✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

四旋翼飞行器凭借垂直起降、悬停灵活、机动性强等优势，在航拍测绘、物流配送、环境监测、军事侦察等领域得到广泛应用，多目标航点导航是其执行复杂任务的核心需求，要求飞行器能按预设序列精准、高效、稳定地依次抵达多个航点，同时应对飞行约束与外部干扰。模型预测控制（MPC）作为一种基于模型的滚动优化控制方法，具备显式处理约束、在线优化决策、预测未来系统行为的独特优势，能够有效解决四旋翼飞行器非线性、欠驱动、强耦合特性带来的导航控制难题。本文针对四旋翼多目标航点导航任务，深入研究MPC算法的设计与实现，构建四旋翼动力学模型与航点导航框架，优化MPC算法的目标函数与约束条件，解决多航点切换、轨迹平滑性与控制稳定性之间的矛盾，通过仿真实验验证算法在多目标航点导航中的有效性与优越性，为四旋翼飞行器复杂导航任务提供理论支撑与工程参考。关键词：四旋翼飞行器；多目标航点导航；模型预测控制；滚动优化；约束处理

1 引言

1.1 研究背景与意义

随着无人机技术的快速发展，四旋翼飞行器作为典型的多输入多输出（MIMO）欠驱动非线性系统，其应用场景已从简单的低空飞行拓展至复杂环境下的多任务作业，多目标航点导航作为核心作业模式，要求飞行器能够自主规划路径、跟踪轨迹，并依次完成多个预设航点的抵达任务，例如环境监测中对多个监测点的依次巡检、物流配送中对多个目标点的精准投递等。然而，四旋翼飞行器的动力学特性复杂，存在强耦合、非线性、抗干扰能力弱等问题，同时飞行过程中需满足电机转速、飞行速度、姿态角等物理约束，传统控制方法（如PID控制、LQR控制）在处理多目标航点切换、复杂约束与动态干扰时，存在跟踪精度低、响应滞后、鲁棒性不足等局限性，难以满足高精度导航需求。

模型预测控制（MPC）又称滚动时域控制，其核心思想是基于系统模型预测未来一段时间内的状态演化，通过在线求解优化问题得到最优控制序列，仅执行当前时刻的控制输入，在下一控制周期重复上述过程，形成闭环滚动优化控制。与传统控制方法相比，MPC算法能够显式处理系统约束，可将航点跟踪精度、轨迹平滑性、能量消耗等多目标融入优化目标函数，同时具备较强的抗干扰能力和动态适应性，非常适合解决四旋翼多目标航点导航的控制难题。因此，深入研究MPC算法在四旋翼多目标航点导航中的应用，优化算法设计以提升导航精度与系统稳定性，具有重要的理论研究价值与工程应用意义。

1.2 国内外研究现状

国外关于四旋翼MPC控制与航点导航的研究起步较早，在模型建模、约束处理与算法优化方面已形成较为成熟的技术体系。早期研究主要聚焦于线性MPC算法的应用，通过将四旋翼动力学模型在平衡点附近线性化，简化优化问题求解，实现基础的航点跟踪控制，但在大范围机动与强非线性场景下控制精度有限。近年来，非线性MPC（NMPC）算法得到广泛关注，研究者通过直接构建四旋翼非线性动力学模型，结合高效数值优化方法，提升了算法在复杂工况下的适应性，同时将避障约束、能耗优化等目标融入算法设计，实现了多目标协同优化。此外，数据驱动型MPC算法（如Koopman-MPC）成为研究热点，通过扩展动态模态分解（EDMD）从飞行数据中学习系统模型，避免了传统建模的复杂性，提升了算法对模型不确定性的适应能力。

国内研究在借鉴国外先进技术的基础上，结合工程应用需求，开展了针对性研究。部分学者聚焦于MPC算法的实时性优化，通过简化优化问题、改进求解算法，降低计算复杂度，满足四旋翼实时控制需求；还有学者研究多航点切换策略，设计合理的航点切换准则，解决多目标航点导航中轨迹突变、控制震荡等问题，提升导航的平滑性与稳定性。同时，国内研究注重算法的工程实现，结合Matlab/Simulink仿真与实际飞行实验，验证算法的有效性，推动MPC算法在工业巡检、农业植保等领域的落地应用。但目前研究仍存在不足：一是部分算法在多航点密集分布场景下，航点切换的平滑性有待提升；二是复杂干扰（如风扰）下，算法的鲁棒性仍需优化；三是部分非线性MPC算法计算复杂度较高，难以满足低成本四旋翼的实时控制需求。

1.3 研究内容与技术路线

本文围绕四旋翼飞行器多目标航点导航的MPC算法展开深入研究，具体研究内容如下：（1）构建四旋翼飞行器动力学模型，明确系统状态变量、控制输入与输出关系，为MPC算法设计提供模型基础；（2）设计多目标航点导航的MPC控制框架，包括预测模型、目标函数与约束条件的设计，重点解决多航点切换与轨迹平滑性问题；（3）优化MPC算法的求解方法，降低计算复杂度，提升算法实时性，满足四旋翼实时控制需求；（4）通过Matlab/Simulink仿真实验，验证所提MPC算法在多目标航点导航中的跟踪精度、平滑性与抗干扰能力，并与传统PID控制算法进行对比分析；（5）总结研究成果，分析算法存在的不足，提出未来研究方向。

