飞控中的一些知识点总结

本文主要总结了飞控研发过中一些比较重要的知识点，部分为本人的实际经验，部分为知乎转载。

影响飞控性能的一些因素：

飞控姿态控制算法比较固定，基本上都是角度环和角速度环组成的串级PID算法，外加前馈提高响应速度。

因此就目前的算法而言，影响飞控性能的因素主要有以下几点：

1、环路延迟

环路延迟对控制比较致命，引起延迟的因素很多，概括来说有以下几个方面：

1）IMU采样更新率和滤波器截止频率

由于受振动等因素影响，IMU输出需要经过低通滤波，而过低的截止频率会严重引起相位滞后，引起控制的不稳定性，制约控制性能提高；

2）控制频率

受限于控制器计算速度，控制频率低也是引起延迟的因素；

3）电调刷新速率、电机响应速度、螺旋桨惯性。

2、机架振动

机架刚性不足，会导致共振，制约了控制带宽的提升；这是影响控制性能的另一方面重要因素，就目前的PID控制而言，高的控制性能都是通过高的伺服带宽实现的，机械结构的模态频率是限制带宽的重要因素。其次过大的振动又会引起IMU测量数据异常，需要设置更低的滤波器参数，反过来又会导致相位滞后。

注意：

如果机体有共振频率，通常的解决方法是在控制器的输出加陷波滤波器，这样可以大幅减少机体本身的共振，也可考虑在传感器数据输出上加陷波；两个地方都加也行，这是比较通常的做法, 因为高频的共振大多是执行器引起的。

红外和超声波

红外和超声波技术，因为都需要主动发射光线、声波，所以对于反射的物体有要求，比如：红外线会被黑色物体吸收，会穿透透明物体，还会被其他红外线干扰；而超声波会被海绵等物体吸收，也容易被桨叶气流干扰。

视觉里程计

视觉里程计简单来说，就是通过左右双目的图像，反推出视野中物体的三维位置，所以相比光流+超声波技术只能简单的测出速度和高度，视觉里程计还能构建地面的三维模型，并通过连续的图像，跟踪自身与环境的相对移动，估计出自身的运动。准确测出自身与地面的相对位置。

运动加速度

Mahony互补滤波算法中使用加速度计来修正陀螺，前提是加速度计输出为重力加速的测量值，这一点在低速运动下是近似成立的，但是当机体有较大的运动加速度时，IMU的姿态输出将会有较大偏差，解决这一问题的方法是：

1.加速度大的时候减小重力修正结果的比重；

2.使用GPS通过数据融合得到运动加速度的估计值来补偿加速度计，使姿态估计更准确。

matlab中连续系统设计出来的PID控制器参数，能否用于实际的嵌入式平台？

如果离散控制器的频率和系统带宽频率比起来足够高的话，可以直接用，顶多微调一下；

但是绝大多数时候不可以直接用，可能因为：

1.MATLAB里仿真模型和实际不符；

2.仿真用的状态量和实际得到的状态量的时滞、误差、噪音不一样；

3.PID实现不一样或实现有问题。

克服系统时滞

Smith Predictor 史密斯预测器

提高系统的可靠性

1.传感器必须仔细地校正；
2.进行数据可靠度判断，比如EKF中协方差过大可能意味着滤波器不收敛，得到的状态估计值不可靠；
3.多套传感器系统冗余配置，实现相互备份；
4.多套算法同时运算，并相互比较，当某套算法出现异常时，及时切换到其他算法。

IMU的安装位置

以加速度为例，装在机身不同位置的加速度计测得的加速度在发生旋转时是不同的。关于质心对称时，简单相加平均可以抵消。如果安装方向有偏差，则需要单独做标定和数据旋转。严格地说，IMU和质心不重合的时候都需要做修正；这个在实际飞行中没仔细考虑过，因为发现IMU放质心和放旁边结果差别不大，这个误差并没有各种传感器本身的误差大。

不同的传感器更新频率不同，怎样解决数据同步问题

这是一个数据对齐的问题，在PX4中是将所有的传感器数据先存入一个先入先出的数据缓存区，使用数据时直接读取该缓存区即可；我自己在代码中是使用了全局的结构变量，传感器数据更新后对应的全局变量也随之更新，使用数据时直接获取全局变量即可，不用等待慢的传感器更新。

活用matlab工具箱

1.matlab coder工具箱，可以将目标函数转换成C代码，这可以用来生成EKF的代码，避免了手写代码出错，非常实用；
2.curve fitting工具箱，曲线拟合，可以根据采样数据自动进行最小二乘拟合；我曾用来做升力值和PWM脉宽值拟合、电流和升力值拟合，非常方便和实用；
3.fdatool非常强大的滤波器设计工具箱，IIR、FIR、低通、高通、带通、带阻滤波器都有包含，只需通过简单的设置一些关键参数便可给出bode图以及滤波器的差分实现；
4.signal analysis工具箱，从工作区导入mat文件，可以方便地设置滤波器并观察波形变化；可以配合fft函数进行频谱分析(signal analysis自带的频谱分析工具不是很好用)。

关于多旋翼的轴距和桨叶

起飞重量较低时(1.5kg−2kg1.5kg-2kg1.5kg−2kg以下)；常见的是配转速高扭矩小的电机，这类电机的KV值一般很高，定子高，电机呈细长型；与之对应的多旋翼的轴距和螺旋桨也较小；

起飞重量较大时；配转速低扭矩大的电机，这类电机的KV值一般较低，定子低，电机呈圆盘型；与之对应的多旋翼的轴距和螺旋桨也较大；

如果加大多旋翼的轴距便要换与之匹配的大桨，飞控大概率也是要重新调的，而且越大的桨惯性越大，响应慢是必然。时滞高之后控制算法也会比较难调，可能单纯PID效果会比较糟。不过动力提升会远大于风阻、重量提升，抗风和负重能力肯定会变好的。

控制器的性能提升

振动大考虑低通滤波和陷波器；
时延大考虑史密斯预估器(对模型精度要求较高)；
模型改变考虑使用观测器(通常参数合适的PID控制器对模型的变化有一定的鲁棒性)；

关于低通滤波

常见的有一阶惯性滤波、巴特沃斯滤波器、切比雪夫滤波器(细分为两种型别)等等；
这几种滤波器的特点如下：
一阶惯性滤波：
阻带和通带平坦，过渡带幅值下降缓慢；
巴特沃斯低通滤波：
阻带和通带平坦，过渡带幅值下降较快；
切比雪夫一型：
通带带波纹，阻带平坦，过渡带幅值下降最快；
切比雪夫二型：
通带平坦，阻带带波纹，过渡带幅值下降最快；

注意：

巴特沃斯低通滤波器和切比雪夫低通滤波器的阶数越高，过渡带的幅值下降越快，但是相角滞后越严重；因此实际中不宜设置过高。

参考文献

再谈IMU数据处理（滤波器）

控制界有哪些经典的开疆扩土的发现

飞控IMU数据进阶处理