作者 ：无人机控制系统工程师
标签 ：无人机 / 飞控算法 / 推力分配 / 姿态控制 / PID / 四旋翼
发布平台 ：CSDN 技术博客
阅读时长：约 15 分钟
目录
### 文章目录
- [目录](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [@toc](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [一、前言](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [二、四旋翼无人机动力学模型](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [2.1 坐标系定义](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [2.2 六自由度运动方程](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [平移运动（牛顿第二定律）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [旋转运动（欧拉方程）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [2.3 电机推力与力矩模型](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [三、动态推力分配原理](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [3.1 什么是推力分配？](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [3.2 静态推力分配（标准解法）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [3.3 动态推力分配（欠/过驱动系统）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [最小二乘法（Moore-Penrose 伪逆）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [加权最小二乘（考虑电机差异）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [带约束的二次规划（QP）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [3.4 实时动态分配策略](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [四、倾斜纠正原理](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.1 为什么需要倾斜纠正？](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.2 姿态估计](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.2.1 互补滤波器（Complementary Filter）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.2.2 扩展卡尔曼滤波（EKF）](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.3 倾斜纠正控制律](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.3.1 姿态误差计算](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.3.2 PID 姿态控制器](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.4 倾斜补偿：总推力的缩放修正](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [4.5 重心偏移的自动学习补偿](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [五、完整控制框架](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [六、工程调参指南](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [6.1 PID 调参步骤](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [6.2 常见问题排查](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [6.3 推力分配调参注意事项](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [七、进阶话题](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [7.1 