无人机的飞行控制是无人机（jī）研（yán）究领域（yù）主要问题之一。在飞行过程中会受到各（gè）种干扰，如传感器的噪音与漂移、强风与乱（luàn）气流、载重（chóng）量变化及（jí）倾角过大（dà）引起（qǐ）的模（mó）型变动等等。这些都（dōu）会（huì）严重（chóng）影响飞行器的飞行品质，因此无人机的控制技术（shù）便（biàn）显得尤为重要。传统的控（kòng）制方（fāng）法主要集中于姿态（tài）和高度的控（kòng）制，除此之外还有（yǒu）一些用来控制速度、位（wèi）置、航向、3D轨迹跟踪控制。多（duō）旋翼无人机的（de）控制方法可以总结为以（yǐ）下三个主要的方面。
一、 线性飞行控制方法
常（cháng）规的飞行器（qì）控制方法以及早期的对飞行器控（kòng）制的尝试都是建立在（zài）线性飞行控（kòng）制（zhì）理（lǐ）论上的，这（zhè）其中就又有诸如PID、H∞、LQR以及增益调度法。
1.PID PID控制属于传（chuán）统控制（zhì）方法，是目前最成功、用的最广泛的控制方法之一。其（qí）控制方法简单，无需前期建模（mó）工（gōng）作，参数物理意义明（míng）确，适用于飞行精度要求不（bú）高的控制。
2.H∞ H∞属于鲁（lǔ）棒控（kòng）制（zhì）的方法。经典的控（kòng）制（zhì）理论并不要（yào）求被控对（duì）象的（de）精确数学模型来解决多输（shū）入多输出非线性系统问题。现代控制理论可以定量地解（jiě）决多输（shū）入多输出非线性系统（tǒng）问题，但完全依赖于描述被控对象（xiàng）的动态特性的数（shù）学模型。鲁棒控制可以很好解决因干扰等因素引起的建模误差问题，但它的计算量非（fēi）常大，依（yī）赖于高（gāo）性能的处理（lǐ）器，同时，由于是（shì）频域设计方法，调参也相对困难。
3.LQR LQR是被（bèi）运用来（lái）控制无人机的比（bǐ）较成（chéng）功的方法（fǎ）之一，其对（duì）象是能用状态空间（jiān）表达式表示的线性系统，目标函数为是（shì）状态变量或控制变量（liàng）的二次函数的积（jī）分。而（ér）且Matlab软（ruǎn）件的使用为LQR的控制方法提供了良好的仿真条件（jiàn），更为（wéi）工程实现（xiàn）提供了便利。
4.增益（yì）调（diào）度法 增益调度（Gain scheduling）即在系统运（yùn）行（háng）时，调度（dù）变量的变化导致控制器的（de）参数随着改变，根据调度变量使系统以不同的控制规（guī）律在（zài）不同的区域内运行，以解决系统非线（xiàn）性的问题。该算（suàn）法由两大部分组成，第一部分主要（yào）完成事件驱动，实现参数调整（zhěng）。 如果系统（tǒng）的运行情况改（gǎi）变，则（zé）可通过（guò）该部分来识别并切换模态；第二部（bù）分为误差驱动，其（qí）控制功能（néng）由选定的模态来实现。该控（kòng）制方法（fǎ）在旋翼无人（rén）机的垂直起（qǐ）降、定点（diǎn）悬（xuán）停及（jí）路径跟踪等控制上有着优异的性能（néng）。
二（èr）、 基（jī）于学习的飞行控制方法
基（jī）于学习（xí）的（de）飞行控（kòng）制方法的特点就是（shì）无（wú）需了（le）解飞行（háng）器的动力学（xué）模型，只要一些飞行试验和飞行数据。其中（zhōng）研究最热门（mén）的有模糊（hú）控（kòng）制方（fāng）法、基于人体学习（xí）的方法以及（jí）神经网络（luò）法（fǎ）。
1.模糊控（kòng）制方法（Fuzzy logic）模糊（hú）控制是解决模型不确定性的方法之一，在模型未知的情况（kuàng）下来实现对无人机的控制。
2.基于人体（tǐ）学习的方（fāng）法（Human-based learning） 美国MIT的科（kē）研（yán）人（rén）员（yuán）为了寻找能更好地控制小型无人飞行器（qì）的控制方法，从（cóng）参（cān）加军事演习进（jìn）行特（tè）技飞行的飞机中采集数据，分析飞行（háng）员对不同情（qíng）况下飞机的操作，从而更好（hǎo）地理解无人机的输入序列（liè）和反（fǎn）馈（kuì）机制。这种方法（fǎ）已经被运用到小型无人机的自主飞行（háng）中。
3.神经网络法（Neural networks） 经典（diǎn）PID控制结（jié）构简单、使用方（fāng）便、易于实（shí）现, 但当被控（kòng）对象（xiàng）具有复杂的非线性特性、难以建立精（jīng）确的数学模型（xíng）时，往往难以（yǐ）达到满意的控（kòng）制效果。神经网络（luò）自（zì）适（shì）应控制技术能有效（xiào）地实现多种不确定的（de）、难以确切（qiē）描述（shù）的非线性复杂过程（chéng）的控制，提高控（kòng）制系统的鲁棒性、容（róng）错性，且控（kòng）制参数具有自适应和自学习能力。
三（sān）、 基于模型的非线性控制方法（fǎ）
