Sample time (ms): 1 
  -15
E le v a t io n (d e g )

3.1 Step Response Result Comparison 
-20 Desired
 
Actual
In  the  following  experiments,  the  dynamic  and  static  -25
performance  of  the  adaptive  integral  backstepping 
controller  is  compared  with  the  PID  controller  and  -30
0 5 10 15 20 25 30
integral  backstepping  controller  when  the  control  inputs  Time(s)
are  step  signals.  Fig.  3,  Fig.  4  and  Fig.  5  depict  the 
8
simulation  and  experiment  results  of  the  three  control 
algorithms respectively. From the figures we can see that  6
T ra v e l(d e g )

the  dynamic  performance  of  elevation  motion  using 

adaptive  integral  backstepping  controller  is  much  better  4
than  the  others.  The  reason  for  this  is  that  adaptive  Desired
2 Actual
actions  have  been  applied  to  the  integral  backstepping 
algorithm in elevation motion.  0
0 5 10 15 20 25 30
Time(s)  
(a). Simulation results                                           

www.intechopen.com Zheng Fang, Weinan Gao and Lei Zhang: 5

Robust Adaptive Integral Backstepping Control of a 3-DOF Helicopter
  

-10 3.2 Tracking Performance Comparison 
 
E le v a t io n (d e g )

-15
The  following  task  is  to  test  and  compare  the  tracking 
-20
ability of the three controllers. Fig. 6 and Fig. 7 show the 
Desired
-25
Actual
control  performance  of  elevation  motion  using  three 
-30
control  algorithms  given  sawtooth  and  square  signals 
0 5 10 15 20 25 30 respectively.  From  the  experiment  results,  it  can  be  seen 
Time(s)
that the adaptive integral backstepping control algorithm 
15 gives better response speed.  
Desired
 
E le v a tio n (d e g )

10 Actual
PID
-5
5

E levation(deg)
-10

-15
0 Desired
0 5 10 15 20 25 30
-20 Actual
Time(s)  
 (b). Experimental results  -25
0 5 10 15 20 25 30 35 40
Figure 4. Step response of integral backstepping  Time(s)
Integral Backstepping
  -5
-5 E levation(deg)
-10
-10 -15
E le v a t io n (d e g )

-15 -20 Desired

Actual
-20 Desired -25
0 5 10 15 20 25 30 35 40
Actual Time(s)
-25
Adaptive Integral Backstepping
-30 -5
0 5 10 15 20 25 30
E levation(deg)

-10
Time(s)
-15
8
-20 Desired
6 Actual
-25
T ra v e l(d e g )

0 5 10 15 20 25 30 35 40
Time(s)
4  
Desired (a). Simulation results                                                
2 PID
Actual
-10
Desired
0
E le v a t io n (d e g )

0 5 10 15 20 25 30 Actual
Time(s)   -15
(a). Simulation results                                                  
-10
-20
E le v a t io n (d e g )

0 5 10 15 20 25 30 35 40
Time(s)

-20 Integral Backstepping

Desired -10
Desired
Actual
E le v a t io n (d e g )

Actual

-30 -15
0 5 10 15 20 25 30
Time(s)
-20
0 5 10 15 20 25 30 35 40
15 Time(s)
Adaptive Integral Backstepping
Desired -10
T ra v e l(d e g )

10 Actual
Desired
E le v a t io n (d e g )

Actual
-15
5

0 -20
0 5 10 15 20 25 30 35 40
0 5 10 15 20 25 30
Time(s)
Time(s)  
   (b). Experimental results 
 (b). Experimental results 
Figure 5. Step response of adaptive integral backstepping  Figure 6. Tracking performance for sawtooth inputs  

6 Int J Adv Robotic Sy, 2012, Vol. 9, 79:2012 www.intechopen.com

  

PID PID
-5 -14.5
Desired
E lev ation(deg)

E lev ation(deg)
-10
Actual
-15 -15
Desired
-20
Actual
-25 -15.5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Time(s) Time(s)
Integral Backstepping Integral Backstepping
-5 -14.5

E lev ation(deg)
E lev ation(deg)