倾转旋翼无人机的扩展推力分配](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [7.2 基于模型预测控制（MPC）的一体化分配](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [7.3 强化学习在推力分配中的应用](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [八、总结](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
- [参考资料](#文章目录 目录 @[toc] 一、前言 二、四旋翼无人机动力学模型 2.1 坐标系定义 2.2 六自由度运动方程 平移运动（牛顿第二定律） 旋转运动（欧拉方程） 2.3 电机推力与力矩模型 三、动态推力分配原理 3.1 什么是推力分配？ 3.2 静态推力分配（标准解法） 3.3 动态推力分配（欠/过驱动系统） 最小二乘法（Moore-Penrose 伪逆） 加权最小二乘（考虑电机差异） 带约束的二次规划（QP） 3.4 实时动态分配策略 四、倾斜纠正原理 4.1 为什么需要倾斜纠正？ 4.2 姿态估计 4.2.1 互补滤波器（Complementary Filter） 4.2.2 扩展卡尔曼滤波（EKF） 4.3 倾斜纠正控制律 4.3.1 姿态误差计算 4.3.2 PID 姿态控制器 4.4 倾斜补偿：总推力的缩放修正 4.5 重心偏移的自动学习补偿 五、完整控制框架 六、工程调参指南 6.1 PID 调参步骤 6.2 常见问题排查 6.3 推力分配调参注意事项 七、进阶话题 7.1 倾转旋翼无人机的扩展推力分配 7.2 基于模型预测控制（MPC）的一体化分配 7.3 强化学习在推力分配中的应用 八、总结 参考资料)
一、前言
随着多旋翼无人机在航拍、物流、巡检等领域的广泛应用，其飞控系统的稳定性与可靠性变得至关重要。在众多飞控核心算法中，动态推力分配（Dynamic Thrust Allocation） 和 倾斜纠正（Tilt Correction） 是保证无人机姿态稳定、响应灵敏的两大关键技术。
本文将从物理建模出发，结合控制理论，系统讲解：
- 四旋翼无人机的动力学模型
- 动态推力分配的数学原理与工程实现
- 倾斜纠正的姿态估计与闭环控制
- 常见问题与调参技巧
💡 适合读者：有一定线性代数、控制理论基础，对无人机飞控算法感兴趣的工程师或研究者。
二、四旋翼无人机动力学模型
2.1 坐标系定义
分析无人机运动需要明确两个坐标系：
| 坐标系 | 符号 | 说明 |
|---|---|---|
| 世界坐标系（NED/ENU） | W \mathcal{W} W | 固定于地面，惯性坐标系 |
| 机体坐标系 | B \mathcal{B} B | 固定于无人机质心，随机体旋转 |
两坐标系之间通过旋转矩阵 R ∈ S O ( 3 ) R \in SO(3) R∈SO(3) 相互转换：
v W = R ⋅ v B \mathbf{v}\mathcal{W} = R \cdot \mathbf{v}\mathcal{B} vW=R⋅vB
旋转矩阵由欧拉角（Roll-Pitch-Yaw） 参数化：
R = R z ( ψ ) ⋅ R y ( θ ) ⋅ R x ( ϕ ) R = R_z(\psi) \cdot R_y(\theta) \cdot R_x(\phi) R=Rz(ψ)⋅Ry(θ)⋅Rx(ϕ)
其中 ϕ \phi ϕ、 θ \theta θ、 ψ \psi ψ 分别为滚转角、俯仰角和偏航角。
2.2 六自由度运动方程
四旋翼的运动分为平移运动 和旋转运动两部分。
平移运动（牛顿第二定律）
m p ¨ = F t h r u s t + m g m\ddot{\mathbf{p}} = \mathbf{F}_{thrust} + m\mathbf{g} mp¨=Fthrust+mg
其中：
- m m m 为无人机质量
- p = x , y , z T \mathbf{p} = x, y, z^T p=x,y,zT 为质心位置
- F t h r u s t = R ⋅ 0 , 0 , T T \mathbf{F}_{thrust} = R \cdot 0, 0, T^T Fthrust=R⋅0,0,TT 为推力在世界系下的分量
- T T T 为总推力（沿机体 Z 轴正方向）
旋转运动（欧拉方程）
I ω ˙ + ω × ( I ω ) = τ \mathbf{I}\dot{\boldsymbol{\omega}} + \boldsymbol{\omega} \times (\mathbf{I}\boldsymbol{\omega}) = \boldsymbol{\tau} Iω˙+ω×(Iω)=τ
其中：
- I = diag ( I x x , I y y , I z z ) \mathbf{I} = \text{diag}(I_{xx}, I_{yy}, I_{zz}) I=diag(Ixx,Iyy,Izz) 为转动惯量矩阵
