四旋翼飛行器飛行控制技術(shù)綜述

姚博譽 路平 楊森 季近健

摘?要：四旋翼飛行器是無人飛行器的代表之一，因其成本低、性能優(yōu)越，被廣泛應(yīng)用于軍用和民用領(lǐng)域，本文針對四旋翼飛行控制技術(shù)進行綜述。首先，通過分析四旋翼飛行器的控制特性，指出了飛行控制設(shè)計環(huán)節(jié)存在的難點。結(jié)合飛行控制技術(shù)研究現(xiàn)狀，分析了幾種常用控制方法的特點。最后，討論了未來四旋翼飛行控制技術(shù)的發(fā)展趨勢，以求為相關(guān)領(lǐng)域研究人員提供參考。

關(guān)鍵詞：無人飛行器;四旋翼飛行器;飛行控制;自主飛行;編隊飛行

中圖分類號：TJ765;V279?文獻標識碼：A?文章編號：1673-5048（2020）01-0009-08

0?引言

無人飛行器（Unmanned Aerial Vehicle，UAV）是由遙控或地面站遠程控制或由機載計算機自主操控的飛行器。作為無人飛行器的代表，四旋翼飛行器可搭載相應(yīng)任務(wù)設(shè)備實現(xiàn)不同功能，已被廣泛應(yīng)用于偵察打擊、毀傷評估、農(nóng)情巡檢、快遞運輸、編隊表演等軍用、民用領(lǐng)域[1-2]。

1907年，世界上第一架四旋翼飛行器問世[3]，其結(jié)構(gòu)外形如圖1所示。限于當時的科技水平，四旋翼的價值未能被充分挖掘。近十幾年來，得益于微機電系統(tǒng)、新型材料和控制技術(shù)的不斷發(fā)展[4]，四旋翼飛行器向輕量化、微小型化、多用途化發(fā)展，其應(yīng)用價值和研究價值得以彰顯。

目前，雖然四旋翼飛行器憑借成本低、性能好的優(yōu)勢已普遍存在于市場，但其技術(shù)方面仍有亟待攻克的難題。本文在分析四旋翼飛行器飛行控制系統(tǒng)特性的基礎(chǔ)上，綜述了當前國內(nèi)外現(xiàn)有的四旋翼飛行控制技術(shù)的現(xiàn)狀，并指出未來四旋翼飛行控制技術(shù)的發(fā)展趨勢。

1?四旋翼飛行器的基本結(jié)構(gòu)

四旋翼飛行器的機身結(jié)構(gòu)交叉分布，四個螺旋槳分別架設(shè)于四個頂端，每個螺旋槳由一個電機控制，如“大疆御”Mavic pro四旋翼，如圖2所示。

四旋翼常見的結(jié)構(gòu)有十字型和X型，如圖3所示，兩種結(jié)構(gòu)的工作原理一致。以十字型四旋翼為例，電機1，3帶動螺旋槳沿逆時針方向旋轉(zhuǎn)，電機2，4帶動螺旋槳沿順時針方向旋轉(zhuǎn)，以此來產(chǎn)生相應(yīng)的升力并平衡旋翼旋轉(zhuǎn)時產(chǎn)生的反扭力矩。飛行控制系統(tǒng)通過調(diào)節(jié)四個電機的轉(zhuǎn)速，即可對四旋翼完成垂直、俯仰、橫滾和偏航等飛行控制。

與傳統(tǒng)旋翼飛行器相比，四旋翼飛行器結(jié)構(gòu)緊湊，飛行性能優(yōu)越，可作為良好的空中任務(wù)平臺應(yīng)用于很多領(lǐng)域。其優(yōu)勢主要表現(xiàn)在以下幾個方面：①尺寸小、重量輕，飛行安全性高，使用空間環(huán)境限制小，適合在城市隧道、室內(nèi)等近地空間使用;②控制簡單，具有良好的機動性，能夠快速進行姿態(tài)調(diào)整，完成難度較高機動動作;③機身結(jié)構(gòu)緊湊，動力系統(tǒng)效率高，有效負載大，能搭載多種任務(wù)設(shè)備實現(xiàn)不同的功能用途;④結(jié)構(gòu)布局對稱，生產(chǎn)成本低，便于組裝拆卸，易于維護保養(yǎng)。

2?四旋翼的飛行控制特性

雖然當前四旋翼飛行器已在市場上廣泛應(yīng)用，國內(nèi)外學(xué)者也對四旋翼的控制技術(shù)進行了諸多研究，但在實際的飛行控制設(shè)計中，仍存在以下難題：

（1）難以建立精確模型。首先，四旋翼飛行器本身存在結(jié)構(gòu)誤差，且結(jié)構(gòu)易發(fā)生形變，導(dǎo)致建模不精確;其次，微小型四旋翼飛行器的建模需要充分考慮低雷諾數(shù)下旋翼的升力特性和阻力特性[5]，以及不同飛行狀態(tài)下旋翼的空氣動力特性[6]。建立精確的四旋翼模型時面臨的復(fù)雜性和外界影響因素，對控制系統(tǒng)的魯棒性和模型弱相關(guān)性提出了要求。

