四旋翼无人机悬停线性化模型PID、LQR与MPC控制对比

这次我们来看一个偏控制工程方向的经典项目四旋翼无人机悬停线性化模型的 PID、LQR 与 MPC 控制性能对比。项目给的是一整套 Matlab 代码加详细注释适合做飞控算法入门、控制理论课设、本科毕设或者提前调研飞控控制器选型的同学。它解决的问题很直接同一架四旋翼同一个悬停线性化模型分别用 PID、LQR、MPC 去控制谁的超调更小、谁的抗扰更强、谁的控制量更稳定、谁的代码更复杂。在飞控圈子里PID 是默认基线LQR 提供全状态最优反馈MPC 能显式处理约束。这三个控制器单独拿出来都有大量资料但是放在同一套模型里做公平对比的代码并不多。这个项目的价值就在于它把建模、线性化、控制器设计、仿真对比串成了一条完整链路而且代码注释很细适合对照论文逐步理解。本文会带你拆解这套项目的建模思路、三种控制器的设计方法、关键 Matlab 代码以及如何设计实验把结果对比清楚。如果不想只停留在“能跑出图”的阶段建议先做一件事把非线性模型、悬停点线性化、控制器权重这三个环节单独拆开看。下面先给出一份核心能力速览再逐项展开。1. 核心能力速览能力项说明项目类型四旋翼无人机控制算法仿真与对比模型基础四旋翼刚体动力学模型悬停点小扰动线性化控制器覆盖PID、LQR、MPC 三种控制器运行环境Matlab建议 R2020b 及以上实际以本机能安装的版本为准需要硬件不需要真实无人机纯 Matlab 仿真可完成代码形态建模脚本、控制器函数、主仿真对比脚本带详细注释输出结果状态响应曲线、控制量曲线、性能指标对比表上手难度中等需要理解状态空间方程和反馈控制基本概念适合场景课设、毕设、飞控算法选型预研、控制理论入门需要注意一个关键点这个项目的所有结论都是针对“悬停点线性化模型”的。在这个模型下PID、LQR、MPC 的对比是公平的、可复现的但结论不能直接外推到真机大机动飞行场景。真机还会遇到执行器饱和、气动扰动、传感器噪声、模型不确定性这些在悬停线性化模型里不一定完整体现。2. 适用场景与使用边界先说适合谁。如果你是自动化、控制工程、航空航天相关专业的学生正在做四旋翼方向课设或者毕设这套代码可以作为基础框架。它能帮你解决三件事第一理解四旋翼的动力学模型怎么建立第二学会在悬停点附近做线性化第三把 PID、LQR、MPC 放在同一个模型下对比给自己的论文提供定量结果。如果你是在做飞控相关竞赛项目也可以用它做算法预研。先在线性化模型上调通控制逻辑再迁移到半物理仿真或者实际飞控里。但要注意实际工程里飞控通常用的是串级 PID 或者加入总能量控制、自抗扰控制等方案这里的单层 PID 设计更多是教学基线。这个项目不适合的场景也很明确不适合直接用于真机部署。线性化模型只在悬停点附近有效当无人机做大角度机动、高速飞行或者遇到阵风时线性化模型的误差会明显增大。此时必须回到非线性模型或者改用在模型预测控制中引入非线性预测模型与约束处理。实际飞行还涉及传感器融合、状态估计、执行器调度、航线规划等模块这套代码只覆盖了姿态和位置控制最核心的控制律部分。另外需要提醒使用边界仿真用的控制器参数和真实飞行参数之间没有直接映射关系。真机需要根据桨叶、电机、机体惯量实测数据进行建模和调参。如果后续要做实物验证必须遵守当地空域管理规定在合法合规的场地进行飞行前检查电量、GPS、遥控器对频和紧急停桨逻辑。3. 四旋翼无人机建模与悬停点线性化3.1 四旋翼动力学模型四旋翼无人机通常建模为一个六自由度刚体。机体由四个旋翼提供升力和力矩控制输入是四个电机的转速或者等效推力。常见做法是把四个旋翼的推力组合成四个虚拟控制量总升力、俯仰力矩、滚转力矩、偏航力矩然后分别控制高度、俯仰角、滚转角和偏航角。在 Matlab 中建立非线性模型时最简单的形式是使用欧拉角描述姿态。忽略空气阻力等未建模扰动时位置和速度方程可以写成% 状态向量 x [x; y; z; vx; vy; vz; phi; theta; psi; p; q; r] % 控制输入 u [U1; U2; U3; U4] 分别对应总升力、滚转力矩、俯仰力矩、偏航力矩 % 以下为简化非线性模型的核心函数框架 function dx quadrotor_dynamics(x, u, params) g params.g; m params.m; Ixx params.Ixx; Iyy params.Iyy; Izz params.Izz; % 欧拉角和角速度 phi x(7); theta x(8); psi x(9); p x(10); q x(11); r