无人机的飞行控（kòng）制是（shì）无人机（jī）研究领域主要问题之一。在飞行过程中会受到各种干扰（rǎo），如（rú）传感器（qì）的噪音（yīn）与漂移、强风与（yǔ）乱气流、载重（chóng）量变（biàn）化及倾（qīng）角过大（dà）引起的模型变（biàn）动（dòng）等等。这些都（dōu）会（huì）严重影响飞行器的飞（fēi）行品质，因此（cǐ）无人（rén）机的控制技术便显（xiǎn）得尤为重要。传统（tǒng）的（de）控制方法主要集（jí）中于姿（zī）态和高度的控制，除（chú）此之外（wài）还有一些（xiē）用（yòng）来控制速度（dù）、位（wèi）置（zhì）、航向、3D轨迹跟踪控制。多旋翼无人（rén）机的控（kòng）制方法可以总（zǒng）结（jié）为以下三个主要（yào）的方面。
一、 线性（xìng）飞行控制（zhì）方（fāng）法（fǎ）
常规的飞行器控制方（fāng）法以及（jí）早期的对飞行器控（kòng）制的尝试都是建立在线（xiàn）性飞行控制理论（lùn）上的，这其中就又有（yǒu）诸如PID、H∞、LQR以及增益调度法（fǎ）。
1.PID PID控制属于传统控制方法，是目前最成功、用（yòng）的最（zuì）广泛的控（kòng）制（zhì）方（fāng）法之（zhī）一。其控制（zhì）方法简单（dān），无需前期建（jiàn）模工作，参数物理意（yì）义明确，适用于飞行精（jīng）度要求不高的控（kòng）制。
2.H∞ H∞属于鲁（lǔ）棒控制的方法。经典的控制理论并不（bú）要（yào）求（qiú）被控（kòng）对象的精确数学模型（xíng）来解决多输入（rù）多输出非线性（xìng）系统问（wèn）题。现代控制理论可以（yǐ）定量地解决多输入多输出非线性系统问题，但（dàn）完全依赖（lài）于描述被控对象的动态特性的（de）数（shù）学（xué）模型。鲁棒控制可以（yǐ）很好解决因干扰等（děng）因素引起（qǐ）的建模误差问题（tí），但它（tā）的（de）计（jì）算（suàn）量（liàng）非常大（dà），依赖于高性能的处理器，同（tóng）时，由于是频域（yù）设计方法，调参也相对困（kùn）难。
3.LQR LQR是被运用来控制无人机的比较成功的方法（fǎ）之一，其对象（xiàng）是（shì）能用状态空间表达式表示的线性系统（tǒng），目标函（hán）数（shù）为是状态变量（liàng）或控制变量的（de）二（èr）次函数的积分。而且Matlab软件的使用为（wéi）LQR的控制方法提供（gòng）了良好的仿（fǎng）真条件，更为工程实现（xiàn）提供了便利（lì）。
4.增益调度法（fǎ） 增益调度（Gain scheduling）即在系（xì）统运行时，调度变（biàn）量的变化（huà）导致控（kòng）制器（qì）的参数（shù）随（suí）着改变，根据调（diào）度变（biàn）量使系统（tǒng）以不（bú）同（tóng）的控制规律在（zài）不同的区域内运（yùn）行，以解决系统非线性（xìng）的问题。该算法由（yóu）两大部分（fèn）组成，第（dì）一部（bù）分（fèn）主要（yào）完（wán）成事件（jiàn）驱动，实现参数调整。 如果系统的运行情况（kuàng）改变（biàn），则可通过该部分来（lái）识别并切换模态；第二（èr）部分（fèn）为误差驱动（dòng），其控制（zhì）功能由选（xuǎn）定的（de）模态来实现。该（gāi）控制方法在旋翼（yì）无人机的（de）垂直起降、定点悬停及路（lù）径跟踪（zōng）等控制上有着优异（yì）的性能（néng）。
二（èr）、 基（jī）于学习的（de）飞行控制方（fāng）法
基于学习（xí）的飞行控制方法的特（tè）点（diǎn）就是无需了解飞行器的动力学模（mó）型（xíng），只（zhī）要一些飞（fēi）行试验（yàn）和飞（fēi）行数据。其中研究最热门的有模糊控（kòng）制方法（fǎ）、基于人体学习的方法以及神经网络法。
1.模（mó）糊（hú）控制方法（Fuzzy logic）模糊（hú）控制是解决（jué）模型不确定性的方法（fǎ）之一，在（zài）模型未知（zhī）的情况下来实现对无人机的控制。
2.基于人体学习的（de）方法（fǎ）（Human-based learning） 美国MIT的科研人（rén）员为了寻（xún）找能更好地控制小（xiǎo）型无人飞行器的控制方法，从参加军（jun1）事演习进行特技飞行的飞机中采集（jí）数据，分析飞行员对不（bú）同情（qíng）况下飞机的操作，从而更好地（dì）理（lǐ）解无人（rén）机的输入序列和反（fǎn）馈机制。这种方（fāng）法已经被（bèi）运用到小型无人机的（de）自主飞（fēi）行中。
3.神经网络法（fǎ）（Neural networks） 经典PID控制（zhì）结构简（jiǎn）单、使用方便、易于（yú）实现, 但当被（bèi）控对象具（jù）有复（fù）杂的非线性特性、难以建立精确的数学模型时，往（wǎng）往难以达到满意的控制效果。神经网络自适应控（kòng）制技术能有效地实（shí）现多种不确定的（de）、难以确切（qiē）描述的非线（xiàn）性复杂过程的控制（zhì），提高控制系统的鲁棒性、容错（cuò）性，且控制（zhì）参数具有自适应和自学习能力。
三、 基（jī）于模型的非（fēi）线（xiàn）性控制方（fāng）法（fǎ）