（2）四旋翼飛行器是一種非線性、強耦合、欠驅(qū)動、時變的被控對象。四旋翼飛行器通過調(diào)節(jié)四個電機的轉(zhuǎn)速能夠改變六個自由度狀態(tài)，即質(zhì)心平移時的三個線自由度以及繞質(zhì)心旋轉(zhuǎn)時的三個角自由度。因此，四旋翼飛行器是一個典型的欠驅(qū)動系統(tǒng)，需要四個輸入量（電機轉(zhuǎn)速）控制六個自由度的輸出，其輸出量之間具有高度耦合的關(guān)系。在設(shè)計飛行控制系統(tǒng)時，必須充分考慮飛行器是具有不可積分約束的本質(zhì)非線性系統(tǒng)[7]，并保證控制系統(tǒng)具有良好的解耦控制能力。

（3）易受內(nèi)在因素和外界因素干擾。四旋翼飛行器尺寸小、重量輕，易受電機高速旋轉(zhuǎn)時的振動影響。當四旋翼在空中飛行時，會受到氣流變化等外界擾動影響，并且大部分四旋翼飛行器的旋翼都采用柔性材料，在陣風(fēng)作用下旋翼發(fā)生形變會改變其原有氣動特性。因此，控制系統(tǒng)設(shè)計時，需要充分考慮干擾四旋翼飛行器的因素，深入分析四旋翼在干擾環(huán)境下的飛行力學(xué)特性，進而對不同擾動采取針對性的控制方法。

3?四旋翼飛行控制技術(shù)綜述

四旋翼獨特的結(jié)構(gòu)布局和飛行控制特性使得控制系統(tǒng)的設(shè)計變得較為復(fù)雜，尋找一種有效可靠的控制算法是國內(nèi)外研究人員的不懈追求。四旋翼飛行控制技術(shù)可分成經(jīng)典PID控制、線性控制、非線性控制、智能控制以及其他控制。

3.1?經(jīng)典PID控制

比例-積分-微分（Proportion Integration Differentiation，PID）控制原理簡單，只需根據(jù)系統(tǒng)誤差進行負反饋，技術(shù)成熟且易于工程實現(xiàn)，已大量應(yīng)用于四旋翼飛行控制的工程實踐。圖4所示為四旋翼俯仰通道的PID控制器基本結(jié)構(gòu)。

然而，經(jīng)典PID控制忽略了系統(tǒng)中的非線性因素，其解耦能力和抗干擾性能存在缺陷，并且人工整定PID參數(shù)復(fù)雜繁瑣，限制了其控制性能的提高。為突破PID控制的局限性，研究人員利用先進控制技術(shù)改進PID控制，并將其應(yīng)用到四旋翼飛行控制中。針對人工整定PID參數(shù)繁瑣低效的問題，王洪軍等人采用基于交叉因子的粒子群算法，將PID參數(shù)作為粒子，在每次迭代中，篩選產(chǎn)生適應(yīng)度好的下一代粒子群，進而優(yōu)化控制器參數(shù)[8]。該文雖提出了有效參數(shù)整定方法，但忽略了四旋翼飛行器中非線性因素的影響，導(dǎo)致系統(tǒng)抗干擾性不足。Ibrahim I N和Al Akkad M A分析了飛行器存在的內(nèi)外擾動因素，并建立了能夠影響飛行器動力學(xué)所有參數(shù)的四旋翼非線性時變模型，而后基于該模型設(shè)計了模糊PID控制器，不僅優(yōu)化了控制系統(tǒng)的參數(shù)整定過程，而且提高了控制系統(tǒng)的抗干擾性[9]。

3.2?線性控制

線性控制理論是現(xiàn)代控制理論的基石，其在系統(tǒng)分析和控制器設(shè)計方面技術(shù)相對完備。線性控制器的設(shè)計思想是將四旋翼的數(shù)學(xué)模型在工作點上做線性化處理，利用得到的線性模型設(shè)計控制器。在各種應(yīng)用于四旋翼的線性控制中，LQR控制和H∞控制最具代表性。

3.2.1?LQR控制

線性二次調(diào)節(jié)器（Linear Quadratic Regulator，LQR）控制是基于模型的最優(yōu)控制方法，其被控對象是由狀態(tài)空間方程構(gòu)建的線性系統(tǒng)，是目標函數(shù)的狀態(tài)參數(shù)和控制參數(shù)的二次型函數(shù)積分，且控制律與狀態(tài)參數(shù)呈線性關(guān)系。該方法易于構(gòu)成閉環(huán)系統(tǒng)最優(yōu)控制，方法簡單便于實現(xiàn)。然而傳統(tǒng)的LQR控制在得到線性化模型的過程中，會丟失模型的非線性特性，降低控制系統(tǒng)魯棒性。為克服這一缺陷，劉昌龍引入狀態(tài)擴張觀測器，在捕獲四旋翼狀態(tài)的同時，估計模型內(nèi)外擾動，并補償?shù)絃QR控制器中[10]。LQR控制的另一個問題在于適應(yīng)范圍小，僅能在工作點附近實現(xiàn)最優(yōu)控制。為此，劉麗麗等人提出一種帶外生變量的自回歸模型（Auto Regressive Model with Exogenous Variable，ARX），用以描述四旋翼在不同飛行狀態(tài)下的模型，并針對不同模型設(shè)計了自適應(yīng)LQR控制器，擴展了LQR控制器的適應(yīng)范圍[11]。

