工程角度如何考虑ADRC控制算法在无人机的应用

摘自：https://mp.weixin.qq.com/s/06WkKwl6X3uJ7o9zDAifgw

工程角度如何考虑ADRC控制算法在无人机的应用

原创 across超越者 across说 4月29日

本文以ADRC控制算法为例，介绍一下在无人机的控制算法开发中是如何使用的。

 

现状：

目前为止，无论是开源飞控还是飞控厂商，基本上还是以PID控制算法为主，针对无人机的各个控制回路特性，在此基础上增加一下控制策略。比如GPS模式下，如何控制飞行器稳定的刹车，并停留在原点等？因此底层的核心还是PID算法。而控制器的性能，又很大程度上取决于状态估计算法的数据，而这一点恰恰是目前飞控算法的难点所在，也是主要工作。所以基本上飞控算法还是以调节状态估计算法为主。而控制算法这块，PID算法的性能已经基本满足了需求。

 

为什么要换ADRC？

不得不说，ADRC在无人机领域的热度很高，据各种小道消息，都宣称其算法性能优异，远超PID。而笔者对此也一直持保留意见，曾经也试过各种先进控制算法，如LQG、滑模等，效果也并非宣称的那样具有明显的优势，不能否认的是先进的控制算法如果根据其特点，找到合适的控制回路应用，效果还是可以的。

至此，笔者也打算尝试一下，对比一下ADRC是否真的这么神奇。正好，做一个研究的记录，从工程应用的角度，将自己的研究方法与心得与读者分享一下。这里，不做ADRC算法的理论推导与稳定性分析。至于原因？别问，问就是不会。

 

ADRC优势？

既然要换ADRC算法，那首先就得要知道这个控制算法有什么优点？能解决什么样的问题？

韩京清教授的论文首先描述了PID控制算法的缺点。

总结起来就是：

• 如果是一个阶跃响应，PID算法的误差计算会有一个很大的输出；

• PID三项是一个线性的组合；

• 积分虽然可以解决稳态误差，但是也会带来系统的不稳定因素。如果系统没有干扰，积分参数不合适的话，会导致超调、积分饱和等问题。而且积分的抗干扰主要体现在低频，对中高频干扰作用不大。

 

所以ADRC的解决办法就是：

• 安排一个过渡过程，将阶跃变化变得柔和；

• 设计非线性控制率；

• 设计扩张状态观测器ESO，估计反馈数据和干扰；

 

ADRC原理？

作为算法应用者，对算法本身的推导不会不要紧，但是必须要定性的了解原理是什么，这样才能正确的应用以及参数的调试。

图中标注的就是以上提到的ADRC的组成部分：

• 跟踪微分器TD；

• 非线性状态误差反馈控制率NLSEF；

• 扩张状态观测器ESO；

TD主要安排一个柔和的目标值输入，这样避免了PID算法快速响应与超调的矛盾。PID中，要想响应快速，必须增大P项，而增大到一定程度，又会有超调；

NLSEF的话，主要是解决一个“小误差大增益，大增益小误差”的问题，比如开源飞控ardupilot中采用的sqrt控制器就是一个P控制的变型；

ESO的作用是：根据系统的输入和输出，重新估计出控制器的反馈，同时，增加了一个状态量，系统干扰（将系统模型内部的干扰和外界的随机干扰统一认为是一个总扰动），估计出总干扰后，在控制输入部分进行抵消，这样就相当于去掉了系统的扰动。ESO中的干扰估计是ADRC的一个关键点，有了干扰后，进行抵消，即所谓的自抗扰控制；

 

ADRC公式？

前面已经讲过，本文不注重公式的推导，实际在工程应用的时候，这个也不是一个必须工作，可以参考现有的公式进行编程即可。

 

如何使用？

无人机的控制器回路众多，角速度、角度、速度、位置是最基本的，另外，如果是控制欧拉角，还会区分出三个轴向，所以ADRC适合用在哪？是需要考虑的。

ADRC的最主要特点就是抗扰动，那显然，对于姿态控制和高度控制回路，个人觉得是比较针对的。姿态控制是水平控制的基础，如外界的风对飞行器的干扰等，所以姿态如果抗扰动，对上层的位置回路也会有很大帮助。同理，高度回路，任务载荷的变化也是需要考虑的。

另外，以上的公式是针对一个二阶系统，而姿态控制中的角速度回路，可以看做是一个二阶系统。综上考虑，我们首先在角速度回路进行ADRC的测试。

 

