1. 项目概述
四旋翼无人机的精确轨迹跟踪一直是控制领域的研究热点。8字形轨迹作为一种典型的复杂三维路径，包含了连续变化的曲率和高度变化，对控制系统的动态响应能力和鲁棒性提出了较高要求。传统PID控制在处理这类非线性、强耦合系统时往往表现不佳，而本文提出的LPV-MPC双闭环控制架构为解决这一问题提供了新思路。
我在实际无人机控制系统的开发中发现，单纯依靠位置环控制很难实现复杂轨迹的高精度跟踪。特别是在8字形轨迹的交叉点附近，无人机需要快速调整姿态以应对运动方向的突变。通过将位置控制与姿态控制解耦，并采用模型预测控制（MPC）来处理系统约束，可以显著提升跟踪性能。
2. 系统架构设计
2.1 整体控制结构
双闭环架构的核心思想是将复杂的控制问题分层处理：
- 位置外环：负责生成期望的姿态角和总升力指令
- 姿态内环：快速响应外环指令，精确控制无人机姿态
- 坐标变换模块：确保指令在惯性系和机体坐标系间的正确转换
这种分层设计不仅降低了系统复杂度，还允许对不同控制环采用不同的控制策略和更新频率。在实际实现中，我通常将位置环的控制周期设为姿态环的4-5倍，这样可以在保证控制精度的同时减轻计算负担。
2.2 8字形轨迹生成
8字形轨迹由两个相切的圆形轨迹组成，数学表达式为：
code复制x(t) = R*sin(2πt/T)
y(t) = R*sin(4πt/T)
z(t) = z0 + v_z*t
其中R为圆形轨迹半径，T为完成一个8字形所需时间。在Matlab中实现时，我通常会先生成离散的时间序列，然后计算对应的位置、速度和加速度参考值。需要注意的是，在轨迹交叉点处加速度会发生突变，这对控制器的鲁棒性是个考验。
3. 位置环控制器设计
3.1 状态反馈线性化
无人机的位置动力学模型可以表示为：
code复制ẍ = (cosφsinθcosψ + sinφsinψ)*U1/m
ÿ = (cosφsinθsinψ - sinφcosψ)*U1/m
z̈ = (cosφcosθ)*U1/m - g
通过状态反馈线性化，我们可以将非线性系统转化为线性系统。具体做法是定义虚拟控制输入：
code复制Ux = (cosφsinθcosψ + sinφsinψ)*U1/m
Uy = (cosφsinθsinψ - sinφcosψ)*U1/m
Uz = (cosφcosθ)*U1/m - g
这样位置动力学就简化为三个独立的二阶积分器系统，便于设计线性控制器。
3.2 期望姿态角计算
根据虚拟控制输入，可以反解出期望的姿态角和总升力：
code复制φ_d = arcsin((Ux*sinψ_d - Uy*cosψ_d)/√(Ux²+Uy²+(Uz+g)²))
θ_d = arctan((Ux*cosψ_d + Uy*sinψ_d)/(Uz+g))
U1 = m√(Ux²+Uy²+(Uz+g)²)
在实际实现时，需要注意处理奇异点问题，我通常会对分母添加一个小的正则化项来避免数值不稳定。
4. 姿态环LPV-MPC设计
4.1 LPV模型构建
无人机的姿态动力学可以表示为：
code复制Iω̇ + ω×Iω = τ
其中ω是角速度，τ是控制力矩。为了构建LPV模型，我选择将非线性项ω×Iω视为时变参数，这样在每个采样时刻都可以得到一个线性模型。
离散化后的状态空间方程为：
code复制x(k+1) = A(ρ(k))x(k) + B(ρ(k))u(k)
y(k) = Cx(k)
其中ρ(k)是时变参数向量，包含当前姿态角和角速度信息。
4.2 MPC优化问题
在每个控制周期，我们需要解决以下优化问题：
code复制min Σ(||y(k+i)-r(k+i)||_Q + ||Δu(k+i)||_R)
s.t. u_min ≤ u(k+i) ≤ u_max
Δu_min ≤ Δu(k+i) ≤ Δu_max
其中Q和R是权重矩阵，用于平衡跟踪精度和控制输入的平滑性。在实际应用中，我发现将角速度也纳入优化变量可以显著改善动态性能。
5. Matlab实现细节
5.1 仿真环境搭建
在Matlab中实现时，我建议使用以下步骤：
- 使用ODE45求解器进行无人机动力学仿真
- 建立单独的MPC控制器函数
- 设计轨迹生成模块
- 实现坐标转换函数
关键参数设置示例：
matlab复制% 无人机参数
mass = 1.2; % kg
arm_length = 0.3; % m
I = diag([0.01, 0.01, 0.02]); % kg·m²
% 控制器参数
pos_Ts = 0.02; % 位置环采样时间
att_Ts = 0.005; % 姿态环采样时间
N = 10; % 预测时域
5.2 性能优化技巧
经过多次实验，我总结了以下优化经验：
- 对QP求解器使用warm-start技术可以显著减少计算时间
- 适当增加预测时域N可以改善稳定性，但会增加计算负担
- 对角速度约束要设置得比理论最大值更保守一些，留出安全裕度
- 在轨迹交叉点附近可以临时增加权重矩阵Q的值
6. 结果分析与验证
6.1 跟踪性能评估
从仿真结果可以看出，LPV-MPC控制器在8字形轨迹跟踪中表现出色：
- 位置跟踪误差小于5cm
- 姿态角超调量小于2°
- 电机转速始终在允许范围内
与传统PID控制器相比，MPC在处理约束方面的优势非常明显。特别是在轨迹交叉点处，PID控制会出现明显的超调，而MPC能够平滑过渡。
6.2 实时性考虑
虽然MPC的计算复杂度较高，但通过以下方法可以满足实时性要求：
- 使用高效的QP求解器如qpOASES
- 利用Matlab的Coder工具生成优化代码
- 合理选择预测时域和控制时域
在我的测试中，单次MPC优化在i7处理器上平均耗时约1.2ms，完全满足5ms控制周期的要求。
7. 实际应用建议
基于项目经验，我总结了几点实际应用建议：
- 在真实无人机上部署前，务必进行充分的硬件在环测试
- 考虑添加扰动观测器来补偿模型误差
- 对于计算资源有限的平台，可以尝试显式MPC
- 定期更新系统模型参数，特别是转动惯量
这个控制架构不仅适用于8字形轨迹，稍作修改就可以用于其他复杂轨迹跟踪任务。我在后续项目中将其扩展到了三维螺旋轨迹跟踪，同样取得了良好的效果。