本文的技术路线为：首先调研四旋翼多目标航点导航与MPC算法的研究现状，明确研究难点与研究重点；其次构建四旋翼动力学模型，设计MPC控制算法与多航点导航策略；然后优化算法求解过程，提升实时性与稳定性；接着通过仿真实验验证算法性能；最后总结研究成果，提出改进方向，形成“调研—建模—设计—优化—验证”的完整研究流程。

1.4 研究创新点

本文的创新点主要体现在三个方面：（1）设计了一种多目标融合的MPC目标函数，将航点跟踪精度、轨迹平滑性、能量消耗与姿态稳定性纳入优化范围，通过权重系数调节实现多目标协同优化，解决了单一目标优化导致的导航性能不足问题；（2）提出了一种自适应航点切换策略，结合飞行器当前位置、速度与姿态信息，动态调整切换阈值，避免航点切换时出现轨迹突变与控制震荡，提升多目标航点导航的平滑性；（3）优化了MPC算法的求解流程，采用快速数值优化方法简化计算过程，降低算法计算复杂度，同时引入干扰补偿项，提升算法在风扰等外部干扰下的鲁棒性。

2 四旋翼飞行器动力学建模

四旋翼飞行器的动力学建模是MPC算法设计的基础，其运动过程涉及位置与姿态的耦合运动，需分别建立惯性坐标系与机体坐标系下的动力学方程，明确系统状态与控制输入之间的关系。本章基于牛顿-欧拉方程，构建四旋翼飞行器的非线性动力学模型，为后续MPC算法设计提供理论支撑。

3 多目标航点导航的MPC算法设计

本章基于四旋翼动力学模型，设计适用于多目标航点导航的MPC算法，明确MPC算法的核心组成部分（预测模型、目标函数、约束条件），设计多航点切换策略，实现四旋翼飞行器对多个预设航点的精准、平滑导航。

3.1 MPC算法核心原理

MPC算法的核心是“预测-优化-反馈”的滚动优化过程，其工作流程如下：（1）预测阶段：基于当前系统状态与预测模型，预测未来N个控制周期（预测时域）内的系统状态演化轨迹；（2）优化阶段：以预设的目标函数为优化准则，在满足系统约束的前提下，求解未来N个控制周期的最优控制输入序列；（3）反馈阶段：仅将最优控制输入序列的第一个控制输入施加到系统，获取下一时刻的系统状态；（4）滚动更新：将控制时域向前推进一个周期，重复上述过程，形成闭环控制。

MPC算法的关键参数包括预测时域Np、控制时域Nc（通常Nc≤Np），预测时域决定了算法的预测能力，控制时域决定了优化控制输入的数量，合理选择参数可平衡算法的控制性能与计算复杂度。

3.2 预测模型设计

预测模型是MPC算法实现状态预测的基础，本文基于第二章建立的四旋翼线性状态空间模型，结合离散化处理，构建MPC预测模型。由于四旋翼飞行器的控制为离散控制，采用零阶保持（ZOH）方法将连续状态空间模型离散化，得到离散预测模型：

X(k+1) = A_d X(k) + B_d U(k)

Y(k) = C X(k) + D U(k)

其中，A_d、B_d分别为离散化后的状态矩阵与控制输入矩阵，T为控制周期，k为当前控制时刻。

基于离散预测模型，可预测未来Np个时刻的系统状态：

X(k+i|k) = A_d^i X(k) + Σ（j=0到i-1）A_d^(i-j-1) B_d U(k+j)，i=1,2,...,Np

其中，X(k+i|k)表示在当前时刻k，预测未来第i个时刻的系统状态，U(k+j)表示未来第j个时刻的控制输入。

3.4 约束条件设计

四旋翼飞行器的飞行过程中存在多种物理约束，MPC算法通过显式处理这些约束，确保飞行安全与控制可行性，本文设计的约束条件包括状态约束、控制输入约束与航点切换约束。

（1）状态约束：限制飞行器的位置、速度、姿态角与角速度在安全范围内，避免超出飞行能力导致失稳，表达式为：

X_min ≤ X(k+i|k) ≤ X_max，i=1,2,...,Np

其中，X_min、X_max分别为系统状态向量的最小值与最大值，根据四旋翼的硬件参数与飞行需求设定，例如位置约束根据作业区域范围设定，速度约束根据电机最大转速与气动特性设定，姿态角约束通常限制在±30°以内，避免倾角过大导致失稳。

