1. 引言微型共轴双旋翼无人机以其紧凑的结构、优异的悬停稳定性和抗风性在室内巡检、狭小空间作业、军事侦察等领域展现出巨大潜力。与传统四旋翼相比其双旋翼共轴反向旋转的设计消除了反扭矩但也带来了独特的动力学特性和控制挑战。本文将深入解析支撑这类无人机稳定飞行的核心算法涵盖建模、控制、状态估计及智能决策等关键层面。2. 动力学建模与系统辨识精确的动力学模型是算法设计的基础。对于共轴双旋翼系统其核心是一个强耦合、欠驱动的非线性系统。2.1 刚体动力学方程基于牛顿-欧拉方程建立机体坐标系下的运动方程平动方程m * dv/dt R * F_total - m * g * e_z其中m为质量v为速度矢量R为旋转矩阵F_total为旋翼产生的总升力g为重力加速度e_z为地理坐标系下的垂直单位向量。转动方程J * dω/dt -ω × (J * ω) M_total其中J为转动惯量矩阵ω为机体角速度M_total为旋翼产生的总力矩。2.2 共轴双旋翼力与力矩模型总升力F_total和总力矩M_total是上下旋翼转速Ω_u,Ω_l的函数F_total k_F * (Ω_u^2 Ω_l^2) M_roll k_M * l * (Ω_u^2 - Ω_l^2) * sin(δ) // 假设存在周期变距或舵面偏角δ M_pitch k_M * l * (Ω_u^2 - Ω_l^2) * cos(δ) M_yaw k_Q * (Ω_u^2 - Ω_l^2) // 反扭矩差产生偏航力矩其中k_F,k_M,k_Q为气动系数l为力臂。上下旋翼转速差是控制俯仰、滚转和偏航的关键。2.3 系统辨识由于微型无人机参数如k_F,J难以精确测量常采用频域响应分析或基于数据的辨识方法如最小二乘法、神经网络在线或离线获取模型参数。3. 核心控制算法控制算法的目标是将期望的姿态/位置指令转化为上下旋翼的转速指令。3.1 串级PID控制最经典且广泛应用的结构。外环位置环输出期望姿态角给内环姿态环内环再输出角速度期望给最内环角速度环最终计算出电机控制量。# 伪代码示例高度与姿态串级PIDclassCoaxialCascadePID:def__init__(self):self.pid_zPID(kp1.5,ki0.05,kd0.8)# 高度环self.pid_rollPID(kp3.0,ki0.1,kd0.5)# 滚转环self.pid_pitchPID(kp3.0,ki0.1,kd0.5)# 俯仰环self.pid_yawPID(kp2.0,ki0.05,kd0.3)# 偏航环defupdate(self,setpoint,measurement):# 外环位置/高度控制thrust_zself.pid_z.update(setpoint.z,measurement.z)# 外环水平位置控制 - 期望滚转/俯仰roll_desiredself.pid_roll.update(setpoint.x,measurement.x)pitch_desiredself.pid_pitch.update(setpoint.y,measurement.y)# 内环姿态控制 - 角速度期望omega_roll_desiredself.pid_roll.update(roll_desired,measurement.roll)omega_pitch_desiredself.pid_pitch.update(pitch_desired,measurement.pitch)omega_yaw_desiredself.pid_yaw.update(setpoint.yaw,measurement.yaw)# 最内环角速度控制 - 电机差动指令# 将角速度期望与推力结合解算为上下旋翼转速指令 (Ω_u_cmd, Ω_l_cmd)# 这是一个混合分配问题returnself.mixer(omega_roll_desired,omega_pitch_desired,omega_yaw_desired,thrust_z)3.2 非线性控制反馈线性化与滑模控制针对模型的非线性与耦合特性更高级的控制策略被采用。反馈线性化通过非线性状态反馈将原系统转化为线性系统再用线性控制理论设计控制器。需要对模型有精确了解。滑模控制 (SMC)对模型不确定性和外部扰动具有强鲁棒性。设计一个滑模面s e λ * ∫e dt控制律迫使系统状态在有限时间内到达并保持在滑模面上。