3.2.2?H∞控制

H∞控制是另一種應(yīng)用于四旋翼飛行器的線性控制技術(shù)。該方法利用特定傳遞函數(shù)矩陣H∞范數(shù)表述控制系統(tǒng)的性能指標，克服了系統(tǒng)的不確定性，因而特別適用于四旋翼這類存在不確定擾動、模型動態(tài)不穩(wěn)的非線性系統(tǒng)。為降低模型不確定性對四旋翼系統(tǒng)穩(wěn)定和性能的影響，丁鎖輝引入H∞回路成形方法設(shè)計控制器，以提高飛行控制系統(tǒng)的魯棒性，并在仿真平臺驗證了該控制器的良好性能[12]。但是，H∞控制求解過程復(fù)雜，工程實現(xiàn)困難。為解決這一問題，Emam M等人借助線性矩陣不等式（Linear Matrix Inequality，LMI）方法，規(guī)避在H∞狀態(tài)反饋控制中求解Riccati方程時遇到的參數(shù)預(yù)調(diào)整問題，簡化了運算過程[13]。與LQR控制相似，傳統(tǒng)的H∞控制也是基于線性模型構(gòu)建的，因而其適應(yīng)范圍有限。為擴展H∞控制的適應(yīng)范圍，郭學(xué)強選取了多組四旋翼姿態(tài)角的工作點，而后給定誤差約束條件，篩選出有效工作點分別建立子系統(tǒng)模型以及相應(yīng)的H∞控制器，進而采用切換型多模型自適應(yīng)控制進行統(tǒng)一管理[14]。

3.3?非線性控制

實際的四旋翼系統(tǒng)是典型的非線性系統(tǒng)，而線性控制往往建立在線性化的四旋翼模型上，限制了控制系統(tǒng)性能提高。因此，越來越多的研究人員將目光轉(zhuǎn)向了非線性控制。當前應(yīng)用于四旋翼系統(tǒng)的非線性控制主要包括反饋線性化控制、滑?？刂坪头床椒刂?。

3.3.1?反饋線性化控制

反饋線性化控制（Feedback Linearization Control）是廣泛應(yīng)用于四旋翼飛行控制中的非線性控制方法。該方法基于系統(tǒng)狀態(tài)反饋，獲取系統(tǒng)的輸入輸出線性關(guān)系，而后利用線性控制理論設(shè)計控制器。相比于線性控制，反饋線性化控制的優(yōu)勢在于幫助線性模型脫離工作點狀態(tài)的束縛。Yang Sen等人基于局部線性化的四旋翼模型，設(shè)計了反饋線性化控制，實現(xiàn)了仿真模型的軌跡跟蹤控制[15]。由于反饋線性化控制依賴精確的系統(tǒng)模型，其魯棒性和抗干擾性較弱，當系統(tǒng)受不確定性和干擾影響時，控制性能會下降。因此，Rosales C等人引入神經(jīng)自適應(yīng)補償器（Neuro Adaptive Compensation，NAC），以克服四旋翼模型不確定性對反饋線性控制器的不良影響，提高了控制系統(tǒng)魯棒性[16]。

3.3.2?滑?？刂?/p>

滑?？刂疲⊿liding Mode Control，SMC）是一種變結(jié)構(gòu)非線性控制方法，其控制思想是根據(jù)系統(tǒng)當前狀態(tài)改變系統(tǒng)內(nèi)部反饋控制結(jié)構(gòu)，使系統(tǒng)狀態(tài)在滑模面上滑動，并最終達到平衡點。與反饋線性化控制相比，該方法不依賴精確模型，有效規(guī)避了環(huán)境干擾影響，具有更好的魯棒性。Wang Haoping等人設(shè)計了基于無模型智能PD控制器，規(guī)避了系統(tǒng)模型誤差，但系統(tǒng)仍存在不定性動態(tài)估計誤差，因此Wang Haoping等人又提出了一種基于無模型的滑?？刂疲苑€(wěn)定四旋翼軌跡跟蹤[17]?；？刂频膬?yōu)勢明顯，卻存在著伴生抖振的缺陷。為克服這點缺陷，Mirzaei M等人設(shè)計了一種基于Lyapunov函數(shù)和Barbalat引理的在線自適應(yīng)調(diào)節(jié)算法，減少了滑?？刂浦械亩墩瘳F(xiàn)象，保證了系統(tǒng)的穩(wěn)定性[18]。

3.3.3?反步法控制

反步法控制（Back-Stepping Control）的設(shè)計思想是將非線性系統(tǒng)分解成若干子系統(tǒng)，而后從輸出端到輸入端設(shè)計各子系統(tǒng)，構(gòu)造Lyapunov函數(shù)并選取虛擬中間量，最后回退整合子系統(tǒng)到完整的系統(tǒng)。該方法適用于具有嚴格反饋控制結(jié)構(gòu)的系統(tǒng)，具有良好的無超調(diào)跟蹤性能。

由于反步法控制依賴于系統(tǒng)模型的先驗信息，因此模型誤差對控制精度影響較大。Fouad Y等人采用粒子群算法優(yōu)化積分反步法控制參數(shù)整定，削弱了模型誤差的影響，但是忽略了四旋翼在不同運動狀態(tài)下的差異[19]。滕雄等人針對四旋翼平移和旋轉(zhuǎn)運動，運用Newton-Euler方程建立不同的動力學(xué)模型，提高了建模精度，而后將飛行控制系統(tǒng)拆解成高度、俯仰、滾轉(zhuǎn)、偏航四個子系統(tǒng)，采用傳統(tǒng)反步法，以犧牲跟蹤精度為代價，簡化了控制器結(jié)構(gòu)[20]。四旋翼控制系統(tǒng)會受到環(huán)境干擾和系統(tǒng)參數(shù)攝動的影響，為此竇立謙等人采用擴張狀態(tài)觀測器（Extended State Observer，ESO）對干擾進行實時估計，并實時調(diào)節(jié)控制律，同時將動態(tài)面策略引入反步控制，提高了控制系統(tǒng)的弱模型相關(guān)性以及系統(tǒng)的魯棒性[21]。