-10

-15 -15
Desired Desired
-20 Actual Actual

-25 -15.5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Time(s) Time(s)
Adaptive Integral Backstepping
Adaptive Integral Backstepping
-14.5
-5

E lev ation(deg)
E lev ation(deg)

-10
-15
-15
Desired Desired
-20 Actual Actual
-15.5
-25 0 5 10 15 20 25 30 35 40
0 5 10 15 20 25 30 35 40
Time(s)
Time(s)
   
(a). Simulation results                                                  
 
(a). Simulation results                                                   
PID PID
-5
-12
E lev ation(deg)

-10
Elevation(deg)

-14
-15

-20 Desired -16 Desired

Actual Actual
-25 -18
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Time(s) Time(s)
Integral Backstepping
Integral Backstepping
-5 -12
Elevation(deg)
E lev ation(deg)

-10 -14

-15 -16 Desired

Actual
-20 Desired -18
0 5 10 15 20 25 30 35 40
Actual
-25 Time(s)
0 5 10 15 20 25 30 35 40 Adaptive Integral Backstepping
Time(s)
-12
Adaptive Integral Backstepping
Elevation(deg)

-5
-14
E lev ation(deg)

-10
-16 Desired
-15 Actual
-18
0 5 10 15 20 25 30 35 40
-20 Desired
Actual
Time(s)
 
-25  (b). Experimental results 
0 5 10 15 20 25 30 35 40
Figure 8. Elevation control of three control algorithms when the 
Time(s)
 
 (b). Experimental results  mass is changed 
 
Figure 7. Tracking performance for square inputs  
integral  backstepping  algorithms  cannot  realize  good 
 
dynamic  response  in  the  elevation  motion  when  some 
3.3 Mass Variation 
uncertainties exist in the model, but the adaptive integral 
 
backstepping  algorithm  has  excellent  performance.  The 
In  this  section,  the  mass  of  counterweight  is  changed  to 
estimated mass value of the system is shown in Fig.9. As 
examine  the  compensation  and  estimation  performance 
we  can  see,  the  estimated  value  is  very  close  to  the  real 
of  the  proposed  algorithm.  A  200g  object  is  hung  on  the 
value. 
helicopter at 10 seconds and 30 seconds, and is removed 
at 20 seconds. From Fig.8, it can be seen that the PID and 
 

www.intechopen.com Zheng Fang, Weinan Gao and Lei Zhang: 7

Robust Adaptive Integral Backstepping Control of a 3-DOF Helicopter
  

1.86
Simulation
[3] J.P.  Su,  W.J.  Lu.  (2001).  Composite  Sliding  Mode 
Control  and  Its  Application  to  a  Twin‐rotor  multi‐
1.85
input  multi‐output  system.  AASRC  Transactions  of 
1.84
the  Aeronautical  and  Astronautical  Society  of  the 
R.O.C, pp.275–282.  
Mass(kg)

1.83

[4] S. Bouabdalla, R. Siegwart. (2005). Backstepping and 
1.82
Sliding‐mode  Techniques  Applied  to  an  Indoor 
1.81 Micro Quadrotor. Proceedings of IEEE International 
1.8
Conference  on  Robotics  and  Automation,  pp.  2247‐
0 5 10 15 20 25 30 35 40
Time(s)
  2252. 
(a). Simulation results                                [5] C.D.  Yang,  W.H.  Liu.  (2002).  Robust  nonlinear  H    
decoupling  control  off  light  vehicle  in  hovering.  In 
Exeriment
1.86

Proceedings  of  the  41st  IEEE conference of decision 

1.85
and control, pp. 4486–4491. 
1.84 [6] C.D.  Yang,  W.H.  Liu.  (2003).  Nonlinear  H   
decoupling  hover  control  of  helicopter  with 
mass(kg)