// 滑模控制律概念示例高度通道floatsmc_height_control(floatz_desired,floatz_actual,floatdz_actual){floatez_desired-z_actual;floatde-dz_actual;// 假设期望速度为零floatlambda0.5;floatsdelambda*e;floatF_eqm*(glambda*dz_actual);// 等效控制floatF_swK*sat(s,phi);// 切换控制K0, phi为边界层厚度return(F_eqF_sw)/(k_F*2);// 转换为基准转速平方}3.3 自适应与鲁棒控制模型参考自适应控制 (MRAC)在线调整控制器参数使被控对象输出跟踪参考模型的输出适应参数变化。H∞ 鲁棒控制将扰动和模型不确定性视为有界信号设计控制器最小化其对系统性能的影响保证在最坏情况下的稳定性。3.4 控制分配对于共轴双旋翼控制分配器将虚拟控制量总推力、滚转力矩、俯仰力矩、偏航力矩映射到两个执行器上下电机的转速指令。这是一个典型的过驱动系统4个虚拟控制量2个执行器但通过上下旋翼差动可以解耦出三个力矩推力由和动提供。[ Thrust ] [ 1 1 ] [ Ω_u^2 ] [ Roll ] [ l -l ] * [ Ω_l^2 ] // 简化模型忽略舵面 [ Pitch ] [ 0 0 ] // 纯共轴无周期变距时俯仰控制需依赖其他机制如舵面 [ Yaw ] [ κ -κ ]其中κ是反扭矩系数。当矩阵非方阵时需使用伪逆或优化方法求解。4. 状态估计与传感器融合微型无人机通常搭载IMU陀螺仪、加速度计、气压计、磁力计、光学流/激光测距、摄像头等低成本传感器。原始数据噪声大且存在漂移需通过融合算法估计精确状态。4.1 卡尔曼滤波器 (KF) 及其变种扩展卡尔曼滤波器 (EKF)针对非线性系统在估计点进行一阶泰勒展开线性化。是无人机状态估计的主流方法。无迹卡尔曼滤波器 (UKF)使用无迹变换来近似非线性分布精度通常高于EKF计算量稍大。误差状态卡尔曼滤波器 (ESKF)在误差状态空间进行滤波再将误差修正到名义状态。数值稳定性好常用于IMU预积分和视觉惯性里程计 (VIO)。4.2 互补滤波器一种轻量级融合方法结合高频IMU数据短期准确和低频外部传感器数据如光学流、GPS长期稳定。defcomplementary_filter(gyro,accel,mag,dt):# 使用加速度计和磁力计校正陀螺仪漂移# 姿态四元数更新qq_prev# 陀螺仪积分q_gyrointegrate_gyro(q,gyro,dt)# 加速度计/磁力计观测q_amget_orientation_from_accel_mag(accel,mag)# 互补融合alpha0.98# 信任陀螺仪的比例qquaternion_slerp(q_gyro,q_am,1-alpha)returnq4.3 视觉惯性里程计 (VIO)对于无GPS的室内环境VIO是核心。它紧耦合或松耦合地融合IMU数据和相机特征点信息实时估计无人机的位置、速度和姿态 (PVQ)。如开源方案OKVIS, VINS-Mono, ORB-SLAM3 (带IMU)。5. 智能决策与路径规划算法5.1 实时路径规划A/DLite**在已知或部分已知栅格地图中搜索最优路径。快速随机探索树 (RRT/RRT)*在高维状态空间中快速生成可行路径适用于动态避障。人工势场法目标点产生引力障碍物产生斥力合力引导无人机运动。简单高效但可能陷入局部极小值。5.2 集群协同算法多架共轴无人机协同作业时涉及一致性协议使集群状态如位置、速度趋于一致。蜂拥控制模拟鸟群行为实现无集中领导的编队飞行。任务分配基于拍卖算法、匈牙利算法等将目标点分配给各无人机。6. 总结与展望微型共轴双旋翼无人机的核心算法是一个多学科交叉的领域其发展推动着无人机向更智能、更自主、更可靠的方向迈进。未来趋势包括算法轻量化与嵌入式部署在算力有限的机载计算机上运行更复杂的模型如轻量神经网络。学习型控制结合强化学习、模仿学习让无人机在未知环境中自主学习控制策略。感知-决策-控制一体化端到端的算法框架减少模块间信息损失。高安全性与可靠性形式化验证控制算法保证在极端情况下的安全性。掌握这些核心算法是设计出高性能微型共轴无人机的关键。开发者需要根据具体应用场景在计算复杂度、实时性、鲁棒性和性能之间做出权衡与创新。
尧图网络