无人机起飞与着陆阶段是事故多发阶段,也是其研制过程中需投入极大人力物力的关键阶段。由于地面滑跑过程中无人机受到地面作用力、气动力及跑道条件等多种因素影响,动力学特性复杂,难以得到较为精确的地面模型。因此,加强无人机地面滑跑建模技术研究、提高地面模型精度对于加速无人机研制进度与减少研制成本具有重要意义。本文以某大展弦比无人机为研究对象,在对无人机地面滑跑过程进行详细受力分析后,针对两轮与三轮滑跑段的动力学特点,运用牛顿定律建立地面滑跑动力学模型,实现了对飞机地面运动规律的数学描述。经与实际滑行数据的对照分析,针对在支撑力、摩擦力、气动力、推力等环节的建模中引入的非线性误差,设计了基于神经网络的误差补偿结构。在运用数值微分算法融合出角加速度的基础上,提出根据实际滑跑过程中记录的无人机速度、状态等数据信息,利用动力学原理,辨识其所受合外力与力矩的方法。结合模型数值解算与实际滑跑数据,完成了神经网络训练样本的准备工作;针对力与力矩补偿量函数模型的非线性特征,提出了基于Levenberg-Marquardt学习算法的BP神经网络补偿环节;通过对多组实际滑跑过程中的力与力矩误差拟合实验,验证了经训练所得到的神经网络对样例无人机地面滑跑模型误差的拟合精度。在MATLAB/Simulink环境下搭建仿真模型,完成地面滑跑仿真验证。仿真结果表明,本文所设计的BP神经网络对地面滑跑模型存在的误差有较好的补偿的作用,提高了模型的精准度。