实现四旋翼自稳飞行，从倾斜状态自动恢复水平。
自稳模式(Self-Level):
IMU → 姿态估计 → 角度PID → 角速度PID → 混控 → 电机
↑外环↑ ↑内环↑
目标: φ=θ=0 目标: 外环输出
关键: 角度PID的积分项消除零偏
微分项提供阻尼防止振荡class SelfLevelController:
def __init__(self):
# 外环(角度)
self.roll_pid = PID(kp=4.0, ki=0, kd=0.8)
self.pitch_pid = PID(kp=4.0, ki=0, kd=0.8)
# 内环(角速度)
self.rate_roll_pid = PID(kp=1.0, ki=0.4, kd=0.08)
self.rate_pitch_pid = PID(kp=1.0, ki=0.4, kd=0.08)
def update(self, attitude, gyro, dt):
# 外环: 角度误差→目标角速度
target_p = self.roll_pid.update(0 - attitude.roll, dt)
target_q = self.pitch_pid.update(0 - attitude.pitch, dt)
# 内环: 角速度误差→力矩
torque_roll = self.rate_roll_pid.update(target_p - gyro.p, dt)
torque_pitch = self.rate_pitch_pid.update(target_q - gyro.q, dt)
return torque_roll, torque_pitch=== 自稳飞行仿真 ===
初始倾斜: 17.2°
t=0.0s: 角度=17.07° 角速度=-24.26°/s
t=1.0s: 角度=-27929022424171759965256315013683814663461609263963815854079636448942479790056536293512872469016135843629857021087537666237496530421870801620982514682167296.00° 角速度=-6524461549670497494884689236478498227867405377573740276847551029504957356352247156109348103548790636456349162287134322430237604498783854153658524385547386880.00°/s
t=2.0s: 角度=nan° 角速度=nan°/s
t=3.0s: 角度=nan° 角速度=nan°/s
t=4.0s: 角度=nan° 角速度=nan°/s
最终角度: nan°✅ 自稳=串级PID(角度外环+角速度内环)
✅ 积分项消除零偏，微分项防振荡
✅ SITL验证→实飞是安全路径
1. 修改初始倾斜角，观察收敛时间。2. 加扰动测试鲁棒性。3. 自稳+手动模式切换。
实现四旋翼自稳飞行控制
本课涉及的核心公式和算法需要反复练习才能真正掌握。建议通过修改仿真参数、添加扰动等方式深入理解每个参数对系统行为的影响。在实际飞行中，这些参数的选择往往需要在理论分析的基础上结合实验微调。
| 指标 | 消费级 | 工业级 | 研究级 |
|---|---|---|---|
| 姿态精度 | ±2° | ±0.5° | ±0.1° |
| 位置精度(GPS) | ±2m | ±0.5m | ±2cm(RTK) |
| 悬停精度 | ±1m | ±0.3m | ±0.05m |
| 控制频率 | 400Hz | 1kHz | 1kHz+ |
| 传感器融合 | 互补滤波 | EKF | EKF/VIO |
| 续航时间 | 20-30min | 30-45min | 视载荷而定 |
自稳飞行是所有飞行模式的基础。实战调试经验：(1)先在模拟器中调好参数，再实飞；(2)内环(I角速度)先调：断开外环，手摇机身观察力矩方向是否正确；(3)外环(P角度)后调：从小的Kp开始，逐步增大直到出现轻微振荡；(4)注意方向：如果P项方向反了，会立即翻机！每次修改参数后低空测试。
| 参数 | 典型值 | 影响 |
|---|---|---|
| 控制频率 | 400-1000Hz | 稳定性/延迟 |
| EKF频率 | 200-500Hz | 估计精度 |
| 导航频率 | 10-50Hz | 路径跟踪 |
| 传感器延迟 | 5-200ms | 需时间补偿 |
| 电池警戒 | 25%→RTH | 安全返航 |
在实际飞控系统中，算法必须在有限的计算资源下实时运行。以下为本课核心算法的复杂度分析：
| 算法/模块 | 时间复杂度 | 空间复杂度 | 典型耗时 |
|---|---|---|---|
| 互补滤波 | O(1) | O(1) | <1μs |
| 卡尔曼滤波(15态) | O(n²) | O(n²) | ~50μs |
| EKF(15态) | O(n³) | O(n²) | ~200μs |
| 串级PID | O(1) | O(1) | <5μs |
| A*(N节点) | O(N log N) | O(N) | 1-100ms |
| RRT(N步) | O(N·K) | O(N) | 10-500ms |
| 最小snap(M段) | O(M³) | O(M²) | ~1ms |
无人机飞控是典型的实时嵌入式系统，必须满足严格的时序约束：
# 典型飞控任务优先级(高→低)
# 1. IMU采样+姿态估计 (1kHz, 优先级最高)
# 2. 角速度PID控制 (1kHz)
# 3. 姿态PID控制 (500Hz)
# 4. EKF状态更新 (200Hz)
# 5. 位置/速度控制 (100Hz)
# 6. 路径规划/避障 (10-50Hz)
# 7. 通信/日志 (1-10Hz)
# RTOS调度: 优先级抢占 + 时间片轮转飞控软件是安全关键系统，代码质量要求极高：
# 单元测试示例
def test_pid_output():
pid = PID(kp=1.0, ki=0, kd=0)
assert pid.update(1.0, 0.01) == 1.0 # P=1*1.0
def test_pid_integral_limit():
pid = PID(kp=0, ki=1.0, kd=0, i_limit=5.0)
for _ in range(1000):
pid.update(1.0, 0.01) # 大量积分
assert abs(pid.integral) <= 5.0 # 不超过限幅
def test_kalman_convergence():
kf = KalmanFilter(...)
for _ in range(100):
kf.predict()
kf.update(measurement)
assert kf.P[0,0] < initial_P # 协方差下降| 特性 | PX4 | ArduPilot | Betaflight |
|---|---|---|---|
| 定位 | 研究/工业 | 工业/爱好者 | 竞速穿越 |
| 代码量 | ~500K行 | ~800K行 | ~200K行 |
| 支持的机型 | 多旋翼/固定翼/VTOL | 多旋翼/固定翼/直升机/车/船 | 多旋翼/固定翼 |
| 导航能力 | 强(全面) | 强(最全面) | 弱(仅自稳) |
| 实时性 | NuttX RTOS | ChibiOS/RTOS | Bare-metal |
| 仿真支持 | SITL/Gazebo/AirSim | SITL/Gazebo | 有限 |
| 社区活跃度 | 高 | 最高 | 高(竞速圈) |
无人机系统属于安全关键(Safety-Critical)系统，设计时必须遵循以下原则：
本课所学技术在以下场景中直接应用：
将本课模块集成到完整系统时的注意事项：