- ω = p , q , r T \boldsymbol{\omega} = p, q, r^T ω=p,q,rT 为机体角速度
- τ = τ ϕ , τ θ , τ ψ T \boldsymbol{\tau} = \\tau_\\phi, \\tau_\\theta, \\tau_\\psi^T τ=τϕ,τθ,τψT 为控制力矩
2.3 电机推力与力矩模型
每个电机产生的推力 f i f_i fi 与力矩 m i m_i mi 与转速 Ω i \Omega_i Ωi 的关系：
f i = k f Ω i 2 , m i = k m Ω i 2 f_i = k_f \Omega_i^2, \quad m_i = k_m \Omega_i^2 fi=kfΩi2,mi=kmΩi2
其中 k f k_f kf、 k m k_m km 为电机的推力系数和力矩系数（由实验标定）。
对于标准十字形布局的四旋翼，合力和合力矩为：
T = ∑ i = 1 4 f i T = \sum_{i=1}^{4} f_i T=i=1∑4fi
τ ϕ τ θ τ ψ = l ( f 4 − f 2 ) l ( f 3 − f 1 ) k m ( m 1 − m 2 + m 3 − m 4 ) \begin{bmatrix} \tau_\phi \\ \tau_\theta \\ \tau_\psi \end{bmatrix} = \begin{bmatrix} l(f_4 - f_2) \\ l(f_3 - f_1) \\ k_m(m_1 - m_2 + m_3 - m_4) \end{bmatrix} τϕτθτψ = l(f4−f2)l(f3−f1)km(m1−m2+m3−m4)
其中 l l l 为电机到质心的臂长。
三、动态推力分配原理
3.1 什么是推力分配？
飞控系统的上层控制器（位置环、速度环、姿态环）输出的是期望力和力矩 T , τ ϕ , τ θ , τ ψ T T, \\tau_\\phi, \\tau_\\theta, \\tau_\\psi^T T,τϕ,τθ,τψT，而底层执行机构是4个（或更多）独立电机。
推力分配的任务 ：将期望的广义力 u \mathbf{u} u 映射为各电机的具体指令 f = f 1 , f 2 , f 3 , f 4 T \mathbf{f} = f_1, f_2, f_3, f_4^T f=f1,f2,f3,f4T。
这本质上是一个线性方程组求解问题：
u = B ⋅ f \mathbf{u} = B \cdot \mathbf{f} u=B⋅f
T τ ϕ τ θ τ ψ = 1 1 1 1 − l 0 l 0 0 − l 0 l k r − k r k r − k r ⏟ B （分配矩阵） f 1 f 2 f 3 f 4 \begin{bmatrix} T \\ \tau_\phi \\ \tau_\theta \\ \tau_\psi \end{bmatrix} = \underbrace{\begin{bmatrix} 1 & 1 & 1 & 1 \\ -l & 0 & l & 0 \\ 0 & -l & 0 & l \\ k_r & -k_r & k_r & -k_r \end{bmatrix}}_{B \text{（分配矩阵）}} \begin{bmatrix} f_1 \\ f_2 \\ f_3 \\ f_4 \end{bmatrix} Tτϕτθτψ =B（分配矩阵） 1−l0kr10−l−kr1l0kr10l−kr f1f2f3f4
3.2 静态推力分配（标准解法）
对于标准四旋翼，分配矩阵 B B B 为方阵且满秩，直接求逆即可：
f = B − 1 u \mathbf{f} = B^{-1} \mathbf{u} f=B−1u
Python 示例代码：
python
import numpy as np
# 参数设置
l = 0.225 # 臂长 (m)
k_f = 1.0e-5 # 推力系数
k_m = 1.5e-7 # 力矩系数
k_r = k_m / k_f
# 分配矩阵 B（十字形布局）
B = np.array([
[1, 1, 1, 1 ],
[-l, 0, l, 0 ],
[0, -l, 0, l ],
[k_r, -k_r, k_r, -k_r]
])
B_inv = np.linalg.inv(B)
def thrust_allocation(T_des, tau_phi, tau_theta, tau_psi):
"""静态推力分配"""
u = np.array([T_des, tau_phi, tau_theta, tau_psi])
f = B_inv @ u
# 限幅：确保推力在物理范围内
f_min, f_max = 0.5, 20.0 # 单位：N
f = np.clip(f, f_min, f_max)
return f
# 示例
forces = thrust_allocation(T_des=9.8, tau_phi=0.1, tau_theta=0.0, tau_psi=0.0)
print("各电机推力 (N):", forces)3.3 动态推力分配（欠/过驱动系统）
对于六旋翼、八旋翼 等冗余驱动系统， B B B 为非方阵，方程组有无穷多解，需引入优化目标：
