简介《Small Unmanned Aircraft: Theory and Practice》是普林斯顿大学出版社出版的无人机领域经典教材电子版面向无人机飞控算法学习者、自动化与航空航天专业学生及工程研发人员系统讲解小型无人机从建模到自主控制的理论体系与实践方法。资源包内含1个PDF文件大小约4.89MB内容完整覆盖系统架构、坐标系与旋转矩阵、运动学与动力学、力与矩分析、线性设计模型、自驾仪设计、传感器与状态估计、制导律等核心章节并配有设计项目与习题便于读者按章节循序渐进地掌握飞控开发全流程。目前已有306人学习下载适合希望深入理解无人机建模、控制与导航原理并动手实现自主飞行系统的读者参考研读。1. 从一份被翻烂的《Small Unmanned Aircraft》说起小型无人机到底怎么从纸面飞进现实很多人第一次接触小型无人机是从一份流传很广的《Small Unmanned Aircraft - Theory and Practice》PDF 开始的。它不像产品说明书那样告诉你按哪个键起飞而是把「为什么能飞、怎么算得准、怎么控得住」拆成一条完整的链路。我见过太多团队飞机能悬停一进自主航线就画龙一遇侧风就炸机回头翻书才发现问题早在建模那一步就埋下了。这份材料真正解决的不是「怎么组装一架小飞机」而是让从业者理解从刚体动力学到传感器融合再到制导律设计每一层怎么衔接、参数怎么定、边界在哪。它适合已经能飞手动、想往自主控制走的人也适合做仿真验证却总对不上真机数据的工程师。小型无人机不是大飞机的缩比它的转动惯量小、响应快、对扰动敏感这套理论的价值就在于把「玄学调参」变成可推导、可复现的工程流程。2. 小型无人机的动力学建模从六自由度方程到可用的状态空间2.1 为什么小尺寸反而让建模更棘手小型无人机的建模难点不在方程本身而在尺度效应。翼展一两米的平台转动惯量可能只有大飞机的千分之一舵面偏转几度就能在零点几秒内产生明显角加速度。这意味着忽略电机动态、忽略桨叶挥舞、忽略机身柔性在大型机上可能只是精度损失在小型机上直接导致控制器相位裕度不够。常见做法是先用六自由度刚体方程搭骨架再按需补气动导数和执行机构一阶模型。我一般会先确认三个量质量、转动惯量矩阵、气动参考面积与弦长。这三个量不准后面所有整定都是白费。六自由度方程写成状态空间形式状态量取位置、速度、姿态角、角速率共十二维。对于小型无人机姿态运动比位置运动快一个数量级所以工程上常做时间尺度分离外环位置控制用低频内环姿态控制用高频。这个假设在悬停和低速前飞时成立一旦进入大机动或强风切变耦合项就不能再忽略。2.2 用 Python 搭一个最小刚体模型下面这段代码只保留核心的刚体动力学积分目的是让你能跑起来、看到姿态响应而不是替代完整气动数据库。参数用虚构的模拟平台量级参考常见小型固定翼。import numpy as np # 虚构模拟平台参数量级参考小型固定翼 m 2.5 # 质量 kg g 9.81 # 重力加速度 J np.diag([0.08, 0.12, 0.18]) # 转动惯量矩阵 kg*m^2 J_inv np.linalg.inv(J) def rigid_body_dynamics(state, force_body, moment_body): state: [u, v, w, p, q, r, phi, theta, psi] 体轴系速度、角速率、欧拉角 force_body: 体轴系合力 N moment_body: 体轴系合力矩 N*m u, v, w, p, q, r, phi, theta, psi state vel np.array([u, v, w]) omega np.array([p, q, r]) # 平动方程体轴系下含科氏项 acc force_body / m - np.cross(omega, vel) # 转动方程欧拉方程 ang_acc J_inv (moment_body - np.cross(omega, J omega)) # 欧拉角运动学 phi_dot p np.tan(theta) * (q * np.sin(phi) r * np.cos(phi)) theta_dot q * np.cos(phi) - r * np.sin(phi) psi_dot (q * np.sin(phi) r * np.cos(phi)) / np.cos(theta) return np.array([acc[0], acc[1], acc[2], ang_acc[0], ang_acc[1], ang_acc[2], phi_dot, theta_dot, psi_dot]) # 