1. 课程导入
当一架无人机从图纸走向真实飞行，决定它“飞得稳不稳、控得准不准、续航远不远”的，往往不是某一个零件，而是隐藏在气流与机体之间的那组气动参数。升力系数斜率、阻力极曲线、俯仰力矩导数、舵面操纵效能、阻尼导数……这些量看不见摸不着，却直接决定了飞控律的增益边界、姿态回路的响应品质以及自主航迹的跟踪精度。本课程要解决的，正是如何用可测量的飞行数据，把这些关键气动参数“反推”出来，并进一步完成标定与验证。
一、学习目标：从“会飞”到“知其所以然”
本课程面向无人机总体、飞控、试验与算法岗位的工程人员，目标是建立一条从理论到工程落地的完整能力链：
- 概念层：理解气动参数辨识与标定的区别与联系，掌握气动力/力矩模型、状态量、输入量与待辨识参数之间的映射关系。
- 方法层：掌握基于飞行试验的数据采集、数据预处理、模型结构选择、参数估计与可辨识性分析的基本流程。
- 工具层：能够使用最小二乘、极大似然、卡尔曼滤波类方法，以及输出误差法、方程误差法等典型辨识算法。
- 工程层：能够设计辨识试验机动动作，评估辨识精度，并把辨识结果用于飞控增益调度、仿真模型修正与适航符合性验证。
二、核心概念：辨识、标定与气动模型
气动参数辨识，本质是一个“由响应反推激励”的逆问题。无人机在飞行中受到气动力与力矩作用，产生加速度、角速度、姿态与位置变化；这些响应被传感器记录后，通过数学模型与参数估计方法，反推出气动导数。标定则是在辨识基础上，对参数进行修正、验证与不确定度评估，使其能够被飞控系统、仿真模型和性能分析工具直接使用。
常用气动模型可写为如下形式，其中 C_L、C_D、C_m 分别表示升力、阻力与俯仰力矩系数：
C_L = C_L0 + C_Lα·α + C_Lq·(q·c)/(2V) + C_Lδe·δe
C_D = C_D0 + K·C_L^2 + C_Dδe·δe
C_m = C_m0 + C_mα·α + C_mq·(q·c)/(2V) + C_mδe·δe式中 α 为迎角，q 为俯仰角速度，V 为空速，c 为平均气动弦长，δe 为升降舵偏度。待辨识参数包括 C_Lα、C_Lq、C_mα、C_mq、C_mδe 等。它们分别刻画静稳定性、阻尼特性与操纵效能。
三、整体框架：从试验到参数的闭环链路
本课程的整体框架可概括为“试验设计—数据采集—数据预处理—模型构建—参数估计—精度评估—标定应用”七个环节。下图给出该链路的核心结构与数据流向。
该框架强调闭环：辨识结果不是终点，而是下一轮试验设计与模型修正的起点。只有经过多轮迭代，参数才具备工程可信度。
四、工程意义：为什么必须做辨识与标定
在无人机工程实践中，气动参数的来源通常有三类：风洞试验、CFD计算与飞行试验辨识。风洞与CFD受缩比效应、支架干扰、湍流模型与网格精度影响，往往与真实飞行存在偏差；而飞行试验辨识直接使用真实飞行数据，能够反映真实雷诺数、真实舵面间隙、真实气动弹性与真实大气环境。因此，辨识与标定是连接“理论模型”与“真实飞行”的关键桥梁。
| 参数来源 | 优势 | 局限 | 典型用途 |
|---|---|---|---|
| 风洞试验 | 条件可控、重复性好 | 缩比与支架干扰 | 初步气动数据库 |
| CFD计算 | 成本低、流场细节丰富 | 湍流模型与网格敏感 | 方案对比与趋势分析 |
| 飞行试验辨识 | 真实工况、可信度高 | 成本高、受气象影响 | 飞控增益与适航验证 |
| 标定修正 | 融合多源、降低偏差 | 依赖数据质量 | 最终参数集发布 |
五、典型场景与常见误区
以一个中型固定翼无人机为例：在完成俯仰倍脉冲机动后，飞控记录到俯仰角速度与迎角响应。若直接使用风洞数据设计飞控增益，可能出现短周期阻尼偏弱、姿态回中振荡的问题；而通过飞行辨识得到的 C_mq 与 C_mα 往往与风洞值存在 10%～30% 的差异。修正后，飞控增益重新调度，姿态响应明显改善。
常见误区二：数据预处理不足，未做时间同步、滤波与传感器偏差修正，直接估计造成有偏结果。
常见误区三：只关注参数数值，不评估置信区间与残差特性，无法判断结果是否可信。
常见误区四：辨识一次就固化使用，忽略构型、重量、重心与飞行包线变化带来的参数漂移。
本课程后续将围绕上述框架逐层展开：先建立气动模型与坐标系基础，再进入试验设计与数据采集，随后深入参数估计方法与精度评估，最后落到标定应用与工程案例。掌握这条链路，才能真正把“飞行数据”转化为“可用的气动参数”。