3.4?智能控制

智能控制主要包括神經(jīng)網(wǎng)絡(luò)控制、模糊邏輯控制、迭代學(xué)習(xí)控制等弱模型相關(guān)性的控制技術(shù)。智能控制降低了系統(tǒng)對模型精度的依賴性，具有一定的自適應(yīng)性。

3.4.1?神經(jīng)網(wǎng)絡(luò)控制

神經(jīng)網(wǎng)絡(luò)控制（Neural Network Control，NNC）將神經(jīng)網(wǎng)絡(luò)這一工具應(yīng)用于控制系統(tǒng)中，對難以精確建模的系統(tǒng)進行在線估計，并將估計量用于前饋控制。圖5所示為單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中，輸入層節(jié)點接收系統(tǒng)誤差、環(huán)境干擾等信息并傳遞給隱層節(jié)點處理，而后通過輸出層節(jié)點反饋估計信息。如Efe M O在PID控制器的基礎(chǔ)上，引入神經(jīng)網(wǎng)絡(luò)控制，對四旋翼動力學(xué)模型中忽略的模型失配、氣流擾動、測量噪聲以及電氣變量（如電池損耗）等干擾因素進行在線估計，并將神經(jīng)網(wǎng)絡(luò)輸出的反饋信息實時補償?shù)絇ID控制器[22]。

Chen Yanmin等人進一步分析了近地飛行的四旋翼所受到的風(fēng)擾因素，判斷出擾動主要源于湍流氣流，而后利用德萊頓（Dryden）模型建立湍流風(fēng)場，利用反向傳播方法在線訓(xùn)練神經(jīng)網(wǎng)絡(luò)PID控制器，提高了四旋翼系統(tǒng)的抗風(fēng)性能[23]。

3.4.2?模糊邏輯控制

模糊邏輯控制（Fuzzy Logic Control，F(xiàn)LC）采用模糊數(shù)學(xué)描述控制器，簡化了控制系統(tǒng)的設(shè)計，具有不依賴系統(tǒng)精確模型、抗干擾性強、適應(yīng)性強等特點。針對傳統(tǒng)四旋翼PID控制器抗干擾能力不足的問題，文獻[9]設(shè)計了模糊PID控制，該控制器利用模糊邏輯控制補償系統(tǒng)不確定性擾動，優(yōu)化了PID控制參數(shù)。Mehranpour M R等人定義了模糊規(guī)則和隸屬函數(shù)的范圍，優(yōu)化了控制器參數(shù)整定環(huán)節(jié)，并提高了控制器對飛行器模型變化的適應(yīng)性[24]。針對四旋翼欠驅(qū)動的控制特性，楊立本等人采用自適應(yīng)模糊控制估計系統(tǒng)非線性變量和系統(tǒng)擾動，以克服傳統(tǒng)反演控制中存在的控制器設(shè)計復(fù)雜、抗干擾性差等缺陷[25]。

3.4.3?迭代學(xué)習(xí)控制

迭代學(xué)習(xí)控制（Iterative Learning Control，ILC）是智能控制的一個重要分支，其控制概念由日本學(xué)者Arimoto S等人提出[26]，該方法針對具有某種重復(fù)運動性質(zhì)的被控對象，能夠利用系統(tǒng)先驗數(shù)據(jù)調(diào)節(jié)控制輸入，達到理想的控制效果。De Crousaz C等人在四旋翼航跡上設(shè)定姿態(tài)時間函數(shù)，并提供理想的機動方式，而后采用迭代學(xué)習(xí)最優(yōu)控制，重復(fù)訓(xùn)練四旋翼飛行控制器以提高跟蹤控制效果，最終成功控制四旋翼實現(xiàn)了穿越狹窗飛行[27]。除實現(xiàn)四旋翼訓(xùn)練跟蹤特定軌跡外，迭代學(xué)習(xí)控制還可用于消除系統(tǒng)模型中重復(fù)性擾動，如Sferrazza C等人在模型預(yù)測控制中引入迭代學(xué)習(xí)控制，通過連續(xù)實驗提升系統(tǒng)抗干擾性，從而提高四旋翼跟蹤性能[28]。

3.5?其他控制

3.5.1?自適應(yīng)控制

自適應(yīng)控制本質(zhì)是控制系統(tǒng)的修正裝置，一般不獨立存在，而是常與其他控制方法結(jié)合，在調(diào)節(jié)控制器參數(shù)、修正系統(tǒng)狀態(tài)等方面起到輔助作用。自適應(yīng)控制思想是：在系統(tǒng)運行過程中，依據(jù)系統(tǒng)的期望指標以及實時獲取的系統(tǒng)狀態(tài)、參數(shù)和性能，改變控制器的結(jié)構(gòu)、參數(shù)或切換系統(tǒng)模型。自適應(yīng)控制可分為基于模型的控制方法和無模型的控制方法。上文提到多模型自適應(yīng)控制便是基于模型的自適應(yīng)控制，研究人員需要分析四旋翼在不同運動狀態(tài)下的控制特性，并針對每種狀態(tài)建立相應(yīng)的系統(tǒng)模型，在此基礎(chǔ)上引入自適應(yīng)控制，以實現(xiàn)控制系統(tǒng)在不同模型間平滑切換或改變系統(tǒng)參數(shù)[11，14，18];而無模型自適應(yīng)控制則規(guī)避了四旋翼建模困難，如鄭健基于數(shù)據(jù)驅(qū)動控制的方法設(shè)計了四旋翼飛行控制器，其控制關(guān)鍵在于構(gòu)建數(shù)據(jù)與規(guī)則組成的知識庫，進而引導(dǎo)模糊自適應(yīng)控制生成有效控制量[29]。

