旋翼飞行器控制算法对比：DeePC与MPC实践分析

1. 旋翼飞行器控制算法概述

旋翼飞行器（如四旋翼无人机）的控制一直是自动控制领域的热点研究方向。这类系统具有强非线性、强耦合和欠驱动的特性，传统的PID控制往往难以满足高性能控制需求。近年来，数据驱动控制方法因其不依赖精确数学模型的特点而备受关注，其中DeePC（Data-Enabled Predictive Control）及其改进版本表现尤为突出。

我在实际无人机控制系统开发中发现，当面对复杂气流扰动或负载变化时，基于模型预测控制（MPC）的方法往往需要频繁调整模型参数，而数据驱动方法则展现出更好的适应性。本文将详细对比分析DeePC、改进版DeePC、LQR和MPC四类算法在旋翼飞行器控制中的实际表现。

2. 四类控制算法原理剖析

2.1 DeePC算法核心机制

DeePC的核心思想是绕过传统建模步骤，直接利用系统输入输出数据构建预测控制策略。其实施步骤包括：

1. 数据收集阶段：通过激励信号获取系统输入输出数据矩阵

   matlab复制% 示例数据收集代码
   u = chirp(0:0.1:10, 0.1, 10, 5); % 激励信号
   y = lsim(sys, u); % 系统响应
   Hankel_U = hankel(u(1:100), u(100:end)); % 构建Hankel矩阵
   

2. 在线控制阶段：通过求解优化问题直接计算控制输入

   matlab复制cvx_begin
     variable g(size(Hankel_U,2))
     minimize(norm(Yf*g - r) + lambda*norm(Uf*g))
     subject to
       [Up; Yp] * g == [u_ini; y_ini] % 初始条件约束
   cvx_end
   

注意：数据质量直接影响控制效果，建议采集数据时覆盖系统所有工作模态。

2.2 改进版DeePC的创新点

针对标准DeePC的不足，改进版主要做了三方面优化：

1. 引入正则化项处理噪声问题
2. 采用滑动窗口机制更新数据矩阵
3. 添加终端代价保证稳定性

实测表明，改进版在突风扰动下的控制误差可降低30%以上。其核心改进体现在优化目标函数：
`