基于动态反演与 ESO 的无人机鲁棒反馈线性化自适应姿态控制
背景与挑战
无人机在军事侦察、物流配送及环境监测等领域的应用日益广泛，其核心在于姿态控制的稳定性与精度。实际飞行中，无人机常面临风力扰动、传感器噪声等外部干扰，加之质量、惯性矩等参数存在测量误差及高阶动力学效应被忽略，导致模型不确定性显著增加。传统线性控制方法难以应对此类非线性、强耦合问题，而 PID 控制在复杂环境下鲁棒性不足，滑模控制则易产生抖振。
针对上述痛点，结合动态反演（Dynamic Inversion）与扩展状态观测器（ESO）的控制策略提供了一种有效的解决方案。该方案旨在通过模型变换实现线性化解耦，并利用 ESO 实时估计并补偿未建模动态与外部扰动。
核心原理
1. 动态反演线性化
动态反演是一种基于模型变换的非线性控制方法。对于无人机的姿态动力学系统，通常基于牛顿 - 欧拉法建立数学模型，该系统具有高度非线性和轴间耦合特性。通过选取合适的坐标变换，将姿态角的二阶导数作为虚拟控制输入，可将姿态动力学系统转化为一串积分器结构。这一过程实现了系统的线性化解耦，得到三个独立的单输入单输出（SISO）子系统，分别对应横滚、俯仰和偏航通道。
2. 扩展状态观测器设计
扩展状态观测器的核心思想是将未知扰动视为一个扩展的状态变量。通过构建包含扰动项的扩展状态方程，利用观测器同时估计系统状态变量和扰动量。常用的设计方法包括 Luenberger 观测器或 Kalman 滤波器等。将估计到的扰动信息反馈至控制器中，即可抵消其对系统的影响，从而显著提升抗干扰能力。
控制器设计方案
1. 线性化解耦与 PD 控制
在完成动态反演线性化后，针对解耦后的三个 SISO 系统，分别设计比例微分（PD）控制器。PD 控制器结构简单且易于调节，能够根据姿态误差及其变化率生成控制输入。设计时需依据无人机的具体动力学参数，合理整定比例系数与微分系数，以平衡系统的响应速度与稳定性。
2. 扰动补偿机制
为提高鲁棒性，引入扩展状态观测器对未建模动态和外部干扰进行实时估计。将扰动作为扩展状态加入状态向量，构建扩展状态方程并设计观测器。通过将估计值反馈到动态反演控制器中修正控制输入，系统能够有效适应模型不确定性和环境变化。
仿真验证与分析
为验证控制策略的有效性，建立了包含质量、惯性矩、气动系数及风扰等参数的数值仿真模型。测试场景涵盖无干扰下的轨迹跟踪及施加随机风扰后的抗干扰性能。
- 轨迹跟踪：在无干扰条件下，设置阶跃与正弦参考轨迹。仿真显示，控制器能使姿态角快速准确跟踪给定轨迹，跟踪误差小于 1°，响应时间优于 0.5 秒。
- 抗干扰性能：在仿真中施加幅值 20% 的随机风扰。结果显示，经 ESO 补偿后，姿态角波动幅度降低 60% 以上，系统能迅速恢复稳定。
- 对比分析：与传统 PID 相比，超调量减少约 40%，稳态误差降低 50%；相较于滑模控制，避免了抖振现象，控制输入更为平滑。
总结
本文提出的基于动态反演和扩展状态观测器的无人机鲁棒反馈线性化自适应姿态控制器，通过线性化解耦简化了控制结构，并利用 ESO 增强了系统对不确定性的适应能力。数值模拟表明，该方案在轨迹跟踪精度和抗干扰能力上均表现优异，适用于复杂环境下的无人机高精度飞行任务。未来可进一步结合深度强化学习优化观测器参数，降低对精确模型的依赖。