为了克服某些线性控制方法的限制，一些非线性（xìng）的控制方法（fǎ）被提出并且被运用到飞行器的控（kòng）制（zhì）中。这些非线（xiàn）性的控制方法通常可以归类为基于模型的非线性（xìng）控制方法。这（zhè）其中有反馈线性化、模（mó）型预测控制、多（duō）饱和控制、反步法以及自适应控制（zhì）。
1.反馈（kuì）线性化（huà）（feedback linearization） 反馈线性化是（shì）非（fēi）线（xiàn）性系统常用（yòng）的一种（zhǒng）方法。它利用数学变换的（de）方法和微分（fèn）几何（hé）学的知识，首（shǒu）先，将状态和控制变（biàn）量转（zhuǎn）变为线性形式，然后（hòu），利用常规的线性设计的方法进（jìn）行设（shè）计，最后，将（jiāng）设计的结果（guǒ）通过反变换，转换为（wéi）原始的状态和（hé）控制形式。反馈线性化理论有两个重要分支：微分几何法和动（dòng）态逆法，其中动态（tài）逆方法（fǎ）较微（wēi）分几何（hé）法具有简单的推算特点，因（yīn）此更适合用在飞行控（kòng）制系（xì）统的设（shè）计上（shàng）。但是，动态逆（nì）方法需要相当精确的飞行器的模型，这在实际情况中是（shì）十分困（kùn）难的。此外（wài），由于系统（tǒng）建（jiàn）模误差（chà），加上外界的各（gè）种干扰（rǎo），因（yīn）此（cǐ），设计时要重点考虑鲁棒性的因素。动态逆的方法有一（yī）定的（de）工（gōng）程应用（yòng）前景，现已成为飞（fēi）控研究领域（yù）的一个热（rè）点（diǎn）话（huà）题。
2.模型预测控制（model predictive control）模（mó）型预（yù）测控制是一类特殊的控制方法（fǎ）。它（tā）是（shì）通过在每（měi）一个（gè）采样瞬间求（qiú）解一个有限时域开环（huán）的最优控制问题获得当前控制动作。最优控制问题的初（chū）始状态为过程的当（dāng）前状态（tài），解得的最优控制序列只施加在（zài）第一个控制作用上，这是它和那些预先计算控（kòng）制（zhì）律的算法的（de）最大区（qū）别。本质上看模型（xíng）预测控制是求解一个开环最优控制的问（wèn）题，它（tā）与具体的模型无关，但是实现则与模（mó）型相关。
3.多饱和（hé）控制（nested saturation）饱和现象是一种非常普遍的（de）物理现（xiàn）象，存在于大量的工程问题中。运用（yòng）多饱和控制的方法设（shè）计（jì）多旋翼无人机，可以解决（jué）其它（tā）控制方（fāng）法所不能解决的很多实际的问题。尤其是对于微小型无人机而言，由于大（dà）倾角的（de）动作以及外部干（gàn）扰（rǎo），致动器会频繁出现饱（bǎo）和。致动器饱和会限制操作（zuò）的范围并削弱（ruò）控制系统（tǒng）的稳定性。很多方法都已经被用（yòng）来解决饱（bǎo）和（hé）输入的问题，但还没有取（qǔ）得理想的效果。多饱和控制在控（kòng）制饱（bǎo）和（hé）输入（rù）方（fāng）面有着很好的全局（jú）稳定性，因此这种方法常用（yòng）来控（kòng）制微型无人（rén）机（jī）的稳定性。
4.反（fǎn）步控（kòng）制（Backstepping）反步控制是非线性系（xì）统控（kòng）制（zhì）器设计最常用的方法之一，比较适合用（yòng）来进行在线控制，能够减少在线计算（suàn）的时间（jiān）。基于Backstepping的控制器（qì）设计方法，其（qí）基本思路是将复杂的（de）系统分解成不（bú）超过系（xì）统（tǒng）阶数的多个子系统，然后（hòu）通过反（fǎn）向递推为每个子系统设计部分李雅（yǎ）普诺夫函（hán）数（shù）和中间虚拟控制量（liàng），直至设计完（wán）成整个控制器（qì）。反步方法运用于（yú）飞控系统控制器（qì）的设（shè）计可以（yǐ）处理一类非线性、不确定性因素的影响，而且已（yǐ）经被证明具有比较（jiào）好（hǎo）稳定性（xìng）及误差的收（shōu）敛性（xìng）。
5.自适应控（kòng）制(adaptive control) 自适应（yīng）控制也是一种基于（yú）数（shù）学（xué）模型的控制方法，它（tā）最大的特（tè）点就是（shì）对于系统（tǒng）内部（bù）模型和外（wài）部扰动的信息依赖比较（jiào）少，与模型相关的信息是在（zài）运行系统（tǒng）的过程中不断获取（qǔ）的，逐步地使（shǐ）模型趋于完善。随着（zhe）模型的不断改善（shàn），由模型得到的控（kòng）制作（zuò）用也会（huì）跟着改进，因（yīn）此控制（zhì）系统（tǒng）具（jù）有（yǒu）一定的适应能力。但同（tóng）时，自适（shì）应控（kòng）制比常规反馈（kuì）控制要复杂（zá），成本也很高，因此只是（shì）在用（yòng）常（cháng）规反（fǎn）馈（kuì）达不到所期望的性能时（shí），才会考虑采用（yòng）自（zì）适应的方法。
咨（zī）询航拍服务可加昆明俊鹰无人机飞控手老鹰的微信laoyingfly |
