1. 项目背景与核心价值
四旋翼无人机控制一直是飞行器领域的热点研究方向。传统的PID控制虽然简单易实现，但在处理复杂轨迹跟踪时往往力不从心。这个项目采用线性参数变化（LPV）模型预测控制（MPC）方案，实现了位置和姿态的双闭环控制，并在Matlab环境下完成了8字形轨迹的仿真验证。
我曾在多个无人机项目中尝试过不同控制方案，实测发现MPC控制器在应对非线性、强耦合的无人机系统时展现出独特优势。相比传统方法，MPC能够显式处理约束条件（如电机转速限制），并通过滚动优化实现更好的动态性能。而LPV模型的引入，则让控制器能够适应无人机在不同工作点下的参数变化。
2. 系统建模与控制器设计
2.1 四旋翼动力学模型
四旋翼的六自由度动力学模型可以分解为位置和姿态两个子系统。位置动力学描述无人机质心的平移运动：
code复制m·ẍ = (cosφsinθcosψ + sinφsinψ)·u₁
m·ÿ = (cosφsinθsinψ - sinφcosψ)·u₁
m·z̈ = (cosφcosθ)·u₁ - mg
姿态动力学描述机体旋转运动：
code复制I·ω̇ + ω×(I·ω) = τ
其中φ,θ,ψ分别为滚转、俯仰和偏航角。在实际建模时，我们通常做小角度假设简化模型，但MPC的优势就在于可以处理更复杂的非线性情况。
2.2 LPV-MPC控制器设计
LPV-MPC的核心思想是将非线性系统表示为参数依赖的线性系统：
code复制x(k+1) = A(ρ)x(k) + B(ρ)u(k)
y(k) = C(ρ)x(k)
其中ρ是时变参数向量。对于四旋翼系统，我们可以选择ρ=[φ,θ]ᵀ，因为这两个角度直接影响推力方向。
MPC的优化问题可以表述为：
code复制min Σ( x'(k)Qx(k) + u'(k)Ru(k) )
s.t. x(k+1) = A(ρ)x(k) + B(ρ)u(k)
u_min ≤ u(k) ≤ u_max
我在实现中发现，选择合适的预测时域和控制时域非常关键。经过多次调试，最终采用预测时域Np=20，控制时域Nc=5取得了良好效果。
3. 双闭环控制架构实现
3.1 位置环设计
位置环接收期望轨迹指令，输出姿态角指令和总推力：
code复制[φ_c, θ_c, ψ_c, T_c] = Position_MPC(x,y,z,ẋ,ẏ,ż, x_ref,y_ref,z_ref)
这里需要注意处理奇异点问题，当俯仰角接近90°时需要进行特殊处理。我的经验是加入一个小的正则化项来避免数值不稳定。
3.2 姿态环设计
姿态环接收位置环输出的姿态指令，计算电机PWM信号：
code复制[ω1,ω2,ω3,ω4] = Attitude_MPC(φ,θ,ψ, p,q,r, φ_c,θ_c,ψ_c)
姿态环需要处理电机动力学延迟问题。我在实现中加入了低通滤波器来平滑指令变化，实测可以有效减少振荡。
3.3 双环耦合分析
位置环和姿态环之间存在强耦合关系。一个实用的技巧是在位置环MPC的代价函数中加入姿态变化率惩罚项，这样可以避免过于激进的姿态指令。
4. Matlab仿真实现细节
4.1 仿真环境搭建
使用Matlab的MPC工具箱可以大大简化开发流程。核心代码如下：
matlab复制% 创建LPV系统
lpvSys = lpvss(Afun,Bfun,Cfun,Dfun,StateName,InputName,OutputName);
% 设计MPC控制器
mpcObj = mpc(lpvSys,Ts,PredictionHorizon,ControlHorizon);
mpcObj.Weights.OutputVariables = [1 1 1 0.1 0.1 0.1];
mpcObj.Weights.ManipulatedVariablesRate = [0.1 0.1 0.1 0.1];
4.2 8字形轨迹生成
8字形轨迹由两个相切的圆组成，数学表达式为：
matlab复制t = 0:0.1:20;
R = 2; % 半径
x_ref = R*sin(t/2);
y_ref = R*sin(t);
z_ref = ones(size(t)); % 恒定高度
4.3 仿真结果分析
通过调整MPC权重矩阵，可以观察到不同的控制效果：
- 增大输出权重：轨迹跟踪更精确，但控制量可能饱和
- 增大控制量变化率权重：控制更平滑，但跟踪性能下降
我建议先使用默认权重运行，然后根据具体需求逐步调整。
5. 关键问题与解决方案
5.1 计算实时性问题
MPC需要在线求解优化问题，计算负担较大。几个优化技巧：
- 使用显式MPC将优化问题离线求解
- 减少预测时域长度
- 采用更高效的QP求解器
实测在i7处理器上，20步预测时域的单次求解时间约5ms，可以满足实时性要求。
5.2 模型失配处理
当实际无人机参数与模型存在偏差时，控制性能会下降。解决方法包括：
- 加入积分项消除稳态误差
- 设计鲁棒MPC控制器
- 在线更新模型参数
我的经验是在姿态环加入小的积分增益（约0.01）就能显著改善鲁棒性。
5.3 执行器饱和问题
电机有最大转速限制，需要在MPC中显式处理约束：
matlab复制mpcObj.MV(1).Min = 0;
mpcObj.MV(1).Max = 900; % RPM
6. 扩展与改进方向
- 加入风扰模型测试控制器鲁棒性
- 实现硬件在环（HIL）仿真
- 探索深度学习辅助的MPC参数整定
- 研究分布式MPC架构降低计算复杂度
在实际飞行测试中，我发现加入简单的风扰观测器就能显著提升户外飞行性能。这可以通过扩展状态估计器来实现。