1.83
parameter  uncertainties.  In  Proceedings  of  the 
1.82
Estimate
American control conference, pp.3454‐3459. 
Real [7] A.T.  Kutay,  A.  J.  Calise,  M.  Idan,  N.  Hovakimyan. 
1.81
(2005).  Experimental  results  on  adaptive  output 
1.8
0 5 10 15 20 25 30 35 40
feedback control using a laboratory model helicopter. 
time(s)
  IEEE  Transactions  on  Control  Systems  Technology, 
 (b). Experimental results  vol.13, pp.196–202.  
Figure 9. Mass estimation   [8] B.  Kadmiry,  D.  Driankov.  (2004).  A  fuzzy  gain‐
  scheduler  for  the  attitude  control  of  an  unmanned 
4. Conclusions and Future Works  helicopter. IEEE Trans. Fuzzy Syst.12 , pp.502–515. 
  [9]  K.S.  Kim,  Y.  Kim.  Robust  backstepping  control  for 
In  this  paper,  an  adaptive  integral  backstepping  slew  maneuver  using  nonlinear  tracking  function. 
algorithm  has  been  proposed  to  realize  the  attitude  IEEE  Transactions  on  Control  Systems  Technology. 
control of a 3‐DOF helicopter.  Simulation and experiment  11 (2003) 822‐829. 
results  validate  that  the  integral  action  can  eliminate  the  [10] S.  Bouabdallah  and  R.  Siegwart.  (2008).  Design  and 
tracking errors of the system and the adaptive action can  Control  of  a  Miniature  Quadrotor.  Advances  in 
estimate  and  compensate  the  model  uncertainty  Unmanned Aerial Vehicles, pp.171‐210.  
effectively.  The  proposed  algorithm  can  reduce  the  [11] J.  Yang,  W.  Hsu.  (2009).  Adaptive  backstepping 
overshoot and improve response speed. In the future, the  control  for  electrically  driven  unmanned  helicopter. 
proposed control algorithm will be tested on other similar  Control Engineering Practice, vol.17, pp.903–913.  
experiment platforms.  [12] Z.  Fang,  W.  Gao.  (2011).  Adaptive  Integral 
  Backstepping  Control  for  a  Micro‐Quadrotor.  2011 
5. Acknowledgments  2nd  International  Conference  on  Intelligent  Control 
  and Information Processing, pp. 910‐915. 
The  author  wants  to  thank  the  State  Key  Lab  of  [13] B.  Zheng  and  Y.  Zhong.  (2011).  Robust  Attitude 
Synthetical  Automation  for  Process  Industries  (SKL)  and  Regulation  of  a  3‐DOF  Helicopter  Benchmark: 
the  Fundamental  Research  Funds  for  the  Central  Theory  and  Experiments.  IEEE  Transaction  on 
Universities  under  Grant  No.N100408003,  National  Industrial Electronics, vol.58, pp.660‐670. 
Science  Foundation  of  China  under  Grant  61040014  and  [14] W.  Wang,  K.  Nonami  and  M.  Hirata.  (2008).  Model 
the Applied Basic Research Fund of Shenyang Municipal  Reference Sliding Mode Control of Small Helicopter 
Science  Technology  Project  under  Grant  No.F10‐205‐1‐50  X.R.B  based  on  Vision,  International  Journal  of 
for the support on this project.  Advanced Robotic Systems, Vol.5, No.3, pp.235‐242. 
  [15] J.  Dua,  K.  Kondakb  and  M.  Bernardb,  et  al.  (2008). 
6. References  Model  Predictive  Control  for  a  Small  Scale 
  Unmanned  Helicopter.  International  Journal  of 
[1] T.  Bresciani.  (2008).  Modeling,  Identification  and  Advanced Robotic Systems, Vol. 5, No. 4, pp. 433‐438 
Control of a Quadrotor Helicopter. Thesis, Department  R.  D.  Garcia  and  K.  P.  Valavanis.  (2009).  The 
of Automatic Control,Lund University, Sweden.   Implementation  of  an  Autonomous  Helicopter 
[2] A. Tayebi, S. McGilvray. (2006). Attitude Stabilization of  Testbed.    Journal  of  Intelligent  &  Robotics  Systems, 
a  VTOL  Quadrotor  Aircraft.  IEEE  Transactions  on  Vol.54, No.3, pp.423‐454.  
Control Systems Technology, vol.14, pp.562‐571.  

8 Int J Adv Robotic Sy, 2012, Vol. 9, 79:2012 www.intechopen.com