 

仿真调试

相信以上的公式已经可以让一部分人绝望了，ADRC的参数太多，而且互相之间影响较大，这个即使在飞控中写好了代码，实际又该如何调试？

答案就是仿真。

作为算法工程师，仿真是必备步骤，尤其是一个新的算法开发过程。

仿真的好处就是，可以帮我们验证编写的算法是否有bug，同时，能协助我们确定参数的量级以及大概范围，至于参数的准确程度取决于模型的准确度。实际一般会有所差别，因此我们不追求绝对的最优参数，最优的参数可以在真机上调试。

图中所示就是搭建的角速度环的ADRC控制仿真，图中给了一个1.5rad/s的角速度目标，结果表明基本参数都在合理范围。

 

调参的时候，可以分开考虑，比如这里ADRC有3个部分，所以我们可以单独分别进行参数的调试。

比如单独测试TD：

比如这里，我将目标的输入经过TD后，需要约0.8s的跟踪，具体可以调节TD的参数，TD调好以后，就不再考虑这个参数，而专心调节后续模块的参数，以上只是一个分开调试的举例说明。

 

调参方法

其实任何算法，只要有了仿真，参数的调试就可以很方便了。比如这里，首先你要原理上大概知道每个参数是干嘛的，大概调节参数会有什么样的反应；

如果理论知识不够，也没关系，可以在仿真里不断的进行试验，总结规律。比如在调节ESO的时候，带宽的大小对结果有什么影响呢？只需要其他参数固定，通过调节带宽，看下最终结果的变化，就能总结出规律。

 

笔者这里给出大概的经验：

TD的参数比较好判断，这里不叙述了。而ESO的beta0、beta1、beta2参数与观测器的带宽有关，所以只需调节带宽，还有一个就是补偿系数b，这两个参数比较重要。

当你发现观测的结果，比如角速度与实际传感器测量的角速度相比，噪声很大，则说明观测器的带宽设置的太大了，而如果数据有一些超调，则说明设置的太小了；

补偿系数b的话，直接感受是控制的响应，因为b越大，则控制量就小了，系统响应就会变慢，相反，如果想提高响应，就需要减小b。

所以，经过调试，你会发现其实只需改变极少参数即可。

 

 

飞行测试

在飞行测试前，还需进行嵌入式代码的编写，当然，这部分工作目前也可以由matlab自动生成。不过，笔者作为一个老派选手，还是习惯了自己编写。

编程完成后，就需要进行一些调试检查。比如看一下控制器的输出是否在合理范围内等等。

 

结论

算法能正常运行后，就需要通过实际的飞行数据和飞行现象来判定是否具有优势，也就是完成了这么多工作以后，总要得出自己的实验结论。

得到结论的方法：

比如ADRC，可以看一下角度的跟踪响应，与PID进行对比，尤其注意的是用性能调好的PID对比，即相同的响应下，哪个更稳定，没有超调。很多人的对比没有注意同等条件，用一个调的不好的PID对比，自然结论也是不科学的。

还可以测试一下抗干扰的能力，比如突然动一下飞机，或是带个重量变化的载荷等。

这里笔者不叙述自己的结论了，读者可以自己试验。重点还是一句话，绝知此事要躬行，对网上的各种结论性说法都不要抱着深信不疑的态度，有条件的话，还是自己测试，自己得出结果。包括笔者的文章，成文较早的初期也有很多理解不到位的地方，其实是有问题的。

 

以上就是有关ADRC的应用全过程，从提出问题，到选用控制算法，到如何应用以及参数调试等。本文可能并没给出一些结论性说明，主要是有关ADRC的相关文章也是比较多，读者可以自行查阅资料，另外本人比较倾向于提供方法论，直接给结论其实对每个人的成长帮助不大，很多人因为有参考，就没有深入思考，在繁杂的资料面前，往往忽略了最应该掌握的核心问题，在算法的调参上也是不得法门，浪费了精力。今年工作室计划会开设一个控制算法专题课程，还是教授如何从工程角度应用控制理论，包括控制理论的基础知识，LQG、MPC、ADRC等控制算法，届时会详细的叙述整个开发过程，开放相关的源码。

 

---

across说：一个有趣有用的公众号，分享笔者在无人机、无人驾驶、机器人等领域的技术开发心得与见解。扫描下方二维码，即可关注本公众号。