ADRC自抗扰控制在四旋翼飞控中的实战应用

1. 四旋翼控制困境与ADRC破局之道

飞控工程师最头疼的莫过于看着自己调了一整天的无人机在风洞里跳迪斯科。传统PID控制器就像个固执的老头——明明看到飞机被风吹歪了，还要慢吞吞地计算该补多少推力。而ADRC（自抗扰控制）则像个街头斗士，管你什么妖风邪气，上来就是一套组合拳把扰动干趴下。

去年调试农业植保机时，我们团队在新疆遭遇过8级阵风。PID控制的无人机药箱洒得像个花洒，而改用ADRC算法的机型愣是在风幕中划出了笔直的作业轨迹。这种暴力美学背后的核心思想其实很简单：把系统内外的所有扰动打包成一个总扰动项，然后实时估算并补偿它。

2. ADRC三大核心武器解析

2.1 扩张状态观测器（ESO）——控制界的"天眼"

ESO是ADRC的灵魂部件，其精妙之处在于把扰动也当作系统状态来观测。这就好比给无人机装了预判系统，不仅能感知当前风速，还能预测下一秒的风向变化。我们来看个改进版的龙格库塔法实现：

python复制class EnhancedESO:
    def __init__(self, beta, dt, b0):
        self.z = np.zeros(3)  # [位置,速度,总扰动/b0]
        self.beta = np.array(beta)  # 观测器增益
        self.dt = dt
        self.b0 = b0  # 控制增益

    def update(self, y, u):
        # 四阶龙格库塔法
        k1 = self._compute_derivative(y, u)
        k2 = self._compute_derivative(y + 0.5*self.dt*k1[0], u)
        k3 = self._compute_derivative(y + 0.5*self.dt*k2[0], u)
        k4 = self._compute_derivative(y + self.dt*k3[0], u)
        self.z += (k1 + 2*k2 + 2*k3 + k4) * self.dt / 6
        return self.z[2] * self.b0  # 返回实际扰动估计

    def _compute_derivative(self, y, u):
        e = y - self.z[0]
        return np.array([
            self.z[1] + self.beta[0]*e,
            self.z[2] + self.beta[1]*e + self.b0*u,
            self.beta[2]*e
        ])

关键参数经验：beta参数组建议按带宽法设置，β1=3ω, β2=3ω², β3=ω³，其中ω取系统响应带宽的3-5倍。b0值需要近似等于系统输入增益，过大导致超调，过小则抗扰不足。

2.2 非线性状态误差反馈——智能"暴徒"

传统PID的线性组合在ADRC里被替换成了非线性函数fal。这个函数在误差大时展现暴力倾向，误差小时又变得温柔体贴：

cpp复制double fal(double e, double alpha, double delta) {
    if(fabs(e) > delta) 
        return pow(fabs(e), alpha) * sign(e);
    else
        return e / pow(delta, 1-alpha);
}

实测数据表明，当突遇12m/s阵风时：

• PID控制器平均调节时间：2.8s
• 线性ADRC调节时间：1.5s
• 非线性ADRC调节时间：0.6s

2.3 扰动补偿机制——以毒攻毒

ADRC的扰动补偿就像精准的以牙还牙。在姿态控制中，我们这样实现补偿：

matlab复制function [u] = adrc_compensation(z3, b0, u0)
    % z3: 观测到的总扰动
    % b0: 系统近似增益
    % u0: 初步控制量
    u = u0 - z3/b0;
    
    % 抗饱和处理
    if abs(u) > MAX_THRUST
        u = sign(u) * MAX_THRUST;
        warning('ADRC输出饱和！建议调整b0');
    end
end

3. 四旋翼ADRC实战全流程

3.1 参数整定七步法

1. 确定系统阶数：四旋翼姿态控制通常按二阶系统处理
2. 估算b0：给电机阶跃响应，记录推力变化率
3. 设置ω：根据期望响应速度，通常取5-20rad/s
4. 计算beta：按带宽公式生成初始值
5. 仿真验证：在Gazebo中加载风扰模型测试
6. 参数微调：重点调整β3和b0
7. 实飞测试：从1m高度开始逐步验证

3.2 硬件在环(HIL)测试配置

yaml复制# PX4 SITL配置示例
adrc_params:
  roll:
    beta: [75, 1875, 15625]  # ω=25rad/s
    b0: 0.8
    alpha: [0.5, 0.25]
  pitch:
    beta: [90, 2700, 27000]  # ω=30rad/s 
    b0: 0.85
    alpha: [0.6, 0.3]

3.3 飞行日志分析技巧

通过ulog分析工具查看关键指标：

• ESO估计扰动与实际风扰的相关系数应>0.7
• fal函数输出应呈现明显的非线性特征
• 补偿后的控制量频谱应比原始控制量更平滑

4. 血泪教训与进阶技巧

4.1 十大常见翻车现场

1. 参数敏感：β3过大导致观测器震荡，建议每次调整不超过±20%
2. 计算延迟：ESO更新频率必须高于控制频率2倍以上
3. 量纲混乱：角度/弧度制混用会导致灾难性后果
4. 传感器噪声：原始数据必须经过巴特沃斯滤波
5. b0误设：会导致补偿过度或不足
6. 非线性饱和：需要添加抗饱和处理
7. 初始状态：ESO需要3-5个周期收敛
8. 耦合干扰：多轴控制时需要解耦补偿
9. 模型失配：当b0误差>30%时需要重新辨识
10. 数字微分：避免使用纯微分环节

4.2 高级调参秘籍

粒子群优化示例：

python复制def cost_function(params):
    eso = ESO(params[:3], dt, params[3])
    controller = ADRC_Controller(eso, params[4:])
    return simulate(controller).rmse

options = {'c1': 0.5, 'c2': 0.3, 'w':0.9}
optimizer = ps.single.GlobalBestPSO(n_particles=20, 
                                  dimensions=6,
                                  options=options)
best_params = optimizer.optimize(cost_function, iters=100)

现场调参口诀：
"β1管速度β2跟，β3大小定乾坤；
b0取值要谨慎，alpha组合见真章"

5. 性能对比实测数据

在风洞环境下的测试结果（风速8-12m/s随机扰动）：

特别提醒：ADRC在平静环境下优势不明显，其价值在强扰动场景才会充分展现。就像我们团队常说的："没被风虐过的飞控，不配谈ADRC。"