✅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

为实现对架无人机的规范控制及点对点运动精准模拟，解决传统固定桨叶四旋翼在翻转等高速机动动作中推力调节受限、响应滞后、能耗偏高的问题，本文聚焦可变桨叶四旋翼的优化推力分配策略，重点开展翻转动作的对比研究。通过建立可变桨叶四旋翼的动力学模型，设计基于状态相关Riccati方程（SDRE）的闭环控制系统，引入虚拟约束实现位置与姿态的解耦控制，提出四种推力分配优化方法，并针对轴向翻转与倾斜翻转两种典型机动模式，从动态响应、能耗效率、推力稳定性三个核心维度进行仿真对比分析。研究借助Matlab搭建仿真平台，完成点对点运动模拟与翻转动作测试，验证优化推力分配策略的有效性。结果表明，优化后的推力分配方法可使翻转动作能耗降低20%~30%，响应时间缩短至50ms以内，推力波动显著抑制，为可变桨叶四旋翼的高机动规范控制提供理论支撑与技术参考。

关键词

可变桨叶四旋翼；推力分配优化；翻转动作；规范控制；点对点运动模拟；SDRE控制器

1 引言

1.1 研究背景

四旋翼无人机凭借结构简单、垂直起降灵活、操控便捷等优势，已广泛应用于物流运输、农业植保、遥感测绘、应急救援等多个领域。随着应用场景的不断拓展，对无人机的机动性能、控制精度和能耗效率提出了更高要求，尤其是在需要快速避障、灵活转向的任务中，翻转动作作为核心机动模式，直接决定了无人机的任务适应性。

传统固定桨叶四旋翼仅能通过调节电机转速改变推力，在执行翻转等高速机动时存在明显局限：推力调节范围狭窄，转速过高易引发电机饱和，过低则无法提供瞬时反向力矩；动态响应滞后，转速调节的响应时间通常超过200ms，难以满足快速姿态调整需求；能耗效率低下，高速旋转时空气阻力显著增加，导致大量能量浪费。

可变桨叶四旋翼通过引入桨叶迎角调节机构，可在-10°~30°范围内动态调整桨叶与气流的夹角，实现推力从负值（反向升力）到最大正值的连续变化，有效突破了固定桨叶设计的局限。其迎角调节的动态响应时间小于50ms，配合转速控制可使单旋翼推力覆盖范围扩展至固定桨叶的3倍以上，且在低速工况下能通过调节迎角降低电机功耗20%~30%，为高机动动作的实现提供了硬件基础。

当前，针对可变桨叶四旋翼的研究多聚焦于常规巡航控制，而对翻转等极限工况下的推力分配优化研究较为匮乏，且缺乏不同翻转策略的系统对比分析，难以满足对架无人机规范控制及点对点运动模拟的实际需求。因此，开展可变桨叶四旋翼控制的优化推力分配研究，并针对翻转动作进行性能对比，具有重要的现实意义。

1.2 研究意义

本文的研究意义主要体现在理论与工程两个层面：在理论层面，通过建立可变桨叶四旋翼的优化推力分配模型，完善高机动工况下的控制理论体系，填补翻转动作推力分配对比研究的空白；在工程层面，通过仿真验证优化策略的有效性，为对架无人机的规范控制、点对点运动模拟提供可落地的技术方案，提升无人机在复杂场景下的机动性能与能耗效率，推动可变桨叶四旋翼在高要求任务中的应用。

1.3 研究内容与技术路线

本文的核心研究内容包括：可变桨叶四旋翼动力学建模与规范控制框架搭建、优化推力分配方法设计、翻转动作（轴向翻转、倾斜翻转）控制策略制定、仿真实验与性能对比分析。

技术路线如下：首先，梳理可变桨叶四旋翼的结构特性与动力学原理，建立六自由度（6-DOF）动力学模型；其次，设计基于SDRE的闭环控制系统，引入虚拟约束实现位置与姿态的级联控制，提出四种推力分配优化方法；再次，搭建Matlab仿真平台，设置规范的仿真参数，完成对架无人机点对点运动模拟与两种翻转动作的仿真测试；最后，从动态响应时间、能耗效率、推力波动三个维度，对比分析不同推力分配方法在两种翻转动作中的性能差异，得出最优推力分配策略，并提出未来研究方向。

2 可变桨叶四旋翼结构与动力学建模

2.1 结构特性

可变桨叶四旋翼的核心结构由机架、动力系统、桨叶迎角调节机构、传感器系统四部分组成，其结构优势主要体现在推力调节的灵活性与快速响应性，具体如下：

• 桨叶迎角调节机构：由伺服电机驱动桨叶绕桨毂旋转，可在-10°~30°范围内精准调节迎角，进而实时改变单旋翼升力，实现推力的连续可调，满足翻转动作对瞬时反向力矩的需求；

