1. 项目背景与核心问题
四旋翼无人机作为现代控制理论研究的理想平台,其状态估计精度直接影响飞行控制的稳定性。在真实飞行环境中,传感器测量数据不可避免地会受到各种噪声干扰(如陀螺仪漂移、加速度计振动噪声等),导致原始观测值与实际状态存在偏差。本项目针对二维简化模型,通过LQR控制与卡尔曼滤波的协同工作,实现了在噪声环境下的高精度状态估计。
传统PID控制在四旋翼系统中面临两个主要挑战:一是系统存在强非线性耦合特性;二是传感器噪声会导致控制指令的高频抖动。我们采用线性二次调节器(LQR)作为基础控制器,其优势在于可以通过代价函数明确权衡状态误差与控制能耗的关系。而卡尔曼滤波则通过概率统计方法,将动力学模型预测与传感器观测进行最优融合。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统建模与LQR设计
2.1 二维四旋翼动力学模型
在二维垂直平面内,我们定义系统状态向量为:
code复制x = [φ θ v x ω y]^T
其中φ为滚转角,θ为俯仰角,v为x方向速度,x为水平位置,ω为角速度,y为垂直高度。对应的微分方程可表示为:
code复制φ' = (1/J)*T
θ' = ω
v' = (1/m)*(f1+f2)*sinθ
x' = v
ω' = (1/m)*((f1+f2)*cosθ - mg)
y' = ω
注意:这里进行了小角度假设(sinθ≈θ, cosθ≈1),将非线性系统在平衡点附近线性化,这是后续LQR设计的基础。
2.2 LQR控制器设计
LQR的核心是求解代数Riccati方程,得到最优状态反馈矩阵K。我们定义二次型代价函数:
code复制J = ∫(x^T Q x + u^T R u)dt
其中Q和R分别为状态和输入的权重矩阵。通过MATLAB的lqr()函数可以方便求解:
matlab复制[K, S, e] = lqr(A, B, Q, R);
在实际调参中,Q矩阵的对角元素取值反映了对不同状态变量的重视程度。例如增大高度误差的权重系数,可以使控制器更优先稳定垂直方向运动。经过多次实验验证,我们最终采用的参数为:
matlab复制Q = diag([10 5 1 0.1 2 8]);
R = 0.1*eye(2);
