💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
一、四旋翼飞行器的基本组成与结构
现在已经生成了基本的运动方程，可以形成Simulink植物模型了。此部分的MATLAB脚本和Simulink模型可以在名为“Basic_Simulink_Model”的文件夹中找到。首先，需要创建一个定义惯性矩、转子惯性、长度、质量、推力和阻力系数的基本脚本。然后创建Simulink模型。从一个空的Simulink块图开始，首先定义求解器选项。在Simulink的顶部工具栏上，点击Simulation，然后选择Model Configuration Parameters。在求解器选项下，确保类型为可变步长，求解器设置为自动。现在可以定义一个名为“四旋翼植物”的子系统。该子系统有4个输入（Ω1，Ω2，Ω3，Ω4）和6个输出（X，Y，Z，滚动，俯仰，偏航）。此时，模型应该看起来像下面的图2.17和2.18。
详细讲解见第4部分。
1. 结构形式
- 布局类型：主要有“X”形和“十”字形两种。其中“X”形布局因机动性更高且控制算法更灵活而被广泛应用。
- 旋翼配置：四个旋翼对称分布于机架端部，相邻旋翼旋转方向相反（如1、3号逆时针，2、4号顺时针），以抵消反扭矩效应。
2. 核心组件
- 机架：由中心板、机臂和脚架构成，需满足轻量化（碳纤维、PA66+30GF材料）与高强度要求。机臂直接承载电机和螺旋桨，受力复杂。
- 动力系统：
- 电机：无刷电机因高效率和耐用性成为主流，通过电子调速器（电调）调节转速。
- 桨叶：材质包括尼龙、碳纤维和木桨，影响升力与稳定性。
- 电池：多为锂聚合物电池，提供系统电力。
- 主控系统：
- 传感器：陀螺仪、加速度计（如MPU6050）、磁强计（HMC5883）和气压计（BMP180）用于姿态检测；激光测距和GPS模块辅助定位。
- 微控制器（如STM32）：处理传感器数据并输出控制指令，实现姿态稳定。
- 传感器：陀螺仪、加速度计（如MPU6050）、磁强计（HMC5883）和气压计（BMP180）用于姿态检测；激光测距和GPS模块辅助定位。
- 遥控系统：通过无线模块（如NRF24L01）接收指令，AD采集模块转换信号。
二、动力学模型建立方法
1. 基本假设
- 飞行器为刚体且质量分布对称，几何中心与质心重合。
- 仅受重力与螺旋桨拉力作用，忽略空气阻力及陀螺效应（部分模型）。
2. 坐标系定义
- 地球坐标系（惯性系）：固定于地面，用于描述飞行器的绝对位置。
- 机体坐标系：固连于飞行器质心，用于分析姿态与局部运动。
3. 数学模型推导
4. 模型优化
- 改进模型考虑角加速度与切向力影响，提高机动状态下的精度。
三、控制策略与算法
1. 经典控制方法
- PID控制：通过比例、积分、微分环节调节误差，广泛用于姿态稳定。但参数整定困难，动态响应较慢。
- 滑模控制：鲁棒性强，适用于抗干扰场景。通过设计滑模面实现快速收敛，但存在抖振问题。
2. 智能控制方法
- 模糊PID：结合模糊规则动态调整PID参数，提升响应速度与抗干扰能力。
- 神经模糊PID：引入神经网络自学习能力，进一步优化控制精度，超调量减少约30%。
- 强化学习（如DDPG、PPO）：通过环境交互优化控制策略，适应复杂任务（如抗风扰、负载变化）。
3. 控制效果对比
| 算法类型 | 响应速度 | 抗干扰性 | 参数依赖性 | 适用场景 |
|---|---|---|---|---|
| 传统PID | 中等 | 弱 | 高 | 基础姿态控制 |
| 滑模控制 | 快 | 强 | 低 | 高扰动环境 |
| 神经模糊PID | 快 | 强 | 中 | 高精度跟踪 |
| 强化学习 | 自适应 | 极强 | 低 | 复杂动态任务 |
四、传感器与执行器配置
1. 传感器系统
- 姿态检测：MPU6050（三轴陀螺仪+加速度计）融合数据输出欧拉角，HMC5883磁强计辅助偏航角校准。
- 定位与导航：BMP180气压计测量高度，GPS模块（如BS-280）提供经纬度坐标，超声波传感器用于近地定高。
- 环境感知：激光测距模块与相机扩展避障与视觉导航功能。
2. 执行器系统
- 电调与电机：无刷电机（如朗宇980KV）由电调驱动，响应PWM信号调节转速，实现升力与力矩控制。
五、典型研究案例
1. Matlab/Simulink仿真建模
- 开发非线性六自由度模型，集成动力学方程与控制算法，验证悬停、轨迹跟踪等场景。仿真结果显示，粒子群优化模糊PID的响应时间较传统PID缩短40%。
2. 滑模控制应用