最小二乘法（Moore-Penrose 伪逆）
f ∗ = arg min f ∥ f ∥ 2 s.t. B f = u \mathbf{f}^* = \arg\min_{\mathbf{f}} \|\mathbf{f}\|^2 \quad \text{s.t.} \quad B\mathbf{f} = \mathbf{u} f∗=argfmin∥f∥2s.t.Bf=u
f ∗ = B + u = B T ( B B T ) − 1 u \mathbf{f}^* = B^+ \mathbf{u} = B^T(BB^T)^{-1}\mathbf{u} f∗=B+u=BT(BBT)−1u
此解在满足力矩约束的同时，最小化总功耗（推力平方和最小）。
加权最小二乘（考虑电机差异）
f ∗ = W − 1 B T ( B W − 1 B T ) − 1 u \mathbf{f}^* = W^{-1}B^T(BW^{-1}B^T)^{-1}\mathbf{u} f∗=W−1BT(BW−1BT)−1u
其中权重矩阵 W = diag ( w 1 , ... , w n ) W = \text{diag}(w_1, \ldots, w_n) W=diag(w1,...,wn) 可用于：
- 补偿电机效率差异
- 故障情况下降低问题电机权重（容错控制）
带约束的二次规划（QP）
当需要严格满足电机上下限时，转化为 QP 问题：
min f 1 2 f T Q f \min_{\mathbf{f}} \quad \frac{1}{2}\mathbf{f}^T Q \mathbf{f} fmin21fTQf
s.t. B f = u , f m i n ≤ f i ≤ f m a x \text{s.t.} \quad B\mathbf{f} = \mathbf{u}, \quad f_{min} \leq f_i \leq f_{max} s.t.Bf=u,fmin≤fi≤fmax
python
from scipy.optimize import minimize
def dynamic_thrust_allocation_qp(B, u_des, f_min=0.5, f_max=20.0):
"""带约束的动态推力分配（QP求解）"""
n = B.shape[1]
def objective(f):
return 0.5 * np.dot(f, f) # 最小化推力平方和
def objective_grad(f):
return f
constraints = {'type': 'eq', 'fun': lambda f: B @ f - u_des}
bounds = [(f_min, f_max)] * n
f0 = np.ones(n) * np.mean([f_min, f_max])
result = minimize(objective, f0, jac=objective_grad,
constraints=constraints, bounds=bounds,
method='SLSQP')
return result.x3.4 实时动态分配策略
在实际飞控中，动态推力分配还需处理以下问题：
| 问题 | 解决方案 |
|---|---|
| 推力饱和 | 优先保证姿态力矩，按比例缩减总推力 |
| 电机响应延迟 | 加入电机动态模型（一阶惯性环节）进行前馈补偿 |
| 计算实时性 | 离线计算伪逆矩阵，在线仅做矩阵乘法 |
| 故障检测 | 实时监控电流/转速，动态重构分配矩阵 |
推力优先级调度（Priority-based Allocation）示例：
python
def priority_thrust_allocation(T_des, tau_des, B, f_min, f_max):
"""
优先保证姿态力矩，其次满足总推力需求
tau_des: [tau_phi, tau_theta, tau_psi]
"""
# Step 1: 计算姿态力矩所需推力
B_tau = B[1:, :] # 力矩分配子矩阵
f_tau = np.linalg.pinv(B_tau) @ tau_des
# Step 2: 计算剩余推力裕度
f_remaining_max = f_max - f_tau
f_remaining_min = f_min - f_tau
# Step 3: 在裕度内分配总推力
T_achievable = np.clip(T_des / 4.0,
np.max(f_remaining_min),
np.min(f_remaining_max))
f_total = np.ones(4) * T_achievable
return f_tau + f_total四、倾斜纠正原理
4.1 为什么需要倾斜纠正？
无人机在实际飞行中，受到以下因素影响会产生非预期的倾斜：
- 重心偏移：电池、载荷安装不均匀
- 电机推力不一致：电机老化、桨叶损伤
- 气流扰动：侧风、湍流
- 惯性测量单元（IMU）安装误差：传感器轴未与机体轴对齐
倾斜纠正 即通过姿态估计 + 闭环控制，实时补偿上述误差，维持期望姿态。
4.2 姿态估计
4.2.1 互补滤波器（Complementary Filter）