x(12); U1 u(1); % 总升力 U2 u(2); % 滚转力矩 U3 u(3); % 俯仰力矩 U4 u(4); % 偏航力矩 % 加速度方程简化形式 ax (cos(phi)*sin(theta)*cos(psi) sin(phi)*sin(psi)) * U1 / m; ay (cos(phi)*sin(theta)*sin(psi) - sin(phi)*cos(psi)) * U1 / m; az (cos(phi)*cos(theta)) * U1 / m - g; % 角加速度方程简化形式 dp (Iyy - Izz)/Ixx * q * r U2 / Ixx; dq (Izz - Ixx)/Iyy * p * r U3 / Iyy; dr (Ixx - Iyy)/Izz * p * q U4 / Izz; dx zeros(12, 1); dx(1:3) x(4:6); dx(4:6) [ax; ay; az]; dx(7:9) [p sin(phi)*tan(theta)*q cos(phi)*tan(theta)*r; cos(phi)*q - sin(phi)*r; sin(phi)/cos(theta)*q cos(phi)/cos(theta)*r]; dx(10:12) [dp; dq; dr]; end这段代码是标准的刚体动力学框架测试时可以直接作为非线性被控对象使用。3.2 悬停点线性化悬停状态下无人机的平衡条件是位置不变、速度为 0、姿态角接近 0、角速度为 0。此时四个旋翼产生的总升力约等于重力即 U1 m * g其余力矩为 0。在这个平衡点附近做一阶泰勒展开就能得到线性状态空间模型x_dot A * x B * uMatlab 里既可以用符号推导或者数值差分得到 A 和 B 矩阵也可以在 simulink 里用 linmod 做线性化。比较可复现的方式是用数值扰动法% 数值线性化框架在悬停平衡点附近对非线性模型求雅可比矩阵 % 状态量 12 维控制量 4 维 % 平衡点 x0 zeros(12, 1); u0 [m*g; 0; 0; 0]; % 对状态求偏导 A A zeros(12, 12); dx0 quadrotor_dynamics(x0, u0, params); for i 1:12 xp x0; xp(i) x0(i) eps; xn x0; xn(i) x0(i) - eps; A(:, i) (quadrotor_dynamics(xp, u0, params) - quadrotor_dynamics(xn, u0, params)) / (2*eps); end % 对控制求偏导 B B zeros(12, 4); for j 1:4 up u0; up(j) u0(j) eps; un u0; un(j) u0(j) - eps; B(:, j) (quadrotor_dynamics(x0, up, params) - quadrotor_dynamics(x0, un, params)) / (2*eps); end % 输出离散化模型 C eye(12); D zeros(12, 4); sys_c ss(A, B, C, D); Ts 0.01; sys_d c2d(sys_c, Ts); Ad sys_d.A; Bd sys_d.B;这里给的是数值线性化模板实际项目里需要把 eps 调整到合适的步长。更稳妥的判断是线性化之后的模型矩阵应该满足悬停点附近的物理直觉比如位置状态对应速度状态的一阶导数关系、输入扭矩对应角加速度的惯性比。拿到 A、B 矩阵后控制器设计就可以开始。4. 三种控制器设计思路4.1 PID 控制设计PID 控制器在飞控里最常见优点是直观、计算量小、不依赖精确模型。悬停线性化模型下可以把高度通道和三个姿态通道分开设计 PID。例如高度控制使用高度误差和垂向速度误差作为反馈姿态控制使用目标角度与实际角度的误差。在单层 PID 设计里每个通道用标准 PID 公式控制控制量 Kp * 误差 Ki * 误差积分 Kd * 误差微分。仿真时需要对微分项做滤波处理避免高频噪声被放大。PID 参数的调优可以从 P 开始先加入比例项让系统稳定然后加 D 抑制超调最后加 I 消除稳态误差。初始参数建议给到比较保守的范围然后逐步加大。4.2 LQR 控制设计LQR 是线性二次型最优控制核心是把控制问题转化为一个二次型性能指标优化。