为了（le）克服某（mǒu）些线（xiàn）性控制方法的限制，一些非（fēi）线（xiàn）性的控制方法被（bèi）提出（chū）并且（qiě）被（bèi）运用到飞行（háng）器的控制（zhì）中（zhōng）。这些（xiē）非线性的（de）控制方法通（tōng）常可（kě）以归类（lèi）为基于（yú）模型（xíng）的非线性（xìng）控制方法。这其中有反馈线（xiàn）性化、模型预测控制、多饱和（hé）控制、反步（bù）法以及自适应控制。
1.反馈线性化（huà）（feedback linearization） 反馈线性化是非线性系统（tǒng）常用的一种方法。它（tā）利用数学（xué）变换的（de）方法和微分几何（hé）学的知识，首（shǒu）先（xiān），将状态（tài）和控制（zhì）变（biàn）量转变为线性形式，然后，利用（yòng）常规（guī）的线性设计的方法进行（háng）设计（jì），最后，将设（shè）计的结（jié）果通过反变换，转换为（wéi）原始的状态和控制形式。反馈（kuì）线性化（huà）理论有两个重要分（fèn）支：微分几何法（fǎ）和动（dòng）态逆法，其中动态逆方法较微分几（jǐ）何法（fǎ）具有简单的推（tuī）算特点，因此（cǐ）更适合用在飞行控制系统的设计上（shàng）。但是（shì），动态（tài）逆方法需要相当精确（què）的飞行器的模型（xíng），这（zhè）在实（shí）际情况中是十分困难的（de）。此外，由于系统建（jiàn）模误差，加上（shàng）外界的（de）各种干扰，因此，设（shè）计时要（yào）重点考虑（lǜ）鲁棒性的因素。动态逆的方法有一定的工程应用前景，现已成为飞控研究领（lǐng）域的一个热点话（huà）题。
2.模型预测控（kòng）制（model predictive control）模型预测控制是一类特殊的（de）控制方法（fǎ）。它是通过在每（měi）一个（gè）采（cǎi）样（yàng）瞬间求解一个有（yǒu）限时域开环的最优控制问题获得当前控制动（dòng）作。最优控制（zhì）问题的初始状态为过程的当前状（zhuàng）态，解（jiě）得的（de）最优控（kòng）制序列只施加在第一个（gè）控制作用上，这（zhè）是它和那些预先计算控制律的算（suàn）法的最大区别。本质上看模型预测控制（zhì）是求解一个开环最优控制（zhì）的问题，它与具（jù）体的模型无关，但是实现（xiàn）则与（yǔ）模型相关。
3.多饱和控（kòng）制（nested saturation）饱和现象是（shì）一种非常（cháng）普遍的物理现（xiàn）象，存（cún）在于大量的工（gōng）程问题中。运用多饱和（hé）控制的方法设计多旋翼无人机（jī），可以解决（jué）其它控（kòng）制方法（fǎ）所不能解决的很多实际的问（wèn）题。尤其是对于微（wēi）小型无人机（jī）而言，由于（yú）大（dà）倾（qīng）角（jiǎo）的动作以及外（wài）部干扰（rǎo），致动器会频繁出现饱和。致动器饱和会（huì）限制操作（zuò）的范围并削弱（ruò）控制系统的稳定性。很多（duō）方（fāng）法都已经被用来解决饱和输入的问题（tí），但还没有取得理想的效（xiào）果。多饱和控制在控制（zhì）饱和输入方（fāng）面有（yǒu）着很好的全局稳（wěn）定性，因（yīn）此这种方法常用来控制（zhì）微型无人机（jī）的稳（wěn）定性。
4.反步（bù）控制（Backstepping）反步（bù）控制是非线性系统控（kòng）制器设计（jì）最常用的方法之一，比（bǐ）较适合用来进行（háng）在（zài）线控制，能够减少在线计算（suàn）的时（shí）间。基（jī）于Backstepping的控制器（qì）设（shè）计方法，其基本思路是将复（fù）杂的系统分（fèn）解成不（bú）超过系（xì）统阶数的多个（gè）子（zǐ）系统，然后通（tōng）过反向递推为每个子系（xì）统设计（jì）部分李雅普诺夫（fū）函数和中间虚拟控制（zhì）量，直至设计完（wán）成整个控制器。反步方法运用于飞控系统控（kòng）制器的设计（jì）可以处理一类（lèi）非线性、不确定性因素的影响，而且（qiě）已经被（bèi）证明具有比（bǐ）较（jiào）好（hǎo）稳定性及误差的收敛性。
5.自适应控制(adaptive control) 自适应（yīng）控制也是一（yī）种基于数学模型的控制方法，它最（zuì）大（dà）的特点就是对于系统内部模型和外部扰动的信息依赖比（bǐ）较少，与模（mó）型相关的信（xìn）息是（shì）在运（yùn）行系（xì）统的过（guò）程中不（bú）断获取的，逐步地使模型趋（qū）于完善。随着模型（xíng）的不断（duàn）改善，由模型得到的控（kòng）制作用也会跟（gēn）着改（gǎi）进（jìn），因此控制系统具有一（yī）定（dìng）的适（shì）应能力。但同时，自适应控制比（bǐ）常规（guī）反馈控制要复杂，成本也（yě）很高，因此（cǐ）只是在用（yòng）常（cháng）规反馈达不到所期望的（de）性能时（shí），才会考（kǎo）虑采用自适应的方（fāng）法。
咨询航（háng）拍服务可（kě）加（jiā）昆明俊鹰（yīng）无人（rén）机飞控手老（lǎo）鹰（yīng）的微信laoyingfly |