这是最轻量高效的姿态估计方法：
- 加速度计：低频准确（可感知重力方向），高频噪声大
- 陀螺仪：高频准确（角速度积分），低频存在漂移
互补滤波器融合两者优势：
ϕ ^ ( t ) = α ⋅ ( ϕ ^ t − 1 + ω x Δ t ) + ( 1 − α ) ⋅ ϕ a c c \hat{\phi}(t) = \alpha \cdot (\hat{\phi}{t-1} + \omega_x \Delta t) + (1-\alpha) \cdot \phi{acc} ϕ^(t)=α⋅(ϕ^t−1+ωxΔt)+(1−α)⋅ϕacc
其中 α ≈ 0.98 \alpha \approx 0.98 α≈0.98（高通系数）， 1 − α 1-\alpha 1−α 为低通系数。
python
class ComplementaryFilter:
def __init__(self, alpha=0.98, dt=0.004):
self.alpha = alpha # 高通滤波系数
self.dt = dt # 采样周期 (250Hz)
self.roll = 0.0
self.pitch = 0.0
def update(self, gx, gy, gz, ax, ay, az):
"""
gx,gy,gz: 陀螺仪角速度 (rad/s)
ax,ay,az: 加速度计读数 (m/s^2)
"""
import math
# 加速度计计算倾角（低频）
roll_acc = math.atan2(ay, az)
pitch_acc = math.atan2(-ax, math.sqrt(ay**2 + az**2))
# 陀螺仪积分（高频）
roll_gyro = self.roll + gx * self.dt
pitch_gyro = self.pitch + gy * self.dt
# 互补融合
self.roll = self.alpha * roll_gyro + (1 - self.alpha) * roll_acc
self.pitch = self.alpha * pitch_gyro + (1 - self.alpha) * pitch_acc
return self.roll, self.pitch4.2.2 扩展卡尔曼滤波（EKF）
EKF 是工业级飞控（如 PX4、ArduPilot）的标准方案，可融合 GPS、磁力计、气压计等多传感器：
状态向量：
x = q , v , p , b g , b a T \mathbf{x} = \\mathbf{q}, \\mathbf{v}, \\mathbf{p}, \\mathbf{b}_g, \\mathbf{b}_a^T x=q,v,p,bg,baT
其中 q \mathbf{q} q 为四元数， v \mathbf{v} v 为速度， p \mathbf{p} p 为位置， b g , b a \mathbf{b}_g, \mathbf{b}_a bg,ba 为陀螺/加速度偏置。
预测步骤：
x ^ k ∣ k − 1 = f ( x ^ k − 1 ∣ k − 1 , u k ) \hat{\mathbf{x}}{k|k-1} = f(\hat{\mathbf{x}}{k-1|k-1}, \mathbf{u}_k) x^k∣k−1=f(x^k−1∣k−1,uk)
P k ∣ k − 1 = F k P k − 1 ∣ k − 1 F k T + Q k P_{k|k-1} = F_k P_{k-1|k-1} F_k^T + Q_k Pk∣k−1=FkPk−1∣k−1FkT+Qk
更新步骤：
K k = P k ∣ k − 1 H k T ( H k P k ∣ k − 1 H k T + R k ) − 1 K_k = P_{k|k-1} H_k^T (H_k P_{k|k-1} H_k^T + R_k)^{-1} Kk=Pk∣k−1HkT(HkPk∣k−1HkT+Rk)−1
x ^ k ∣ k = x ^ k ∣ k − 1 + K k ( z k − h ( x ^ k ∣ k − 1 ) ) \hat{\mathbf{x}}{k|k} = \hat{\mathbf{x}}{k|k-1} + K_k(\mathbf{z}k - h(\hat{\mathbf{x}}{k|k-1})) x^k∣k=x^k∣k−1+Kk(zk−h(x^k∣k−1))
4.3 倾斜纠正控制律
4.3.1 姿态误差计算
使用四元数表示姿态误差，避免欧拉角奇异性（万向节死锁）：
q e r r = q d e s − 1 ⊗ q e s t \mathbf{q}{err} = \mathbf{q}{des}^{-1} \otimes \mathbf{q}_{est} qerr=qdes−1⊗qest
误差旋转向量：
θ e r r = 2 ⋅ sign ( q e r r , w ) ⋅ q e r r , x , q e r r , y , q e r r , z T \boldsymbol{\theta}{err} = 2 \cdot \text{sign}(q{err,w}) \cdot q_{err,x}, q_{err,y}, q_{err,z}^T θerr=2⋅sign(qerr,w)⋅qerr,x,qerr,y,qerr,zT
