✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、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
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
摘要：本文聚焦于旋翼飞行器的数据驱动控制策略，重点分析了DeePC、改进版DeePC、LQR、MPC四类控制算法在该领域的应用。通过梳理相关文献，阐述了各类算法的原理、优势、局限性及在旋翼飞行器控制中的研究进展，并探讨了未来可能的发展方向，为旋翼飞行器控制算法的进一步研究提供参考。
关键词：旋翼飞行器；数据驱动控制；DeePC；改进版DeePC；LQR；MPC
一、引言
旋翼飞行器凭借其灵活性和广泛的应用前景，在航拍、物流配送、巡检监控等领域发挥着重要作用。随着应用场景的不断拓展，对旋翼飞行器的飞行稳定性和控制精度提出了更高要求。传统的控制算法大多基于精确的系统模型，但在实际飞行中，由于存在外部干扰、模型参数摄动等问题，精确建模难度极大。数据驱动控制方法应运而生，它不依赖精确的数学模型，而是直接利用系统运行过程中采集的数据构建控制模型，为解决旋翼飞行器的控制问题提供了新的思路。DeePC、改进版DeePC、LQR、MPC作为常见的控制算法，在旋翼飞行器数据驱动控制领域有着广泛的研究和应用。
二、DeePC算法在旋翼飞行器控制中的应用
2.1 DeePC算法原理
DeePC（数据高效预测控制）算法是一种数据驱动预测控制方法，它打破了传统控制算法对精确系统模型的依赖。该算法的核心在于直接从系统运行过程中产生的历史数据中提取有价值的信息，以此来构建控制策略。在处理噪声环境下的未知线性时不变（LTI）系统时，DeePC算法引入凸组合约束框架，有效减少了与标称系统行为的偏差，提高了轨迹跟踪性。通过收集系统在不同工况下的输入输出数据，利用这些数据学习系统的动态特性，进而实现对系统的预测控制。
2.2 在旋翼飞行器控制中的研究进展
在旋翼飞行器控制中，DeePC算法展现出了独特的优势。例如，在面对噪声干扰和模型未知的情况下，传统的控制算法难以保证系统的稳定性和控制精度，而DeePC算法可以通过对历史数据的分析，学习到噪声的统计特性和变化规律，从而在控制过程中对噪声进行有效的抑制或补偿。在传感器测量数据受到噪声污染时，DeePC算法可以根据历史数据中噪声的分布情况，对当前的测量数据进行滤波处理，去除噪声的影响，提高数据的准确性，进而提升控制性能。然而，DeePC算法在发展初期也面临着一些挑战，如在处理约束条件和噪声环境方面存在不足，难以确保闭环约束的严格满足。
三、改进版DeePC算法在旋翼飞行器控制中的应用
3.1 改进思路及优势
针对DeePC算法存在的不足，研究者们提出了一系列改进方法。例如，引入更有效的约束处理策略，以更好地满足系统在实际运行中的各种物理限制和性能要求。通过优化算法结构，提高算法对噪声的鲁棒性，使其在复杂的噪声环境下仍能保持较好的控制性能。改进版DeePC算法在继承了原算法数据驱动优势的基础上，进一步提升了其在实际应用中的可行性和有效性。
3.2 在旋翼飞行器控制中的研究案例
以某研究为例，针对旋翼飞行器在飞行过程中受到的风力扰动等噪声影响，采用改进版DeePC算法进行控制。通过在算法中引入自适应噪声估计模块，实时估计噪声的强度和特性，并根据估计结果调整控制策略。实验结果表明，改进后的算法能够显著降低噪声对飞行器姿态控制的影响，提高了飞行器在复杂环境下的飞行稳定性和轨迹跟踪精度。
四、LQR算法在旋翼飞行器控制中的应用
4.2 在旋翼飞行器控制中的研究进展
LQR算法在旋翼飞行器控制中得到了广泛应用。例如，有研究采用LQR线性二次型调节器和PID控制器设计四旋翼无人机双闭环控制系统，针对姿态角速率和姿态角分别设计内环LQR控制器及外环PID控制，充分利用PID控制器易于掌握且对模型要求精度低，LQR控制器能改善内回路的动态特性和稳态性能的特点，完成四旋翼无人机的飞行控制。通过实验遴选该双闭环控制器相关参数并进行优化，实验结果表明所设计的双回路控制器控制性能指标良好。然而，LQR算法也存在一定的局限性，它通常只关注二次调节性能，闭环系统可能会容易被极端噪声所影响，特别是当噪声是重尾分布时，风险中立的机制难以应用在安全性要求高的物理系统上。
五、MPC算法在旋翼飞行器控制中的应用
5.1 MPC算法原理
MPC（模型预测控制）是一种基于滚动优化的先进控制方法，其核心思想是在每个控制时刻，利用系统模型预测未来一段时间内的系统输出，然后通过求解一个带约束的优化问题得到当前时刻的控制输入，随后仅施加第一个控制输入到系统中，在下一个控制时刻重复上述过程。MPC的基本流程包括预测模型、滚动优化和反馈校正三个步骤。预测模型利用系统模型预测未来N个预测步长内的系统状态和输出；滚动优化根据预测结果和预设的性能指标，在满足系统输入约束、状态约束的前提下，求解优化问题得到最优控制序列；反馈校正将实际系统输出与预测输出进行比较，利用误差对预测模型进行校正，提高控制精度。
5.2 在旋翼飞行器控制中的研究进展
MPC算法在旋翼飞行器控制中具有显著优势，它能够有效处理多变量、带约束的控制问题，具有较强的鲁棒性和灵活性。例如，Koopman-MPC（模型预测控制结合Koopman算子理论）作为一种新兴的数据驱动控制方法，将非线性系统提升到高维线性空间，使得模型预测控制的线性理论得以应用。通过收集四旋翼无人机的飞行数据，学习其Koopman线性模型，基于该模型设计MPC控制器，实现了对无人机的高性能控制。Koopman-MPC结合了Koopman算子线性化和模型预测控制的优点，能够更好地处理非线性系统，提高控制系统的性能。
⛳️ 运行结果
📣 部分代码
function install_osqp
% Install the OSQP solver Matlab interface
% Get current operating system
if ispc
platform = 'windows';
elseif ismac
platform = 'mac';
elseif isunix
platform = 'linux';
end
fprintf('Downloading binaries...');
package_name = sprintf('https://github.com/osqp/osqp-matlab/releases/latest/download/osqp-matlab-%s64.tar.gz', platform);
websave('osqp.tar.gz', package_name);
fprintf('\t\t\t\t[done]\n');
fprintf('Unpacking...');
untar('osqp.tar.gz','osqp')
fprintf('\t\t\t\t\t[done]\n');
fprintf('Updating path...');
cd osqp
addpath(genpath(pwd));
savepath
cd ..
fprintf('\t\t\t\t[done]\n');
fprintf('Deleting temporary files...');
delete('osqp.tar.gz');
fprintf('\t\t\t[done]\n');
fprintf('OSQP is successfully installed!\n');
end
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种毕业课题和科研领域
MATLAB仿真，助力毕业科研梦：
🌈 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
