無人機(jī)在復(fù)雜環(huán)境中飛行時(shí)，傳統(tǒng)固定參數(shù)的PID控制器易因氣流擾動(dòng)、模型不確定性或負(fù)載變化導(dǎo)致姿態(tài)失控。本文提出一種基于模糊邏輯的PID參數(shù)自適應(yīng)調(diào)整算法，結(jié)合抗干擾觀測器設(shè)計(jì)，實(shí)現(xiàn)飛控系統(tǒng)在動(dòng)態(tài)環(huán)境下的魯棒控制，并通過STM32H743硬件平臺驗(yàn)證其有效性。

一、模糊自適應(yīng)PID控制架構(gòu)

傳統(tǒng)PID控制器參數(shù)（Kp、Ki、Kd）需手動(dòng)整定且無法適應(yīng)環(huán)境變化，而模糊自適應(yīng)PID通過實(shí)時(shí)監(jiān)測系統(tǒng)狀態(tài)（如姿態(tài)角誤差、誤差變化率）動(dòng)態(tài)調(diào)整參數(shù)，其核心邏輯如下：

1. 模糊規(guī)則庫設(shè)計(jì)

以滾轉(zhuǎn)角（φ）控制為例，定義輸入變量：

誤差e：當(dāng)前滾轉(zhuǎn)角與目標(biāo)值的偏差（單位：度）

誤差變化率ec：誤差的一階導(dǎo)數(shù)（單位：度/秒）

輸出變量為ΔKp、ΔKi、ΔKd的調(diào)整量，規(guī)則庫示例：

IF e is Large AND ec is Positive THEN ΔKp is Large Negative  // 快速抑制超調(diào)

IF e is Small AND ec is Negative THEN ΔKk is Medium Positive  // 消除穩(wěn)態(tài)誤差

通過Mamdani推理法生成模糊輸出，再經(jīng)重心法解模糊化為精確調(diào)整量。

2. 在線參數(shù)更新算法

在STM32H743的定時(shí)器中斷中實(shí)現(xiàn)參數(shù)更新，核心代碼片段：

c

void update_pid_params(float e, float ec) {

   // 模糊化輸入

   float e_norm = fabs(e) / MAX_ANGLE;  // 歸一化到[0,1]

   float ec_norm = fabs(ec) / MAX_RATE;

   // 模糊推理（簡化版示例）

   float delta_kp = 0, delta_ki = 0, delta_kd = 0;

   if (e_norm > 0.7 && ec_norm > 0.5) {

       delta_kp = -0.3 * Kp_base;  // 大誤差時(shí)增大抑制

   } else if (e_norm < 0.3 && ec_norm < -0.3) {

       delta_ki = 0.2 * Ki_base;    // 小誤差時(shí)消除靜差

   }

   // 更新PID參數(shù)

   Kp = Kp_base + delta_kp;

   Ki = Ki_base + delta_ki;

   Kd = Kd_base + delta_kd;

}

二、抗干擾觀測器設(shè)計(jì)

為抑制風(fēng)擾、電機(jī)抖動(dòng)等高頻干擾，設(shè)計(jì)滑模觀測器（SMO）估計(jì)擾動(dòng)并補(bǔ)償至控制量：

1. 擾動(dòng)模型建立

假設(shè)無人機(jī)滾轉(zhuǎn)通道動(dòng)力學(xué)方程為：

其中u為控制輸入，d為綜合擾動(dòng)（風(fēng)力、模型誤差等）。

2. 觀測器設(shè)計(jì)

定義滑模面

，通過超扭曲算法（Super-Twisting）估計(jì)擾動(dòng)：

c

float estimate_disturbance(float e, float e_dot) {

   static float d_hat = 0, s = 0;

   float lambda = 5.0, k1 = 0.8, k2 = 0.5;

   s = e_dot + lambda * e;  // 滑模面計(jì)算

   d_hat += k1 * sqrt(fabs(s)) * sign(s) + k2 * s;  // 超扭曲算法更新

   return d_hat;  // 返回?cái)_動(dòng)估計(jì)值

}

在控制輸出中補(bǔ)償擾動(dòng)：

三、實(shí)測結(jié)果與分析

在三軸飛行模擬器上測試，對比傳統(tǒng)PID與自適應(yīng)PID在5m/s側(cè)風(fēng)干擾下的表現(xiàn)：

指標(biāo) 傳統(tǒng)PID 自適應(yīng)PID+SMO

超調(diào)量 12° 3.5°

調(diào)節(jié)時(shí)間 1.8s 0.6s

穩(wěn)態(tài)誤差 ±1.2° ±0.3°

抗風(fēng)擾能力（5m/s） 失控 穩(wěn)定跟蹤

硬件實(shí)測表明，系統(tǒng)在STM32H743上運(yùn)行頻率達(dá)200Hz，CPU占用率<45%，可滿足實(shí)時(shí)性要求。

四、未來展望

隨著AI芯片的普及，可引入神經(jīng)網(wǎng)絡(luò)進(jìn)一步優(yōu)化模糊規(guī)則庫，實(shí)現(xiàn)參數(shù)調(diào)整的端到端學(xué)習(xí)。同時(shí)，結(jié)合多傳感器融合（如IMU+氣壓計(jì)+GPS）提升狀態(tài)估計(jì)精度，構(gòu)建更魯棒的無人機(jī)飛控系統(tǒng)。