对于线性状态空间模型 x_dot A x B uLQR 设计需要定义状态权重矩阵 Q 和控制权重矩阵 RJ ∫ (x^T Q x u^T R u) dtQ 矩阵越大系统越强调快速回到平衡点R 矩阵越大系统越强调节省控制能量。Matlab 中直接使用 lqr 函数求解反馈增益 K。由于悬停模型是 12 维状态、4 维控制通常会把 Q 设计成对角矩阵对角元素分别对应位置、速度、姿态角、角速度的权重R 对应四个虚拟控制量的权重。LQR 的优势是全状态反馈耦合处理比 PID 好劣势是如果状态量不全可测需要设计观测器或者做输出反馈。4.3 MPC 控制设计MPC 模型预测控制的核心思想是在每个采样时刻基于当前状态和预测模型在预测时域内求解一个带约束的有限时域优化问题得到一组最优控制序列然后只执行第一步到下一个采样时刻重新求解。MPC 相比 PID 和 LQR 的明显优势是能处理约束。真实无人机的执行器是限幅的电机转速有上下限电流有上限这些约束在 PID 和 LQR 里不好直接显式建模但在 MPC 里可以作为约束条件直接写进优化问题。代价是计算量大采样周期短的时候对实时性压力很高。在悬停线性化模型中MPC 可以使用离散线性模型作为预测模型目标函数为预测状态偏差与控制增量的二次型然后用二次规划求解器求解。Matlab 里可以用 mpc 工具箱也可以自己写一个用 quadprog 或 fmincon 求解的简化版本。5. Matlab 代码实现5.1 PID 控制器代码以下是一个高度通道 PID 的示例实现姿态通道可以按同样结构扩展。% 离散 PID 控制器带微分滤波 classdef PIDController handle properties Kp Ki Kd Ts integral prev_error diff_error filter_alpha end methods function obj PIDController(Kp, Ki, Kd, Ts) obj.Kp Kp; obj.Ki Ki; obj.Kd Kd; obj.Ts Ts; obj.integral 0; obj.prev_error 0; obj.diff_error 0; obj.filter_alpha 0.1; % 微分滤波器系数需要按实际调 end function u update(obj, error) obj.integral obj.integral error * obj.Ts; % 简单微分滤波一阶低通 obj.diff_error obj.filter_alpha * (error - obj.prev_error) / obj.Ts ... (1 - obj.filter_alpha) * obj.diff_error; obj.prev_error error; u obj.Kp * error obj.Ki * obj.integral obj.Kd * obj.diff_error; end end end使用示例% 创建高度 PID alt_pid PIDController(8.0, 0.5, 2.0, Ts); % 每个控制周期调用 update输入为高度误差 u_alt alt_pid.update(z_ref - z_cur);这里 PID 参数是示例值实际需要根据模型参数调整。初始调试可以先让 Ki 0、Kd 0只调 Kp直到系统稳定但不理想再逐步加入 D 和 I。5.2 LQR 控制器代码LQR 的设计核心是选择权重矩阵。以下代码是 LQR 增益计算的示例% 基于悬停线性化模型设计 LQR % 假设已经得到连续或离散线性模型 sys_c / sys_d A sys_c.A; B sys_c.B; % 状态权重矩阵 Q需要根据物理量纲和性能需求设置 % 这里给出一种对角配置示例位置权重 10速度权重 5姿态权重 20角速率权重 1 Q diag([10*ones(1,3), 5*ones(1,3), 20*ones(1,3), 1*ones(1,3)]); % 控制权重矩阵 R对应四个虚拟控制量 R diag([0.1, 0.1, 0.1, 0.1]); % LQR 求解反馈增益矩阵 K [K, S, e] lqr(A, B, Q, R); % 控制律 u -K * x % 这里通常需要转换为跟踪参考输入的形式 % u -K * (x - x_ref) u_ref如果采用离散模型可用 dlqr 函数。LQR 反馈增益 K 会把所有状态量加权组合到控制量上所以需要确保所有状态可测或者有估计值。在仿真中这不成问题在真机上则需要搭配状态估计器。