ADRC控制算法在四旋翼无人机中的实战应用

1. 四旋翼控制难题与ADRC的破局之道

飞控实验室的咖啡机又空了，这已经是本周第三次。我盯着监视器上那条像心电图一样抽搐的轨迹曲线，第23次修改PID参数——比例系数加大导致超调，微分增益增强又引发震荡，积分时间调长则响应迟钝。四旋翼在模拟风洞中像醉汉般踉跄，传统PID控制在这种强扰动环境下显得力不从心。

直到某天看到韩京清教授1998年那篇开创性论文，ADRC（自抗扰控制）架构让我眼前一亮。这个诞生于中国控制学界的方法，核心思想极具东方智慧：不执着于精确建模，而是将系统内外扰动统统视为"总扰动"，通过扩张状态观测器（ESO）实时估计并补偿。就像功夫高手不以力硬拼，而是感知对手劲道后顺势化解。

2. ADRC核心原理深度拆解

2.1 三阶ESO的"火眼金睛"

扩张状态观测器是ADRC的灵魂所在。以高度通道为例，我们构建的三阶ESO将系统动力学方程：

$$
\ddot{z} = \frac{u}{m} + d(t)
$$

重构为：

$$
\begin{cases}
\dot{x}_1 = x_2 \
\dot{x}_2 = x_3 + b_0u \
\dot{x}_3 = f(t)
\end{cases}
$$

其中x₃就是扩张出的"总扰动状态"。在Python实现中，我们采用四阶龙格库塔法保证估计精度：

python复制class HeightESO:
    def __init__(self, beta=[100,300,1000], dt=0.01):
        self.beta = np.array(beta)  # 观测器增益
        self.dt = dt
        self.z = np.zeros(3)  # [位置,速度,扰动]
        
    def update(self, y, u):
        def derivative(y_meas, u_in):
            e = y_meas - self.z[0]
            return np.array([
                self.z[1] + self.beta[0]*e,
                self.z[2] + self.beta[1]*e