4.3.2 PID 姿态控制器
标准三环级联 PID 控制结构：
期望姿态角 → [姿态角PID] → 期望角速度 → [角速度PID] → 期望力矩 → [推力分配] → 电机指令
↑ ↑
姿态角反馈 角速度反馈（IMU）角速度内环（高带宽，~250Hz）：
τ i = K p , i ⋅ e ω , i + K i , i ⋅ ∫ e ω , i d t + K d , i ⋅ e ˙ ω , i \tau_i = K_{p,i} \cdot e_{\omega,i} + K_{i,i} \cdot \int e_{\omega,i} \, dt + K_{d,i} \cdot \dot{e}_{\omega,i} τi=Kp,i⋅eω,i+Ki,i⋅∫eω,idt+Kd,i⋅e˙ω,i
姿态角外环（低带宽，~50Hz）：
ω d e s , i = K p , ϕ ⋅ e ϕ , i \omega_{des,i} = K_{p,\phi} \cdot e_{\phi,i} ωdes,i=Kp,ϕ⋅eϕ,i
python
class AttitudePIDController:
def __init__(self):
# 姿态外环 P 增益
self.Kp_angle = {'roll': 6.5, 'pitch': 6.5, 'yaw': 3.0}
# 角速度内环 PID 增益
self.Kp_rate = {'roll': 0.15, 'pitch': 0.15, 'yaw': 0.20}
self.Ki_rate = {'roll': 0.05, 'pitch': 0.05, 'yaw': 0.02}
self.Kd_rate = {'roll': 0.003,'pitch': 0.003,'yaw': 0.0 }
self.integral = {'roll': 0.0, 'pitch': 0.0, 'yaw': 0.0}
self.prev_error = {'roll': 0.0, 'pitch': 0.0, 'yaw': 0.0}
# 积分限幅（Anti-windup）
self.integral_limit = 0.3
def compute(self, angle_des, angle_est, rate_est, dt):
"""
angle_des: 期望姿态角 {'roll':..., 'pitch':..., 'yaw':...}
angle_est: 估计姿态角
rate_est: 测量角速度
"""
torques = {}
for axis in ['roll', 'pitch', 'yaw']:
# 外环：姿态角误差 → 期望角速度
angle_error = angle_des[axis] - angle_est[axis]
rate_des = self.Kp_angle[axis] * angle_error
# 内环：角速度误差 → 力矩
rate_error = rate_des - rate_est[axis]
# 积分项（含限幅）
self.integral[axis] += rate_error * dt
self.integral[axis] = np.clip(self.integral[axis],
-self.integral_limit,
self.integral_limit)
# 微分项
derivative = (rate_error - self.prev_error[axis]) / dt
self.prev_error[axis] = rate_error
# PID 输出
torques[axis] = (self.Kp_rate[axis] * rate_error +
self.Ki_rate[axis] * self.integral[axis] +
self.Kd_rate[axis] * derivative)
return torques4.4 倾斜补偿：总推力的缩放修正
当无人机发生倾斜时，旋翼推力的竖直分量减小，会导致高度下降。因此需要对总推力进行倾斜补偿：
T c o r r e c t e d = T d e s cos ϕ ⋅ cos θ T_{corrected} = \frac{T_{des}}{\cos\phi \cdot \cos\theta} Tcorrected=cosϕ⋅cosθTdes
其中 ϕ , θ \phi, \theta ϕ,θ 为当前滚转角和俯仰角。
python
def tilt_compensated_thrust(T_des, roll, pitch):
"""
倾斜补偿：保持竖直推力分量不变
注意：大角度时补偿量会趋于无穷，需限幅
"""
import math
cos_tilt = math.cos(roll) * math.cos(pitch)
cos_tilt = max(cos_tilt, 0.5) # 防止除零，限制最大补偿为2倍
return T_des / cos_tilt⚠️ 注意：在大倾斜角（>45°）时，该补偿会产生超大推力需求，需结合最大推力限制进行裁剪。
4.5 重心偏移的自动学习补偿