3.5.2?自抗擾控制

自抗擾控制（Active Disturbance Rejection Control，ADRC）由韓京清提出，是現(xiàn)代控制理論和PID控制技術(shù)結(jié)合的成果，其控制器由跟蹤微分器（Tracking Differentiator，TD）、非線性擴張狀態(tài)觀測器（Nonlinear Extended State Observer，NESO）和非線性狀態(tài)誤差反饋控制律（Nonlinear State Error Feedback，NSEF）組成[30]。以二階自抗擾控制器為例，如圖6所示。其中，跟蹤微分器用于設(shè)計過渡過程，使控制系統(tǒng)在其工作范圍內(nèi)運行;非線性擴張狀態(tài)觀測器實時估計系統(tǒng)總擾動，并對控制器進行前饋補償;非線性狀態(tài)誤差反饋控制律對控制器PID參數(shù)進行合理加權(quán)組合。自抗擾控制吸收并改進了經(jīng)典PID控制，為非線性、強耦合對象的控制問題提供了新的解決方法。

當前，已有很多學(xué)者將自抗擾控制技術(shù)應(yīng)用于四旋翼控制系統(tǒng)中。針對四旋翼控制系統(tǒng)的解耦問題，張婷指出了自抗擾控制器能夠?qū)崿F(xiàn)解耦控制，其設(shè)計的ADRC控制器能夠控制飛行器實現(xiàn)無穩(wěn)態(tài)誤差的懸停以及跟蹤控制[31];針對四旋翼系統(tǒng)存在模型不確定性和外界擾動的問題，為穩(wěn)定四旋翼姿態(tài)控制，竇景欣等人以自抗擾控制器為基礎(chǔ)，結(jié)合基于Lyapunov穩(wěn)定性分析的反步滑?？刂破?，設(shè)計了一種姿態(tài)控制器，其控制效果相比于經(jīng)典自抗擾控制器，具有更好的穩(wěn)定性和動態(tài)性能[32];針對四旋翼控制系統(tǒng)中容易出現(xiàn)的航向通道控制器積分飽和的問題，章志誠采用變速積分的方法改進自抗擾控制器，實現(xiàn)了四旋翼飛行器航向通道的穩(wěn)定控制[33]。

4?飛行控制技術(shù)發(fā)展趨勢

綜上，當前在應(yīng)用領(lǐng)域飛行控制技術(shù)仍以PID控制為主流，其技術(shù)較為成熟，其他先進的控制技術(shù)在飛行控制方面的應(yīng)用呈現(xiàn)多點開花的形勢。隨著軍事領(lǐng)域和民用領(lǐng)域市場需求的發(fā)展，結(jié)合當前四旋翼飛行控制的缺陷可以判斷，四旋翼飛行器的自主化控制技術(shù)和集群化控制技術(shù)將是未來飛行控制技術(shù)的發(fā)展趨勢。

4.1?自主化控制技術(shù)

實現(xiàn)自主控制和智能化是四旋翼發(fā)展的主要方向。自主控制意味著四旋翼在各種環(huán)境中都能發(fā)揮良好性能，實現(xiàn)這個目標需要研究人員在理論研究的基礎(chǔ)上，充分結(jié)合工程實踐，不斷探索性能優(yōu)越的自主控制技術(shù)。目前許多高校和研究機構(gòu)均已建成自己的四旋翼實驗平臺，如斯坦福大學(xué)[34-35]、麻省理工學(xué)院[36-37]、浙江大學(xué)[38-39]、北京航空航天大學(xué)[40]等。

未來智能化的四旋翼不僅要具備自主飛行能力，還需具備自主決策能力，要能夠借助自身搭載的傳感器實時分析周圍環(huán)境，并對環(huán)境中的動態(tài)因素和不確定性因素做出及時判斷和處理，進而實現(xiàn)自主避障、自主航跡規(guī)劃、自主導(dǎo)航等功能。近兩年，許多新的嘗試和探索不斷推動四旋翼智能化的發(fā)展。例如，Ait-Jellal R和Zell A兩人將基于特征的SLAM和直接構(gòu)建的SLAM相結(jié)合，設(shè)計了一種基于關(guān)鍵幀的即時定位與地圖構(gòu)建算法，使控制系統(tǒng)能即時高效地獲取周圍環(huán)境信息，并使用RRT*算法規(guī)劃安全航跡，幫助四旋翼在GPS失效區(qū)域確定自身所處空間位置并實現(xiàn)自主避障飛行[41];為使基于視覺導(dǎo)航的四旋翼連續(xù)穿越位置實時變化的多個目標拱門，如圖7所示，Kaufmann E等人將卷積神經(jīng)網(wǎng)絡(luò)（CNN）與路徑規(guī)劃和四旋翼控制系統(tǒng)相結(jié)合，采取多次實驗訓(xùn)練四旋翼系統(tǒng)處理即時圖像，并生成合理航跡的能力，最終實現(xiàn)了四旋翼在動態(tài)環(huán)境中的自主航跡規(guī)劃以及自主導(dǎo)航飛行[42]。