单步积分示例 dt 0.01 state np.zeros(9) state[0] 15.0 # 初始前飞速度 m/s force np.array([0.0, 0.0, -m * g]) # 配平升力 moment np.array([0.0, 0.05, 0.0]) # 俯仰力矩扰动 deriv rigid_body_dynamics(state, force, moment) state_next state deriv * dt print(下一步状态:, np.round(state_next, 4))逻辑说明平动方程里np.cross(omega, vel)是体轴系旋转带来的科氏项小型无人机角速率大这一项不能省。转动方程用欧拉方程而非简单J*ang_acc moment因为omega × (J·omega)在快速滚转时贡献明显。欧拉角运动学里tan(theta)和1/cos(theta)在俯仰接近 ±90° 时奇异所以真实工程里内环多用四元数这里为了直观保留欧拉角。参数说明J矩阵的三个对角元分别对应滚转、俯仰、偏航。小型无人机偏航惯量通常最大滚转最小所以滚转响应最快。dt取 0.01 秒是常见内环仿真步长真机飞控内环常跑到 0.002 到 0.004 秒。初始速度给 15 m/s 是为了让科氏项有可见影响悬停时该项接近零容易让人误以为可以忽略。2.3 气动力与力矩怎么接进来刚体方程只是骨架真正决定飞得像不像的是气动模型。常见做法是用稳定性导数形式升力系数、阻力系数、侧力系数随迎角和侧滑角变化力矩系数再叠加角速率阻尼项。小型无人机在低雷诺数下升力线斜率比大飞机低失速迎角也更小通常 12 到 15 度就开始分离。我一般会先做风洞或 CFD 拿一组基准导数再用飞行数据做修正而不是直接套用大飞机的数据库。接进代码时把force_body和moment_body换成气动力计算函数的输出即可。注意体轴系与风轴系的转换迎角alpha atan2(w, u)侧滑角beta asin(v / V)。这两个角算错后面配平都配不平。3. 传感器融合与状态估计小型无人机上怎么把噪声压下去3.1 为什么互补滤波在小型平台上依然能打小型无人机载荷有限飞控算力通常只够跑轻量级滤波器。扩展卡尔曼滤波理论漂亮但调 Q 和 R 矩阵对新手不友好模型不准时反而发散。互补滤波把陀螺仪的高频积分和加速度计/磁力计的低频修正分开处理计算量小、鲁棒性好在悬停和低速场景下精度足够。常见做法是姿态估计用互补滤波位置和速度估计用卡尔曼滤波两者级联。我一般会先确认传感器安装矩阵和轴对齐再谈滤波。加速度计没校准互补滤波的截止频率怎么调都是歪的。磁力计在室内受电机电流干扰严重小型无人机上要么做硬铁软铁校准要么干脆在姿态估计里降权。3.2 一个可复现的互补滤波实现import numpy as np class ComplementaryFilter: def __init__(self, alpha0.98, dt0.01): self.alpha alpha # 陀螺仪权重 self.dt dt self.phi 0.0 self.theta 0.0 def update(self, gyro, accel): gyro: [p, q, r] rad/s accel: [ax, ay, az] m/s^2 p, q, r gyro ax, ay, az accel # 由加速度计解算姿态角 phi_acc np.arctan2(ay, az) theta_acc np.arctan2(-ax, np.sqrt(ay**2 az**2)) # 陀螺仪积分 self.phi self.alpha * (self.phi p * self.dt) (1 - self.alpha) * phi_acc self.theta self.alpha * (self.theta q * self.dt) (1 - self.alpha) * theta_acc return self.phi, self.theta # 模拟数据测试 cf ComplementaryFilter(alpha0.98, dt0.01) gyro_data [0.01, 0.0, 0.0] accel_data [0.0, 0.05, 9.8] for _ in range(100): phi, theta cf.update(gyro_data, accel_data) print(估计姿态:, round(phi, 4), round(theta, 4))逻辑说明alpha越接近 1越信任陀螺仪积分动态响应好但会漂越接近 0越信任加速度计静态准但振动时噪声大。