对于系统性偏置（如重心偏移导致的稳态倾斜），可通过积分学习 或自适应控制进行长期补偿：
python
class TrimLearner:
"""在线学习稳态配平补偿量"""
def __init__(self, learning_rate=0.001, max_trim=0.1):
self.trim_roll = 0.0
self.trim_pitch = 0.0
self.lr = learning_rate
self.max_trim = max_trim
def update(self, roll_error, pitch_error):
"""根据长期姿态误差更新配平量"""
self.trim_roll += self.lr * roll_error
self.trim_pitch += self.lr * pitch_error
self.trim_roll = np.clip(self.trim_roll, -self.max_trim, self.max_trim)
self.trim_pitch = np.clip(self.trim_pitch, -self.max_trim, self.max_trim)
return self.trim_roll, self.trim_pitch五、完整控制框架
将上述模块整合，形成完整的飞控控制流程：
┌─────────────────────────────────────────────────────────────────┐
│ 传感器层 │
│ IMU(加速度计+陀螺仪) 气压计 GPS 磁力计 光流 │
└──────────────────────┬──────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ 姿态估计层（EKF / 互补滤波） │
│ 输出：Roll, Pitch, Yaw, 角速度, 位置, 速度 │
└──────────────────────┬──────────────────────────────────────────┘
│
┌──────────────┼──────────────┐
▼ ▼ ▼
┌──────────────┐ ┌──────────────┐ ┌──────────────────┐
│ 位置控制环 │ │ 速度控制环 │ │ 高度控制环 │
│ (P控制器) │ │ (PID控制器) │ │ (PID控制器) │
└──────┬───────┘ └──────┬───────┘ └────────┬─────────┘
│ │ │
└────────────────┴──────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ 姿态控制层（级联PID） │
│ 倾斜纠正 + 配平补偿 + 倾斜补偿推力缩放 │
│ 输出：期望力矩 [τ_φ, τ_θ, τ_ψ] + 期望总推力 T │
└──────────────────────┬──────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ 动态推力分配层 │
│ B⁻¹ 求逆 / 伪逆 / QP优化 电机饱和处理 故障容错 │
│ 输出：各电机推力指令 [f₁, f₂, f₃, f₄, ...] │
└──────────────────────┬──────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ 电机驱动层 │
│ PWM/DSHOT 信号 → ESC → 无刷电机 → 螺旋桨 │
└─────────────────────────────────────────────────────────────────┘六、工程调参指南
6.1 PID 调参步骤
基本原则：由内到外，先P后D再I
-
角速度内环（最高优先级）
- 逐步增大 K p K_p Kp，直到出现轻微振荡，然后退回 20%
- 增大 K d K_d Kd，抑制振荡，改善响应速度
- 少量 K i K_i Ki，消除稳态误差
-
姿态角外环
- 在内环稳定后，增大 K p K_p Kp，观察阶跃响应
- 外环通常只需要纯 P 控制
-
验证方法
- 使用遥控器施加扰动，观察恢复时间
- 用飞控日志分析频域响应（Bode图）
6.2 常见问题排查
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| 悬停时持续缓慢漂移 | 重心偏移 / IMU偏置 | 配平学习 / 重新校准IMU |
| 高频抖动/振荡 | K d K_d Kd 过大 / 电机噪声 | 降低 K d K_d Kd / 加陷波滤波器 |
| 姿态响应迟钝 | K p K_p Kp 过小 / 电机响应慢 | 提高 K p K_p Kp / 检查ESC设置 |
| 单方向持续倾斜 | 某电机推力下降 | 检查桨叶/电机 / 重新标定 |
| 偏航漂移 | 磁力计干扰 | 重新校准罗盘 / 转移干扰源 |
| 起飞时翻机 | 电机方向或布局配置错误 | 检查分配矩阵与实物一致性 |
6.3 推力分配调参注意事项
python