4.2?集群化控制技術(shù)

集群化控制技術(shù)是指實現(xiàn)多飛行器之間組網(wǎng)編隊，協(xié)同執(zhí)行任務(wù)的控制技術(shù)，在控制策略上可分為集中式和分布式的控制策略。近年來，飛行器集群化控制技術(shù)正在快速發(fā)展。在理論研究方面，程鵬研究了基于Mesh通信網(wǎng)絡(luò)的多個四旋翼分布式編隊控制和協(xié)同避障的問題，實現(xiàn)了多個飛行器之間自組織和協(xié)同控制的功能[38];馬鳴宇等人分析了以往基于特殊正交群SO（3）的編隊協(xié)同控制存在的問題并作出改進，采用SO（3）統(tǒng)一描述飛行器姿態(tài)[40]。在民用領(lǐng)域，早在2013 年，蘇黎世聯(lián)邦理工學(xué)院的Raffaello DAndrea教授便在TED上展示了多個四旋翼協(xié)作拋接小球的能力;再到后來2018年平昌冬季奧運會開幕儀式上，1 218架英特爾公司的Shooting Star無人機用絢麗的編隊燈光表演點亮的夜空，飛行器集群化控制已和人們的生活緊密聯(lián)系。另外，在軍事領(lǐng)域，無人機集群作戰(zhàn)的構(gòu)想已具雛形。為顯著提升小型地面部隊在城市環(huán)境下的作戰(zhàn)效能，美國國防部先進研究項目局（DARPA）于2016年12 月啟動了實施進攻性蜂群戰(zhàn)術(shù)（OFFSET）項目[43]。到目前為止，該項目已完成了兩輪“蜂群沖刺”的快速技術(shù)研發(fā)和集成活動[44]?？梢?，無論是在理論研究方面還是在實際應(yīng)用方面，飛行器集群化控制技術(shù)都體現(xiàn)出重要意義，其巨大價值正在被不斷發(fā)掘。

5?結(jié)?束?語

四旋翼飛行器作為一種高性能、低成本的科學(xué)實驗平臺，涵蓋了結(jié)構(gòu)設(shè)計、氣動力學(xué)、動力能源、微機電技術(shù)、通信技術(shù)、導(dǎo)航與控制等多個學(xué)科，其研究價值和應(yīng)用價值愈發(fā)凸顯。經(jīng)過各國研究人員近幾十年的不懈努力，四旋翼飛行器的飛行控制技術(shù)有了跨越式的發(fā)展，商業(yè)轉(zhuǎn)化也更為成熟，但是當前四旋翼的發(fā)展水平與完全自主飛行仍有差距，克服四旋翼存在的缺陷仍然任重道遠。希望本文能為相關(guān)領(lǐng)域研究人員提供參考，相信四旋翼飛行器在未來定能有更大的進步。

參考文獻：

[1] Kendoul F. Survey of Advances in Guidance，Navigation，and Control of Unmanned Rotorcraft Systems[J]. Journal of Field Robotics，2012，29（2）：315-378.

[2] 代君，管宇峰，任淑紅. 多旋翼無人機研究現(xiàn)狀與發(fā)展趨勢探討[J]. 赤峰學(xué)院學(xué)報：自然科學(xué)版，2016，32（16）：22-24.

Dai Jun，Guan Yufeng，Ren Shuhong. Research Status and Development Trend of MultiRotor UAV[J]. Journal of Chifeng University：Natural Science Edition，2016，32（16）：22-24. （in Chinese）

[3] Leishman J G. The BreguetRichet QuadRotor Helicopter of 1907[J]. AHS International Directory，2001，47（3）：1-60.

[4] 全權(quán). 解密多旋翼發(fā)展進程[J]. 機器人產(chǎn)業(yè)，2015（2）：72-83.

Quan Quan. Decipher the MultiRotor Development Process[J]. Robot Industry，2015（2）：72-83. （in Chinese）

[5] 昂海松，肖天航，鄭祥明. 微型飛行器的低雷諾數(shù)、非定常氣動設(shè)計與分析[J]. 無人系統(tǒng)技術(shù)，2018 （4）：17-32.

Ang Haisong，Xiao Tianhang，Zheng Xiangming. Design and Analysis of Low Reynolds Number and Unsteady Aerodynamic Based on Micro Air Vehicles[J]. Unmanned Systems Technology，2018 （4）：17-32. （in Chinese）

[6] Gill R，DAndrea R. Propeller Thrust and Drag in Forward Flight[C]∥IEEE Conference on Control Technology and Applications （CCTA），Hawaii，2017：73-79.

[7] 黃興宏，徐世杰. 欠驅(qū)動航天器的分段解耦姿態(tài)控制[J]. 宇航學(xué)報，2007，28（3）：531-534.

Huang Xinghong，Xu Shijie. Attitude Control of an Underactuated Spacecraft Based on Piecewise Decoupling Method[J]. Journal of Astronautics，2007，28（3）：531-534. （in Chinese）

[8] 王洪軍，齊曉慧，賈云輝. 改進粒子群算法在四旋翼PID參數(shù)優(yōu)化中的應(yīng)用[J]. 電光與控制，2013（10）：82-86.

Wang Hongjun，Qi Xiaohui，Jia Yunhui. Application of Improved PSO in PID Parameter Optimization of Quadrotor Aircrafts[J]. Electronics Optics & Control，2013（10）：82-86. （in Chinese）

[9] Ibrahim I N，Ai Akkad M A.?Exploiting an Intelligent FuzzyPID System in Nonlinear Aircraft Pitch Control[C]∥2016 International Siberian Conference on Control and Communications （SIBCON），Moscow，2016：1-7.