0.98 对应截止频率大约 0.3 Hz 量级是小型无人机悬停场景的常用起点。加速度计解算姿态只在接近悬停时成立大机动时加速度包含运动分量这时要么降低加速度计权重要么用空速和模型补偿。参数说明dt必须和实际采样周期一致飞控里通常用定时器中断保证。phi_acc和theta_acc的符号取决于机体轴定义换一套轴系就要重新推导这是新手最容易翻车的地方。测试时先静态放平看估计角是否收敛到零再手动倾斜看跟随是否滞后合理。3.3 卡尔曼滤波接位置环时的三个参数位置环卡尔曼滤波的状态量一般取位置和速度观测量来自 GPS 或光流。过程噪声 Q 和观测噪声 R 的比值决定滤波器信任模型还是信任观测。小型无人机上GPS 更新率低、延迟大光流在纹理弱的地面容易丢所以 R 要按场景调。我一般会先录一段悬停数据用 Allan 方差估传感器噪声再反推 R 的初值而不是拍脑袋。第三个关键是状态转移矩阵里的加速度输入。如果直接把加速度计读数当控制输入振动会直接灌进速度估计。常见做法是对加速度做低通或者把加速度也建成状态量用观测去修正。4. 制导、导航与控制从航线跟踪到抗风着陆的落地路径4.1 制导律选型L1 还是非线性制导小型无人机做航线跟踪L1 制导因为形式简单、参数少在开源飞控里用得很多。它本质是用一个虚拟圆把当前位置拉向航线L1 距离决定跟踪的激进程度。L1 太小跟踪紧但容易振荡太大平滑但切弯时超调。我一般从翼展的 2 到 3 倍开始试再按风况微调。非线性制导在强风或大初始偏差下表现更好但需要更准的速度估计。如果位置环卡尔曼滤波还没调稳上非线性制导只会让问题更难定位。常见路径是先用 L1 跑通再考虑换。4.2 用代码块看 L1 制导的核心计算import numpy as np def l1_guidance(position, course, waypoint_a, waypoint_b, l1_dist, airspeed): position: 当前水平位置 [x, y] course: 当前航向角 rad waypoint_a, waypoint_b: 航线两端点 l1_dist: L1 距离 m airspeed: 空速 m/s # 航线方向 seg np.array(waypoint_b) - np.array(waypoint_a) seg_norm seg / np.linalg.norm(seg) # 当前位置到航线的横向偏差 rel np.array(position) - np.array(waypoint_a) cross_track rel[0] * seg_norm[1] - rel[1] * seg_norm[0] # 沿航线投影点 along np.dot(rel, seg_norm) proj np.array(waypoint_a) along * seg_norm # 虚拟目标点在航线上取 L1 距离 target proj l1_dist * seg_norm # 期望航向 desired_course np.arctan2(target[1] - position[1], target[0] - position[0]) # 航向误差转滚转角指令 course_error desired_course - course course_error np.arctan2(np.sin(course_error), np.cos(course_error)) roll_cmd np.clip(2.0 * course_error, -0.6, 0.6) # 限幅约 35 度 return roll_cmd, cross_track # 模拟一次偏航修正 pos [0.0, 8.0] course 0.0 roll, xt l1_guidance(pos, course, [0, 0], [100, 0], 30.0, 18.0) print(滚转指令 rad:, round(roll, 4), 横向偏差 m:, round(xt, 2))逻辑说明先算横向偏差cross_track再找沿航线的投影点虚拟目标点放在投影点前方l1_dist处。期望航向由当前位置指向虚拟目标点航向误差归一化到 ±π 后乘增益得到滚转指令。限幅是必须的小型无人机滚转超过 35 到 40 度升力垂直分量下降明显掉高会触发高度环补偿耦合起来容易振荡。参数说明l1_dist是核心参数太小会追着航线抖太大切弯内切。airspeed在这个简化版里没直接进公式但实际 L1 距离常按空速动态调整高速时加大。滚转增益 2.0 是起点真机要按滚转响应带宽调增益太大相位滞后会导致蛇形。