（2）控制输入约束：限制四个旋翼的转速平方在合理范围内，避免电机过载或失速，表达式为：

U_min ≤ U(k+j) ≤ U_max，j=0,1,...,Nc-1

其中，U_min、U_max分别为控制输入向量的最小值与最大值，由电机的额定转速与最大转速确定。

（3）航点切换约束：用于判断当前航点是否完成，触发航点切换，确保依次抵达多个目标航点。设定航点切换阈值d_th，当飞行器实际位置与当前目标航点的距离小于d_th，且速度小于v_th（速度阈值）时，判定当前航点完成，切换至下一个目标航点，表达式为：

||X_pos(k) - X_waypoint|| < d_th 且 ||Ẋ_pos(k)|| < v_th

其中，X_waypoint为当前目标航点的位置向量，d_th、v_th根据导航精度需求设定。

3.5 多航点导航策略

多目标航点导航的核心是实现多个航点的依次跟踪与平滑切换，本文设计的多航点导航策略包括航点管理、参考轨迹生成与自适应航点切换三个部分。

（1）航点管理：建立航点列表，存储多个预设目标航点的位置信息与优先级，按照任务需求排序，实时跟踪当前目标航点，记录航点完成状态，确保航点依次执行，避免漏航或错航。

（2）参考轨迹生成：在当前目标航点与下一个目标航点之间，生成平滑的参考轨迹，避免轨迹突变导致的控制震荡。本文采用B样条曲线生成参考轨迹，B样条曲线具有平滑性好、可控性强的特点，能够根据航点位置与飞行速度需求，生成符合四旋翼动力学约束的平滑轨迹，将参考轨迹上的点作为MPC算法的参考位置X_ref(k+i)。

（3）自适应航点切换：结合飞行器当前的位置、速度与姿态信息，动态调整航点切换阈值d_th与v_th。当飞行器接近当前航点时，降低飞行速度，减小切换阈值，确保航点跟踪精度；当飞行器远离航点、处于匀速飞行阶段时，增大切换阈值，提升导航效率，避免频繁切换导致的控制不稳定。

3.6 MPC算法求解

MPC算法的优化问题本质上是带约束的二次规划问题，本文采用内点法求解该优化问题，内点法具有收敛速度快、求解精度高的特点，能够满足四旋翼实时控制需求。

将MPC的优化问题转化为标准二次规划形式：

min J = (1/2)U_optᵀ H U_opt + fᵀ U_opt

s.t. G U_opt ≤ h

其中，U_opt为优化变量（未来Nc个时刻的控制输入序列），H为二次项系数矩阵，f为一次项系数向量，G、h分别为约束条件的系数矩阵与常数向量。

通过内点法求解上述二次规划问题，得到最优控制输入序列U_opt，仅将第一个控制输入U_opt(0)施加到四旋翼系统，在下一控制周期，基于新的系统状态，重新求解优化问题，实现滚动优化控制。同时，为降低计算复杂度，采用预测时域与控制时域的自适应调整策略，在航点跟踪阶段减小预测时域，提升实时性；在航点切换阶段增大预测时域，提升轨迹平滑性。

4 总结与展望

4.1 研究总结

本文围绕四旋翼飞行器多目标航点导航的MPC算法展开深入研究，完成了以下工作：（1）构建了四旋翼飞行器的动力学模型，包括惯性坐标系与机体坐标系的定义、位置与姿态动力学方程的建立，以及离散化状态空间模型的推导，为MPC算法设计提供了模型基础；（2）设计了适用于多目标航点导航的MPC算法，构建了多目标融合的目标函数，综合考虑航点跟踪精度、轨迹平滑性、能量消耗与姿态稳定性，设计了状态约束、控制输入约束与航点切换约束，提出了自适应航点切换策略与参考轨迹生成方法，采用内点法求解优化问题，提升了算法的实时性；（3）通过Matlab/Simulink仿真实验，与传统PID控制算法进行对比，验证了所提MPC算法在航点跟踪精度、轨迹平滑性、抗干扰能力与实时性方面的优越性，实现了多目标航点的精准导航。

4.2 研究不足与未来展望

本文的研究仍存在一些不足，有待进一步改进：（1）本文采用线性MPC算法，基于四旋翼动力学模型的线性化，在大范围机动与强非线性场景下，模型精度可能下降，影响控制性能；（2）航点切换策略仅考虑了位置与速度阈值，未充分考虑姿态稳定性与外部干扰的影响，在复杂干扰场景下，航点切换的可靠性有待提升；（3）仿真实验未考虑实际飞行中的传感器噪声与执行器延迟，算法的工程实用性仍需进一步验证。

未来的研究方向主要包括：（1）研究非线性MPC（NMPC）算法或数据驱动型MPC算法（如Koopman-MPC），结合四旋翼非线性动力学模型，提升算法在大范围机动场景下的适应性；（2）优化航点切换策略，融入姿态稳定性与干扰补偿机制，提升复杂干扰场景下航点切换的可靠性；（3）开展实际飞行实验，结合传感器校准与执行器补偿，解决工程应用中的误差问题，推动算法的工程落地；（4）将MPC算法与路径规划算法（如A*算法、RRT*算法）结合，实现多目标航点导航与避障的协同控制，拓展算法的应用场景。

⛳️ 运行结果

🔗 参考文献

[1] 赵帅.四旋翼飞行器几种姿态控制算法的研究[D].广西师范大学,2017.

[2] 乔维维.四旋翼飞行器飞行控制系统研究与仿真[D].中北大学,2012.DOI:10.7666/d.D316360.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