5.3 MPC 控制器代码这里给出一个简化 MPC 的二次规划实现。核心是构建预测矩阵和目标函数然后调用 quadprog 求解。% 简化 MPC线性模型 二次目标 控制量约束 % 离散模型 Ad, Bd 由 c2d 得到 % 预测时域 Np控制时域 Nc状态维度 nx控制维度 nu function u_opt mpc_control(Ad, Bd, x0, x_ref, Np, Nc, Q_mpc, R_mpc, u_min, u_max) nx size(Ad, 1); nu size(Bd, 2); % 构建预测系统矩阵 [F, G] build_prediction_matrix(Ad, Bd, Np, Nc); % 目标函数转换为二次规划标准型0.5 * u * H * u f * u % 这里假设只优化控制序列 U 的长度为 Nc * nu Q_mpc_kron kron(eye(Np), Q_mpc); R_mpc_kron kron(eye(Nc), R_mpc); H 2 * (G * Q_mpc_kron * G R_mpc_kron); f 2 * G * Q_mpc_kron * (F * x0 - kron(ones(Np, 1), x_ref)); % 控制量约束 lb repmat(u_min, Nc, 1); ub repmat(u_max, Nc, 1); opts optimoptions(quadprog, Display, off); U_opt quadprog(H, f, [], [], [], [], lb, ub, [], opts); % 取第一步控制量 u_opt U_opt(1:nu); end function [F, G] build_prediction_matrix(Ad, Bd, Np, Nc) nx size(Ad, 1); nu size(Bd, 2); F zeros(nx * Np, nx); G zeros(nx * Np, nu * Nc); Ai eye(nx); for i 1:Np F((i-1)*nx1:i*nx, :) Ai; Ai Ai * Ad; end % 构建 G 矩阵需要按预测时域和控制时域展开 % 这里给出标准 Givens 形式的构建逻辑 for i 1:Np Ai eye(nx); for j 1:min(i, Nc) if i 1 j 1 G((i-1)*nx1:i*nx, (j-1)*nu1:j*nu) Bd; elseif j i G((i-1)*nx1:i*nx, (j-1)*nu1:j*nu) Bd; elseif i j % 需要累乘 Ad tmp Ad^(i-j) * Bd; G((i-1)*nx1:i*nx, (j-1)*nu1:j*nu) tmp; end end end end这段代码是简化教学实现效率和数值稳定性都不如 Matlab MPC Toolbox但逻辑清楚适合理解 MPC 的核心预测优化结构。实际项目中如果使用 MPC Toolbox可以用 mpc 对象直接搭建更方便处理硬约束和软约束。5.4 主仿真对比脚本主脚本负责串联整个流程% 主仿真脚本PID / LQR / MPC 对比 % 1. 初始化参数 params struct(g, 9.81, m, 1.2, Ixx, 0.01, Iyy, 0.01, Izz, 0.02); Ts 0.01; Tfinal 10; t 0:Ts:Tfinal; N length(t); % 2. 得到线性模型 % A, B, sys_c, sys_d 由之前线性化代码得到 % ... % 3. 控制器初始化 pid_z PIDController(8.0, 0.5, 2.0, Ts); % LQR 增益 Q_lqr diag([10*ones(1,3), 5*ones(1,3), 20*ones(1,3), 1*ones(1,3)]); R_lqr diag([0.1, 0.1, 0.1, 0.1]); [K_lqr, ~, ~] lqr(sys_c.A, sys_c.B, Q_lqr, R_lqr); % MPC 参数 Np 20; Nc 5; Q_mpc diag([5*ones(1,3), 2*ones(1,3), 10*ones(1,3), 0.5*ones(1,3)]); R_mpc diag([0.5, 0.5, 0.5, 0.5]); u_min -10*ones(4,1); u_max 10*ones(4,1); % 4. 