[10] 劉昌龍. 四旋翼無人機建模與控制問題研究[D]. 武漢：湖北工業(yè)大學(xué)，2016.

Liu Changlong. Research on Modeling and Control for Quadrotor UAV[D]. Wuhan：Hubei University of Technology，2016. （in Chinese）

[11] 劉麗麗，左繼紅. 基于ARX模型四旋翼飛行器的LQR控制方法[J]. 計算機測量與控制，2017，25（8）：68-71.

Liu Lili，Zuo Jihong. LQR Control for a QuadRotor Helicopter Based on ARX Mode[J]. Computer Measurement & Control，2017，25（8）：68-71.（in Chinese）

[12] 丁鎖輝. 基于Backstepping和H∞回路成形方法的微小型四旋翼飛行器控制器設(shè)計[D]. 南京：東南大學(xué)，2016.

Ding Suohui. Quadrotor Controller Design Based on Backstepping and Loop Shaping Theory[D]. Nanjing：Southeast University，2016. （in Chinese）

[13] Emam M，F(xiàn)akharian A. Attitude Tracking of Quadrotor UAV via Mixed H2/H∞Controller：An LMI Based Approach[C]∥24th Mediterranean Conference on Control and Automation （MED），Athens，2016：390-395.

[14] 郭學(xué)強. 基于多模型自適應(yīng)控制的四旋翼飛行器的姿態(tài)控制研究[D]. 北京：中國地質(zhì)大學(xué)，2016.

Guo Xueqiang. Quadrotor Attitude Control Study Based on Multiple Model Adaptive Control[D]. Beijing：China University of Geosciences，2016. （in Chinese）

[15] Yang Sen，Xian Bin. Trajectory Tracking Control Design for the System of a Quadrotor UAV with a Suspended Payload[C]∥ Proceedings of the 36th Chinese Control Conference （CCC），Dalian，2017：777-782.

[16] Rosales C，Soria C，Carelli R，et al. Adaptive Dynamic Control of a Quadrotor for Trajectory Tracking[C]∥ International Conference on Unmanned Aircraft Systems（ICUAS），Miami，2017：143-149.

[17] Wang Haoping，Ye Xuefei，Tian Yang，et al. Attitude Control of a Quadrotor Using Model Free Based Sliding Model Controller[C]∥ 20th International Conference on Control Systems and Computer Science，Bucharest，2015：149-154.

[18] Mirzaei M，Eghtesad M，Alishahi M M. A New Robust Fuzzy Method for Unmanned Flying Vehicle Control[J]. Journal of Central South University，2015，22（6）：2166-2182.

[19] Fouad Y，Bouhalli O，Hamerlain M，et al. PSO Optimization of Integral Backstepping Controller for Quadrotor Attitude Stabilization[C]∥3rd International Conference on Systems and Control（ICSC），Algiers，2013：1-5.

[20] 滕雄，吳懷宇，陳洋，等. 基于反步法的四旋翼飛行器軌跡跟蹤研究[J]. 計算機仿真，2016，33（5）：78-83.

Teng Xiong，Wu Huaiyu，Chen Yang，et al. Trajectory Tracking of QuadRotor Aircrafts Base on Backstepping[J]. Computer Simulation，2016，33（5）：78-83. （in Chinese）

[21] 竇立謙，蘆飛. 基于 ESO 和反步法的四旋翼飛行器軌跡跟蹤控制[J]. 天津大學(xué)學(xué)報：自然科學(xué)與工程技術(shù)版，2017，50（5）：500-506.

Dou Liqian，Lu Fei. Trajectory Tracking Control for Underactuated Quadrotor UAV Based on ESO and Backstepping[J]. Journal of Tianjin University：Science and Technology，2017，50（5）：500-506.（in Chinese）

[22] Efe M O. Neural Network Assisted Computationally Simple PIλDμControl of a Quadrotor UAV[J]. IEEE Transactions on Industrial Informatics，2011，7（2）：354-361.

[23] Chen Yanmin，He Yongling，Zhou Minfeng. Decentralized PID Neural Network Control for a Quadrotor Helicopter Subjected to Wind Disturbance[J]. Journal of Central South University，2015，22（1）：168-179.

[24] Mehranpour M R，Emamgholi O，Shahri A M，et al. A New Fuzzy Adaptive Control for a Quadrotor Flying Robot[C]∥ 13th Iranian Conference on Fuzzy Systems （IFSC），Qazvin，2013：1-5.

[25] 楊立本，章衛(wèi)國，黃得剛，等. 欠驅(qū)動四旋翼飛行器反演模糊自適應(yīng)控制[J]. 西北工業(yè)大學(xué)學(xué)報，2015（3）：495-499.

Yang Liben，Zhang Weiguo，Huang Degang，et al. Adaptive Fuzzy Backstepping Control for Underactuated Quadrotor UAV[J]. Journal of Northwestern Polytechnical University，2015（3）：495-499. （in Chinese）

[26] Arimoto S，Kawamura S，Miyazaki F. Bettering Operation of Robots by Learning[J]. Journal of Robotic Systems，1984，1（2）：123-140.

[27] De Crousaz C，F(xiàn)arshidian F，Neunert M，et al. Unified Motion Control for Dynamic Quadrotor Maneuvers Demonstrated on Slung Load and Rotor Failure Tasks[C]∥ IEEE International Conference on Robotics and Automation （ICRA），Seattle，2015：2223-2229.

