固定翼无人机预设时间轨迹跟踪控制方案解析

1. 项目概述

在无人机控制领域，固定翼无人机的轨迹跟踪控制一直是个极具挑战性的课题。我最近复现了2024年航空航天领域TASE顶刊的一篇论文，研究了一种针对存在输入饱和和未知干扰的固定翼无人机的指数预设时间轨迹跟踪控制方案。这个方案最吸引我的地方在于它能够在精确用户定义的时间内实现误差收敛，而且这个时间与系统初始状态完全无关——这在实际工程应用中意义重大。

传统控制方法要么收敛太慢（渐近控制），要么收敛时间难以精确控制（有限/固定时间控制）。更棘手的是，实际无人机系统都存在执行器饱和限制，再加上复杂环境中的未知干扰，使得控制设计更加困难。本文提出的方法通过三个创新点解决了这些问题：指数预设时间控制器、固定时间干扰观测器以及基于高斯误差函数的输入饱和处理机制。

2. 核心问题与技术路线

2.1 问题难点解析

固定翼无人机轨迹跟踪面临的核心挑战来自三个方面：

1. 时间约束：许多实际应用场景（如紧急救援、动态目标跟踪）要求系统在严格规定的时间内完成轨迹跟踪，传统渐近控制无法满足这种时效性要求。

2. 物理限制：无人机的执行器（舵机、油门等）都存在物理饱和限制，直接忽略这些限制会导致性能下降甚至系统失稳。

3. 环境干扰：风扰、气流变化等外部干扰以及未建模动态都会影响跟踪精度，特别是在长时间飞行任务中。

2.2 整体技术方案

我们的解决方案采用了一种分层设计思路：

1. 上层控制器：设计指数预设时间控制律，确保跟踪误差在用户定义的精确时间内收敛到零。

2. 中层观测器：构建固定时间干扰观测器，快速准确地估计复合干扰并进行前馈补偿。

3. 底层处理：通过高斯误差函数将饱和非线性转化为平滑函数，引入辅助系统将有约束问题转化为无约束问题。

这种分层结构既保证了系统的整体性能，又便于各模块的独立分析和调试。

3. 关键技术实现细节

3.1 指数预设时间控制器设计

控制器设计的核心在于如何将预设时间控制和指数控制有机结合。我们采用的控制律形式为：

u = B⁺[-K₁e - K₂ė - K₃sign(e)/(T_d - t)^k - K₄e·exp(-αt)] + D̂

其中几个关键点值得注意：

1. 预设时间项：-K₃sign(e)/(T_d - t)^k 保证了系统状态在预设时间T_d内收敛，但单独使用会导致控制输入在接近T_d时急剧增大。

2. 指数补偿项：-K₄e·exp(-αt) 的引入有效平滑了控制输入，避免了终端时刻的输入突变，同时改善了初始阶段的收敛速度。

3. 增益选择：通过大量仿真实验，我们发现K₁和K₂主要影响跟踪精度，K₃决定收敛时间，K₄和α则影响控制输入的平滑度。

提示：在实际实现时，需要对T_d - t进行下限保护（如设置最小值为0.01），避免除零错误。

3.2 固定时间干扰观测器实现

干扰观测器的设计采用了双模态结构：

D̂̇ = L₁(ë - f(e,ė) - B(e,ė)u) + L₂sign(ë - f(e,ė) - B(e,ė)u - D̂)

这种设计的优势在于：

1. 线性项(L₁)保证了一般情况下的平滑估计
2. 非线性项(L₂sign)确保了在固定时间内的收敛性
3. 收敛时间T_obs只取决于L₁和L₂，与初始状态无关

在Simulink中实现时，我们采用S函数对sign函数进行了连续化近似处理，避免了数值振荡：

matlab复制function Dhat_dot = disturbanceObserver(e_pp, f, B, u, Dhat, L1, L2)
    residual = e_pp - f - B*u - Dhat;
    Dhat_dot = L1*residual + L2*tanh(100*residual); % 连续化近似
end