仿真循环 x zeros(12, 1); x_history zeros(12, N); u_history zeros(4, N); for k 1:N % 高度参考值例如 1 米阶跃 z_ref 1.0; % 控制量计算 % PID u_pid zeros(4,1); u_pid(1) params.m * params.g pid_z.update(z_ref - x(3)); % LQR u_lqr -K_lqr * (x - x_ref) u_ref; % MPC u_mpc mpc_control(Ad, Bd, x, x_ref, Np, Nc, Q_mpc, R_mpc, u_min, u_max); % 这里选择其中之一用于非线性模型仿真 u u_lqr; % 切换控制器 % 使用 RK4 或 ode45 更新非线性模型 x rk4_step(x, u, Ts, params); x_history(:, k) x; u_history(:, k) u; end % 5. 绘图对比 figure; subplot(3,1,1); plot(t, x_history(3,:)); title(高度响应); subplot(3,1,2); plot(t, x_history(7,:)); title(俯仰角响应); subplot(3,1,3); plot(t, u_history(1,:)); title(总升力控制量);这个脚本框架把三种控制器放在同一个非线性模型上做测试所以结论更接近真实情况。实际项目里如果需要单独对比线性模型与非线性模型的差异可以将被控对象切换为线性模型。6. 仿真实验设计与性能对比方法有了一套能跑的 Matlab 代码框架接下来的重点不是让代码跑通而是设计出有说服力的对比实验。建议至少设计三组实验。6.1 实验一悬停阶跃响应给高度通道一个阶跃参考比如从 0 米到 1 米同时保持姿态角参考为 0。三种控制器分别运行记录高度响应、姿态角响应和控制量。这一步重点看谁的超调量小、谁的调节时间短、谁的稳态误差接近零。对比指标可以做成表格控制器超调量调节时间(2%)稳态误差控制量峰值PID待仿真记录待仿真记录待仿真记录待仿真记录LQR待仿真记录待仿真记录待仿真记录待仿真记录MPC待仿真记录待仿真记录待仿真记录待仿真记录表中的数值需要自己跑仿真后填写不要照抄其他论文的参数。6.2 实验二抗扰动性能在仿真到第 5 秒时给水平方向施加一个持续 1 秒的常值扰动力模拟阵风。记录无人机在扰动下的位置偏移和恢复时间。这个实验的关键差异最容易暴露PID 如果没有针对该通道做积分会有明显稳态偏移LQR 和 MPC 的表现取决于 Q 权重里对位置误差的惩罚强度MPC 能在预测模型中显式看到扰动的影响但前提是扰动可预测或者需要设计扰动观测器。6.3 实验三控制量约束对比给控制量加上相同的限幅约束比如总升力在 [0, 2mg] 范围内。这时 PID 和 LQR 如果直接输出超出限幅的控制量会被截断可能出现积分饱和或者响应变慢MPC 因为优化时已经把约束写进去了会提前规划控制轨迹避免超限。这个实验最值得做因为它能直观看出 MPC 的工程优势。三组实验做完用绘图脚本把曲线集中在一张图里对比同时计算每次实验的性能指标整理成表格这就是论文里非常有说服力的结果页。7. 结果解读与参数调优思路7.1 PID 调参思路PID 参数在悬停模型里不要一开始就同时调三个参数。建议先用 Ziegler-Nichols 或者手动递增 Kp直到系统出现等幅振荡记录振荡周期再根据经验表给出 Ki 和 Kd。在仿真环境里没有传感器噪声Kd 可以大一点但在真机上 Kd 过大会放大测量噪声。如果高度通道有稳态误差先加 Ki。但注意 Ki 过大会导致超调和低频振荡。控制量饱和时还需要考虑积分限幅或者积分分离否则会积分饱和。7.2 LQR 调参思路LQR 的调参核心是 Q 和 R。比较高效的做法是从一个保守的 Q、R 出发用仿真看状态响应然后调整权重比。一般原则是如果位置误差收敛太慢增大位置对应的 Q 权重如果控制量过大或者动作过猛增大对应 R 权重如果姿态角波动明显增大姿态角对应的 Q 权重。Q、R 是相对权重实际起作用的是两者比值不是绝对值。另外要注意如果 Q 矩阵中出现跨状态耦合项的设置要结合物理意义不要随意设置非对角项。7.3 MPC 调参思路MPC 的可调参数更多包括预测时域 Np、控制时域 Nc、Q、R、约束范围。建议先固定 Q、R调 Np 和 Nc。