- 杨庆华等（2009）设计反演滑模控制器，通过李雅普诺夫稳定性分析，实现高扰动下的姿态稳定，仿真误差小于0.1 rad。
3. 实际系统实现
- 裴春祥团队基于STM32设计控制器，结合卡尔曼滤波与变参数PID，在室外环境中实现抗风扰飞行，高度误差控制在±0.2m内。
六、未来研究方向
- 多传感器融合：结合视觉SLAM与IMU提升自主导航精度。
- 自适应控制：开发基于深度强化学习的全自主避障算法。
- 轻量化设计：探索新型复合材料与3D打印技术优化机架结构。
📚2 运行结果
部分代码：
Jr = 6.5*10^(-7); % Total rotational moment of inertia around the propeller axis 6.5*10^(-6)
b = 1.144e-08; % Thrust factor
d = 9.94e-10; % Drag factor 1.0876e-9
l = 0.1; % Distance to the center of the Quadrotor
g = 9.81; % Gravitational acceleration
weight =.284; %kg Weight=mg (from a scale)
m = weight/g; % Mass of the Quadrotor in Kg
TF=30; %Simulation time
sim('Simple_Quadcopter_Model_Sim_X_Yaw');
figure(fig)
fig=fig+1;
plot(time,Phi,time,Theta,time,Psi)
title('Body Angles (rad)')
xlabel('Time(s)')
ylabel('rad')
legend('Phi','Theta','Psi')
figure(fig)
fig=fig+1;
plot(time,X,time,Y)
title('X and Y position')
xlabel('Time(s)')
ylabel('Postion (m)')
legend('X', 'Y')
figure(fig)
fig=fig+1;
plot(time,Z)
title('Altitude')
xlabel('Time(s)')
ylabel('Altitude (m)')
X_m1=(((pi/4)*l)+X);
Y_m1=-(((pi/4)*l)+Y);
X_m2=(((pi/4)*l)+X);
Y_m2=(((pi/4)*l)+Y);
X_m3=-(((pi/4)*l)+X);
Y_m3=(((pi/4)*l)+Y);
X_m4=-(((pi/4)*l)+X);
Y_m4=-(((pi/4)*l)+Y);
X1 = X_m1.*cos(Psi) - Y_m1.*sin(Psi);
Y1 = X_m1.*sin(Psi) + Y_m1.*cos(Psi);
X2 = X_m2.*cos(Psi) - Y_m2.*sin(Psi);
Y2 = X_m2.*sin(Psi) + Y_m2.*cos(Psi);
X3 = X_m3.*cos(Psi) - Y_m3.*sin(Psi);
Y3 = X_m3.*sin(Psi) + Y_m3.*cos(Psi);
X4 = X_m4.*cos(Psi) - Y_m4.*sin(Psi);
Y4 = X_m4.*sin(Psi) + Y_m4.*cos(Psi);
figure(fig)
fig=fig+1;
plot3(X,Y,Z,'lineWidth',3)
hold on
plot3(X1,Y1,Z,'--r','lineWidth',3)
plot3(X2,Y2,Z,'--k','lineWidth',3)
plot3(X3,Y3,Z,'--g','lineWidth',3)
plot3(X4,Y4,Z,'--m','lineWidth',3)
legend('Center of Mass','Motor 1','Motor 2','Motor 3','Motor 4')
grid on
title('Quadcopter Trajectory')
xlabel('X Position(m)')
ylabel('Y Position(m)')
zlabel('Z Position(m)')
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
扫一扫
702
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