[28] Sferrazza C，Muehlebach M，DAndrea R. Trajectory Tracking and Iterative Learning on an Unmanned Aerial Vehicle Using Parametrized Model Predictive Control[C]∥ 2017 IEEE 56th Annual Conference on Decision and Control （CDC），Melbourne，2017：5186-5192.

[29] 鄭健. 基于無模型自適應(yīng)控制方法的四旋翼飛行器姿態(tài)調(diào)整[D]. 北京：北京交通大學(xué)，2015.

Zheng Jian. QuadRotor Aircraft Attitude Adjustment Based on ModelFree Adaptive Control[D]. Beijing：Beijing Jiaotong University，2015. （in Chinese）

[30] 韓京清. 自抗擾控制技術(shù)[M]. 北京：國防工業(yè)出版社，2013：255-261.

Han Jingqing. Active Disturbance Rejection Control Technology[M]. Beijing：National Defense Industry Press，2013：255-261. （in Chinese）

[31] 張婷. 基于ADRC的四旋翼飛行控制器設(shè)計[D]. 沈陽：東北大學(xué)，2013.

Zhang Ting. Controller Design of the QuadRotor Based on ADRC[D]. Shenyang：Northeastern University，2013. （in Chinese）

[32] 竇景欣，孔祥希，聞邦椿. 四旋翼姿態(tài)的反步滑模自抗擾控制及穩(wěn)定性[J]. 東北大學(xué)學(xué)報：自然科學(xué)版，2016，37（10）：1415-1420.

Dou Jingxin，Kong Xiangxi，Wen Bangchun. Backstepping Sliding Mode Active Disturbance Rejection Control of Quadrotor Attitude and Its Stability[J]. Journal of Northeastern University：Natural Science，2016，37（10）：1415-1420. （in Chinese）

[33] 章志誠. 基于ADRC的四旋翼飛行器自主避障控制系統(tǒng)研究[D]. 杭州：浙江大學(xué)，2017.

Zhang Zhicheng. Research on Autonomous Obstacle Avoidance of Quadrotor System Based on ADRC[D]. Hangzhou：Zhejiang University，2017. （in Chinese）

[34] Wang Z J，Singh S，Pavone M，et al. Cooperative Object Transport in 3D with Multiple Quadrotors Using No Peer Communication[C]∥ IEEE International Conference on Robotics and Automation （ICRA），Brisbane，2018：1064-1071.

[35] Cristofalo E，Montijano E，Schwager M. VisionBased Control for Fast 3D Reconstruction with an Aerial Robot[J]. IEEE Transactions on Control Systems Technology，2019（99）：1-14.

[36] Lopez B T，Slotine JJ，How J P. Robust Collision Avoidance via Sliding Control[C]∥IEEE International Conference on Robotics and Automation （ICRA），Brisbane，2018：2962-2969.

[37] Tal E，Karaman S. Accurate Tracking of Aggressive Quadrotor Trajectories Using Incremental Nonlinear Dynamic Inversion and Differential Flatness[C]∥IEEE Conference on Decision and Control （CDC），Miami Beach，2018：4282-4288.

[38] 程鵬. 基于Mesh通信網(wǎng)絡(luò)的四旋翼編隊控制平臺研究與實現(xiàn)[D]. 杭州：浙江大學(xué)，2017.

Cheng Peng. On the Study of a MultiQuadrotor Formation Platform Based on Mesh Communication Networks[D]. Hangzhou：Zhejiang University，2017. （in Chinese）

[39] 茹祥宇. 基于四旋翼飛行器平臺多傳感器融合的位姿估計方法研究[D]. 杭州：浙江大學(xué)，2018.

Ru Xiangyu. Pose Estimation of MultiSensor Fusion for Quadrotor Systems[D]. Hangzhou：Zhejiang University，2018. （in Chinese）

[40] 馬鳴宇，董朝陽，馬思遷，等. 基于SO（3）的多四旋翼無人機編隊協(xié)同控制[J]. 控制理論與應(yīng)用，2018，35（9）：1229-1238.

Ma Mingyu，Dong Chaoyang，Ma Siqian，et al. Coordinated Control of Multiple Quadrotors Formation on SO（3）[J]. Control Theory & Applications，2018，35（9）：1229-1238. （in Chinese）

[41] AitJellal R，Zell A. Outdoor Obstacle Avoidance Based on Hybrid Visual Stereo SLAM for an Autonomous Quadrotor MAV[C]∥European Conference on Mobile Robots （ECMR），Paris，2017：1-8.

[42] Kaufmann E，Loquercio A，Ranftl R，et al. Deep Drone Racing：Learning Agile Flight in Dynamic Environments [C]∥ Conference on Robot Learning （CORL），Zurich，2018.

[43] Mike Rees. DARPA Launches OFFSET Swarm Tactics Program for Unmanned Vehicles[EB/OL]. （2016-12-14）[2019-03-26].https：∥www.unmannedsystemstechnology. com/2016/12/darpalaunchesoffsetswarm tacticsprogramunmannedvehicles/.

[44] 袁成，鄭宇. 2018 年國外先進軍用航空技術(shù)研究進展綜述[J]. 飛航導(dǎo)彈，2019（4）：22-28.

Yuan Cheng，Zheng Yu. A Summary of the Research Progress of Foreign Advanced Military Aviation Technology in 2018[J]. Aerodynamic Missile Journal，2019（4）：22-28. （in Chinese）