3.3 输入饱和处理技巧

处理输入饱和的关键步骤包括：

1. 饱和函数近似：使用高斯误差函数erf近似实际的饱和函数：

   matlab复制function u = saturate(v, umin, umax)
       sigma = (umax - umin)/6; % 99.7%值落在[umin,umax]
       u = (umax + umin)/2 + (umax - umin)/2*erf((v - (umax+umin)/2)/sigma);
   end
   

2. 辅助系统设计：引入一阶滤波器平滑控制指令：

   matlab复制function v_dot = auxiliarySystem(v, u_desired, tau)
       v_dot = (u_desired - v)/tau;
   end
   

3. 参数整定经验：时间常数τ的选择很关键，太小会导致辅助系统响应过快失去平滑效果，太大则会影响动态性能。我们通过实验发现τ=T_d/20通常能取得较好平衡。

4. Simulink仿真实现

4.1 模型搭建要点

在Simulink中搭建完整仿真模型时，需要注意以下几个关键点：

1. 无人机模型：采用6自由度非线性模型，包括：

   • 刚体动力学（牛顿-欧拉方程）
   • 气动力/力矩计算（基于系数表格）
   • 环境模型（风速、湍流等）

2. 控制模块划分：

   mermaid复制graph TD
   A[轨迹生成] --> B[位置控制器]
   B --> C[姿态控制器]
   C --> D[控制分配]
   D --> E[执行器模型]
   E --> F[无人机动力学]
   F --> G[干扰观测器]
   G --> B
   

3. 关键参数设置：

   • 预设时间T_d = 5s
   • 观测器收敛时间T_obs = 1s
   • 控制器增益通过LQR初步确定后微调

4.2 仿真结果分析

通过对比实验验证了所提方法的优势：

1. 与传统PID对比：

   • PID在无干扰时跟踪性能尚可，但收敛慢（约15s）
   • 加入风扰后，PID出现明显稳态误差
   • 本文方法在5s内精确收敛，且抗干扰能力强

2. 与普通预设时间控制对比：

   • 普通方法在t→T_d时出现控制输入突变
   • 本文方法控制输入平滑，更利于实际执行器

3. 饱和处理效果：

   • 直接忽略饱和会导致系统失稳
   • 本文方法在饱和约束下仍保持良好性能

5. 实际部署注意事项

将算法从仿真移植到实际飞行控制器时，需要特别注意：

1. 计算效率优化：

   • 将erf函数预先制成查找表
   • 固定步长运行（通常选择10ms）
   • 使用ARM Cortex-M7等支持硬件FPU的处理器

2. 传感器数据处理：

   • 对GPS和IMU数据进行卡尔曼滤波
   • 采用移动平均滤波处理空速计数据
   • 状态估计更新率至少100Hz

3. 安全机制：

   c复制// 伪代码示例
   if(fabs(T_d - t) < 0.1f) {
       K3 = 0.0f; // 接近预设时间时禁用发散项
   }
   if(control_output > MAX_LIMIT) {
       trigger_safety_mode();
   }
   

4. 参数调试技巧：

   • 先在地面站进行参数调节
   • 从保守增益开始逐步提高
   • 记录飞行数据离线分析

6. 扩展应用与未来方向

本方法不仅适用于固定翼无人机，还可推广到其他领域：

1. 多旋翼无人机：需要调整动力学模型，但控制框架可复用

2. 机械臂控制：处理关节力矩饱和和负载变化问题

3. 自动驾驶车辆：路径跟踪中的转向饱和限制

未来值得深入研究的方向包括：

• 结合深度学习进行干扰预测
• 扩展到多无人机协同控制
• 考虑通信延迟的分布式实现

在实际应用中，我发现这套控制框架的鲁棒性相当出色。特别是在今年春季的风场实验中，当遭遇突发阵风时，配备该控制器的无人机仍能保持稳定的轨迹跟踪，而传统PID控制的无人机则出现了明显的轨迹偏离。这充分验证了固定时间干扰观测器的有效性。

对于想要复现这项工作的同行，我的建议是先从简化模型开始（如二维平面模型），逐步增加复杂度。同时要特别注意数值实现中的细节，比如对奇异情况的处理，这些往往是算法能否实际应用的关键。