4.3 高度环与着陆段小型无人机最容易翻车的两处高度环常见结构是总能量控制油门管总能量俯仰管能量分配。小型无人机质量小油门响应快但电机和桨的推力非线性明显低油门段分辨率差。我一般会在悬停油门附近做一段推力标定把非线性补掉再调 PID。着陆段是血泪经验最集中的地方。地效、地面反射、GPS 高度噪声、气压计漂移全在最后几米冒出来。常见做法是最后阶段切到激光或超声测距配合下滑轨迹跟踪而不是继续用气压高度。触地判断不能只看高度要结合垂直速度和对地速度否则容易在触地瞬间弹跳。5. 避坑与排查小型无人机从仿真到真机最常见的五个翻车点5.1 仿真跟真机对不上先查这四处现象仿真里航线跟踪误差小于一米真机飞出来三米以上还伴随周期性摆动。原因最常见的是仿真里用了理想执行机构真机舵机有延迟和死区其次是质量与惯量用了估计值没做称重和摆锤实验第三是气动导数来自大飞机数据库低雷诺数下偏差大第四是传感器噪声没建模滤波器在真机上表现不同。解决先做舵机阶跃响应测试把延迟和死区补进仿真用称重和双线摆测质量和惯量气动导数至少用一次飞行数据做修正滤波器在真机数据上回放调参而不是只在仿真里调。5.2 姿态估计漂移别急着怪滤波器现象悬停十几秒后估计姿态慢慢偏飞机开始画圈。原因陀螺仪零偏没校准或者校准后温漂没补偿。小型无人机飞控板靠近电机和电调温升快零偏变化明显。另一个常见原因是磁力计受电流干扰偏航估计被带偏。解决上电后静置校准零偏飞行中如果陀螺仪有温度传感器做一阶温漂补偿。磁力计要么做现场校准要么在融合里降权甚至暂时禁用靠 GPS 航迹角修正偏航。5.3 航线切弯超调L1 距离不是唯一原因现象直线段跟踪很好一进转弯就切内圈或者冲出去。原因L1 距离偏大导致内切或者滚转增益偏高导致相位滞后。另一个容易被忽略的是空速变化逆风时地速下降同样的 L1 距离对应更大的航向变化率控制器饱和。解决按地速而非空速动态调 L1 距离逆风时适当减小。滚转增益用频率响应扫频确认相位裕度不要只看阶跃响应。转弯前提前减速或分段设航线别让一个急弯同时考验制导和姿态环。5.4 着陆弹跳触地判断逻辑要改现象飞机接地后弹起甚至翻倒。原因触地判断只看高度气压计在最后几米噪声大误判触地后油门收得太早或太晚。另一个原因是下滑轨迹太陡垂直速度过大起落架吸能不够。解决触地判断用高度变化率加对地速度配合测距传感器。下滑轨迹控制在 1 到 1.5 米每秒垂直速度最后阶段拉平。起落架用柔性材料别用纯刚性。5.5 参数一改就振荡先确认采样和延迟现象调大一个增益就高频振荡调小又响应慢。原因控制回路里存在未建模延迟比如传感器滤波、通信链路、舵机响应。延迟吃掉相位裕度增益就上不去。解决先测整个回路的等效延迟从传感器采样到舵机输出。如果延迟超过控制周期的一半先减延迟再调增益。滤波器截止频率不要设得比控制带宽还低否则相位损失太大。6. 把理论变成可复现的验证流程一个小型无人机仿真到试飞的检查清单最后一章不讲新理论讲怎么把前面几章串成一条能反复走的流程。我自己的习惯是任何一次真机试飞前先在仿真里跑完一套标准科目再在真机上从低风险科目逐步放开。这套流程不保证不炸机但能把大部分低级错误挡在地面。第一步是模型校验。用称重和摆锤拿到质量和惯量用舵机测试拿到执行机构延迟用静态推力测试拿到油门推力曲线。这三组数据回填仿真如果仿真里的悬停油门和真机差超过百分之十先别往下走。第二步是滤波器回放。录一段真机悬停和低速飞行的传感器数据在电脑上回放调互补滤波和卡尔曼滤波参数。看姿态估计和 GPS 航迹角是否一致看位置估计在 GPS 丢星时是否发散。这一步能省掉很多空中调参的风险。第三步是制导律桌面验证。把 L1 制导和高度环放进仿真跑直线、矩形、圆形航线看横向误差和高度误差。重点看切弯时的滚转指令是否饱和逆风段地速下降时 L1 距离是否自适应。如果仿真里就超调真机只会更差。第四步是分阶段试飞。先手动飞确认动力和舵面正常。再切增稳看姿态估计是否漂移。再切定高看高度环是否振荡。再切航线从大 L1 距离开始逐步减小。最后才试着陆段先用测距传感器在低高度验证触地判断。第五步是数据回传与复盘。每次飞完把飞控日志和仿真同科目对比看误差分布。我一般会重点看三个量姿态估计与加速度计解算的差值、位置估计与 GPS 的差值、控制输出与饱和限幅的距离。这三个量能提前暴露大部分问题。这套流程跑下来一个科目通常要花两到三倍于飞行的时间在地面。但比起炸机后重新组装和排查这个投入是值得的。小型无人机的理论材料很多真正稀缺的是把理论落到参数和检查项上的耐心。我自己的教训是每次想跳过地面验证直接飞最后都会在某个没检查的环节翻车然后花更多时间补课。希望帮到你。本文还有配套的精品资源点击获取