# 关键参数检查清单
class ThrustAllocationConfig:
# 1. 电机臂长（单位：米，从质心到电机中心）
arm_length = 0.225
# 2. 推力系数（需实验标定：f = k_f * PWM^2）
k_thrust = 1.0e-5
# 3. 力矩系数（正桨为正，反桨为负）
k_moment = 1.5e-7
# 4. 电机最大/最小推力（N）
f_max = 15.0 # 约 1.5kg 单电机最大推力
f_min = 0.5 # 最小怠速推力（防止电机停转）
# 5. 推力分配优先级
# True = 优先保证姿态，牺牲总推力（推荐）
# False = 等权重优化
attitude_priority = True七、进阶话题
7.1 倾转旋翼无人机的扩展推力分配
对于倾转旋翼（Tilt-rotor） 或 全向无人机 ，分配矩阵 B B B 会随旋翼倾转角 α i \alpha_i αi 实时变化：
B ( α ) = sin α 1 ⋯ sin α n cos α 1 ⋯ cos α n ⋯ B(\boldsymbol{\alpha}) = \begin{bmatrix} \sin\alpha_1 & \cdots & \sin\alpha_n \\ \cos\alpha_1 & \cdots & \cos\alpha_n \\ \cdots \end{bmatrix} B(α)= sinα1cosα1⋯⋯⋯sinαncosαn
此时需实时重算伪逆，或采用神经网络近似推力分配函数。
7.2 基于模型预测控制（MPC）的一体化分配
MPC 可将推力分配与姿态控制统一建模，在预测时域内同时优化：
min U ∑ k = 0 N − 1 ∥ x k − x r e f ∥ Q 2 + ∥ u k ∥ R 2 \min_{U} \sum_{k=0}^{N-1} \left \\\|\\mathbf{x}_k - \\mathbf{x}_{ref}\\\|_Q\^2 + \\\|\\mathbf{u}_k\\\|_R\^2 \\right Umink=0∑N−1∥xk−xref∥Q2+∥uk∥R2
优点：自然处理约束、预见性好；缺点：计算量大，需要高性能处理器。
7.3 强化学习在推力分配中的应用
近年来，基于深度强化学习（DRL） 的端到端飞控研究逐渐兴起：
- 输入：传感器原始数据
- 输出：电机PWM指令
- 训练环境：物理仿真（Gazebo/Isaac Gym）
- 代表工作：ETH Zurich 的 Learning Agile Flight、Agility in Turbulence 等
八、总结
本文系统介绍了无人机动态推力分配与倾斜纠正的核心原理：
| 模块 | 核心思想 | 关键技术 |
|---|---|---|
| 动力学建模 | 六自由度方程描述运动 | 旋转矩阵、欧拉方程 |
| 推力分配 | 广义力 → 电机推力映射 | 矩阵求逆、伪逆、QP优化 |
| 姿态估计 | 多传感器融合消除噪声 | 互补滤波、EKF |
| 倾斜纠正 | 误差反馈闭环控制 | 级联PID、四元数误差 |
| 倾斜补偿 | 维持竖直推力分量 | 1 / cos ϕ cos θ 1/\cos\phi\cos\theta 1/cosϕcosθ 缩放 |
推力分配 和 倾斜纠正 看似独立，实则深度耦合------姿态控制的输出直接驱动推力分配，而推力分配的饱和状态也会反向影响姿态响应的品质。优秀的飞控设计需要在两者之间寻找最优平衡。
参考资料
- Mahony, R., et al. "Multirotor Aerial Vehicles: Modeling, Estimation, and Control of Quadrotor." IEEE Robotics & Automation Magazine, 2012.
- Faessler, M., et al. "Differential Flatness of Quadrotor Dynamics Subject to Rotor Drag for Accurate Tracking of High-Speed Trajectories." IEEE RA-L, 2018.
- Brescianini, D., & D'Andrea, R. "Computationally Efficient Trajectory Generation for Fully Actuated Multirotor Vehicles." IEEE Transactions on Robotics, 2018.
- PX4 Autopilot 官方文档：https://docs.px4.io
- ArduPilot 源码：https://github.com/ArduPilot/ardupilot
- Michieletto, G., et al. "Fundamental Actuator Constraints and Implications for Multirotors." IEEE T-RO, 2018.
📌 如果本文对你有帮助，欢迎点赞收藏！有问题欢迎在评论区交流。
🔔 关注本专栏，获取更多无人机飞控算法、嵌入式开发、ROS 相关技术文章。
版权声明：本文为原创技术博客，转载请注明出处。