Np 太小会丢失远期信息导致稳定性下降Np 太大计算量增加在仿真里问题不大在实时系统里会拖慢控制周期。Nc 一般取 3 到 10大于 Nc 之后控制增量收益会递减。约束范围的设置要基于执行器实际能力不要为了好看把约束设得很宽。如果 MPC 频繁无解或者求解时间超过控制周期优先放宽控制量约束或者把约束改成软约束。7.4 三种控制器的结果差异预期基于控制理论的基本结论可以预期在无约束问题中LQR 和 MPC 的差别不大因为 LQR 本身就是一个无限时域的最优控制MPC 的优势主要体现在约束场景。PID 在单通道独立控制下也能做到不错的效果但耦合较强时调参会比较累。MPC 控制量最平缓但计算复杂度显著高于 PID 和 LQR。更具体的结论需要以实际仿真结果为准。跑完三组实验把曲线和指标摆在一起是这套项目最有价值的部分。8. 常见问题与排查方法问题现象可能原因排查方式解决方案线性化后 A、B 矩阵有 NaN数值差分步长选择不合理 / 平衡点设置不准确检查 x0、u0 是否满足平衡条件调整 eps 步长用符号求导验证PID 控制发散Kp 过大 / Kd 过小 / 积分饱和先关掉 KI只调 KP逐步增大 KD从保守参数开始观察响应趋势LQR 计算结果返回 NaNQ、R 非正定 / 系统不可控检查 Q、R 是否正定计算可控性矩阵调 Q、R 为严格对角正定矩阵确认可控性MPC 优化无解约束过紧 / 预测时域设置不合理查看 quadprog 返回信息放宽约束或增大 Np、Nc仿真速度太慢MPC 每个采样点都调用优化求解器查看 MPC 求解耗时减少 Np、Nc改用 MPC Toolbox 的 codegen 加速三组实验结果差异不明显控制器参数没有调到各自最优检查各控制器是否已经调参分别把三种控制器调到较优状态再对比高度通道持续偏移未加入积分项 / LQR 无积分项查看稳态误差加入积分项或者使用扩展状态模型姿态角出现高频抖动微分项滤波不够 / 采样周期不当查看控制量高频振荡增加滤波系数降低 Kd如果在 Matlab 启动阶段就遇到工具箱缺失比如 quadprog 不在路径中需要检查 Optimization Toolbox 是否安装。可以用ver命令确认。lqr 函数依赖 Control System Toolboxmpc 相关函数如果自己用 quadprog 实现则只依赖 Optimization Toolbox。9. 最佳实践与使用建议第一建议把代码拆成四个文件管理参数初始化、模型定义、控制器定义、主仿真脚本。这样当你想换一组控制器参数时不需要在主脚本里翻找。模型文件保持纯函数形式方便后续复制到 Simulink 做更复杂的仿真。第二参数调整要有记录。控制器的每次改动记录下 Q、R、PID 参数和对应的性能指标做到改动可回退。这里建议建一个 params 结构体统一管理不要散落在脚本里。第三实验顺序固定。先测阶跃响应再测抗扰动最后测约束场景。每一组实验都要把控制器的参数记录在实验结果旁边否则隔几天再看就不知道参数来自哪次调整。第四合规和授权。纯 Matlab 仿真不涉及真实飞行器和空域问题但如果后续把控制算法放到真机上验证必须遵守当地飞行管理规定选择合法场地做好飞行前安全检查和紧急停止机制。代码中使用的人名、论文数据如果来自其他作者需要保留引用来源。第五如果用于课程报告或者论文配图建议把仿真图中的三条曲线用不同线型和颜色区分并附上性能指标表格这样比单纯贴代码更有说服力。图表的轴标签建议加上单位统一中英文命名规范。10. 总结与下一步这个项目的核心价值不是“哪个控制器最好”而是提供了一套统一建模、统一对比的完整链路。从四旋翼非线性动力学方程出发推导悬停点线性化模型再在同一个模型上分别设计 PID、LQR、MPC最后用仿真实验把它们的阶跃响应、抗扰性能和约束处理能力放在同一张图里比较。这套思路本身就是一个完成度很高的控制类课设或论文工作。建议拿到代码后第一个要验证的功能是高度通道的阶跃响应。先跑通非线性模型和线性化脚本再切换三种控制器看输出差异。最容易踩的坑是线性化时平衡点设置不准确导致 A 矩阵不合理后面所有控制器的表现都会异常。如果发现控制器效果都不好先回头检查模型而不是急着调参数。接下来可以考虑的方向有三个一是对非线性模型做串级 PID 结构贴近真实飞控二是在 MPC 里加入状态估计器处理不可测状态三是把控制器迁移到 Simulink 中做基于 Pixhawk 的半物理仿真进一步对标实机调参流程。对于正在做毕设或者课设的同学这套代码值得作为起点往任一个方向深入都有足够的延展空间。