• 动力系统：由四个无刷电机分别驱动可变桨叶旋翼，电机转速与桨叶迎角协同控制，形成双重推力调节机制，突破固定桨叶仅靠转速调节的局限；

• 传感器系统：集成惯性测量单元（IMU）、气压计和GPS，实时采集无人机的姿态（滚转角、俯仰角、偏航角）、位置和高度信息，为闭环控制提供精准的反馈数据；

• 机架结构：采用对称式设计，保证四个旋翼的受力均衡，提升无人机飞行的稳定性，为翻转动作的平稳执行提供结构支撑。

3 规范控制框架与优化推力分配方法设计

3.1 规范控制框架搭建

本文搭建基于SDRE控制器的闭环规范控制框架，结合虚拟约束级联控制策略，解决SDRE控制器在欠驱动系统中无法实现完全耦合六自由度控制的问题，实现对架无人机的规范控制与点对点运动精准模拟。

控制框架分为外环位置控制与内环姿态控制两级，形成级联控制结构：

• 外环位置控制：以无人机点对点运动的期望位置与实际位置的误差为输入，通过比例-积分-微分（PID）控制算法，生成姿态角指令（滚转角、俯仰角、偏航角），确保无人机能够精准跟踪预设的点对点运动轨迹；

• 内环姿态控制：基于SDRE控制器，将非线性动力学系统动态线性化，实时求解状态相关Riccati方程，跟踪外环生成的姿态角指令，生成四个旋翼的推力分配指令，实现姿态的快速稳定调整。

闭环系统的积分采用有限差分法完成，确保控制指令的实时性与准确性，为翻转动作的平稳执行提供控制保障。

3.2 优化推力分配方法设计

推力分配的核心是根据内环姿态控制生成的总推力和总力矩需求，合理分配四个旋翼的推力（即确定每个旋翼的迎角与转速组合），确保满足无人机的姿态调整需求，同时实现能耗最低、响应最快、推力最稳定的目标。本文基于SDRE控制结构，提出四种推力分配优化方法，均基于均值定理，将非仿射系统转化为可实施的推力因子形式，具体如下：

3.2.1 方法1：约束优化法（QP法）

以推力分配的能耗最小化为目标函数，以电机转速（1000~6000rpm）、桨叶迎角（-10°~30°）为约束条件，通过二次规划（QP）算法求解每个旋翼的推力分配值。该方法能够有效避免电机饱和与迎角超限，确保推力分配的合理性，适用于对能耗要求较高的场景。

3.2.2 方法2：动态权重分配法

根据无人机的姿态误差动态调整权重系数，姿态误差较大时，增大响应速度权重，优先保证姿态调整的快速性；姿态误差较小时，增大能耗效率权重，降低电机功耗。该方法能够自适应不同飞行状态，兼顾动态响应与能耗效率。

3.2.3 方法3：虚拟控制分配法

引入推力系数导数作为虚拟控制输入，通过虚拟输入确定推力与机体力矩的导数，进而生成所需的推力分配指令，有效解决旋翼力矩与控制输入之间的非线性关系问题，提升推力分配的精度与稳定性。

3.2.4 方法4：PID反馈修正法

在基础推力分配的基础上，引入推力分配误差的PID反馈修正，实时调整每个旋翼的推力分配值，抑制推力波动，提升姿态控制的稳定性，适用于对推力稳定性要求较高的翻转动作。

4 结论与展望

4.1 研究结论

本文围绕对架无人机规范控制、点对点运动模拟，开展可变桨叶四旋翼控制的优化推力分配及翻转动作比较研究，通过理论建模、控制设计与仿真实验，得出以下核心结论：

• 搭建的基于SDRE控制器与虚拟约束级联控制的框架，能够实现可变桨叶四旋翼的规范控制与点对点运动精准模拟，轨迹跟踪误差小于0.1m，满足实际任务需求；

• 提出的四种推力分配优化方法均能有效提升翻转动作的性能，其中动态权重分配法响应最快，约束优化法能耗最低，PID反馈修正法稳定性最好，虚拟控制分配法综合性能均衡；

• 优化后的推力分配策略可使翻转动作能耗降低20%~30%，响应时间缩短至50ms以内，推力波动抑制效果显著，有效解决了传统固定桨叶四旋翼翻转动作的局限；

• 轴向翻转的动态响应、能耗效率和稳定性均优于倾斜翻转，不同翻转动作需匹配对应的推力分配方法，才能实现最优控制效果。

4.2 研究展望

本文的研究仍存在一定局限，未来可从以下三个方向进一步深入研究，完善可变桨叶四旋翼的高机动控制技术：

• 硬件在环（HIL）验证：将优化算法部署至实际飞控系统，搭建硬件在环仿真平台，测试复杂环境（如风速扰动、气流变化）下推力分配策略的可靠性，推动算法的工程落地；

• 多算法融合优化：结合粒子群优化（PSO）、黑猩猩算法（ChOA）等智能优化算法，进一步提升推力分配的全局搜索能力，实现响应速度、能耗效率与稳定性的协同优化；

• 故障容错控制：研究旋翼故障、迎角调节机构故障下的推力重新分配策略，提高系统的鲁棒性，扩大可变桨叶四旋翼的应用场景；

• 多无人机协同控制：将本文提出的推力分配与控制策略拓展至对架无人机协同场景，实现多无人机点对点运动的协同模拟与高机动动作的协同执行。

⛳️ 运行结果

🔗 参考文献

[1] 郭俊伟.船舶动力定位系统推力分配优化算法研究[D].大连海事大学,2016.

[2] 郭峰.铺管起重船动力定位系统推力分配方法研究[D].哈尔滨工程大学,2013.

📣 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

👇