4. 无人机气动模型
气动参数辨识与标定的第一步，是明确“待辨识对象”的数学结构。无人机在空中的运动可视为刚体在三维空间中的六自由度运动，而气动力与力矩则是状态量与操纵量的函数。只有把运动方程、气动力/力矩模型以及线性/非线性模型结构三者关系理清，后续的辨识算法、试验设计和参数标定才有明确的目标。
一、六自由度运动方程：辨识的“骨架”
六自由度运动方程描述无人机质心平动与绕质心转动，通常建立在机体坐标系下。其核心由牛顿-欧拉方程给出：
平动：m( V̇ + ω × V ) = F
转动：I ω̇ + ω × (I ω) = M
其中：
V = [u, v, w]ᵀ 机体轴速度
ω = [p, q, r]ᵀ 机体轴角速度
F = [X, Y, Z]ᵀ 气动力 + 重力 + 推力
M = [L, M, N]ᵀ 气动力矩 + 推力力矩
I 惯性矩阵这组方程本身是确定的物理规律，不含未知气动参数。真正需要辨识的是其中的 F 与 M 如何随飞行状态变化。因此，六自由度方程是“骨架”，气动模型是“肌肉”，参数辨识就是给肌肉标定力量大小。
二、气动力与力矩模型：从物理量到参数
气动力与力矩通常用无量纲系数表示，便于不同尺度无人机之间对比。以纵向运动为例：
升力：L = q̄ S C_L
阻力：D = q̄ S C_D
俯仰力矩：M = q̄ S c̄ C_m
q̄ = 0.5 ρ V² 动压
S 参考机翼面积
c̄ 平均气动弦长
C_L, C_D, C_m 无量纲气动系数气动系数一般表示为迎角 α、侧滑角 β、马赫数 Ma、角速度 p、q、r 以及舵面偏度 δ 的函数。例如纵向俯仰力矩系数可写为：
C_m = C_m0 + C_mα·α + C_mq·(q c̄ / 2V) + C_mδe·δe其中 C_m0、C_mα、C_mq、C_mδe 就是待辨识的气动导数。它们分别代表零迎角力矩、迎角静稳定性、俯仰阻尼和升降舵操纵效率。辨识的任务，就是利用飞行试验数据反推出这些导数的数值。
三、线性与非线性气动模型结构
根据飞行包线和机动幅度，气动模型结构可分为线性与非线性两大类。线性模型假设气动力与状态量、操纵量成线性关系，适用于小扰动、小迎角、小角速率场景；非线性模型则引入高阶项、交叉项或分段函数，适用于大迎角、快速机动和强非线性区域。
| 模型结构 | 典型表达式 | 适用场景 | 辨识难度 |
|---|---|---|---|
| 线性模型 | C_L = C_L0 + C_Lα·α + C_Lδe·δe | 小迎角巡航、小扰动 | 低，可用最小二乘 |
| 准线性模型 | 在线性项基础上加入 q、α̇ 阻尼项 | 中等机动、短周期模态 | 中，需多变量回归 |
| 非线性模型 | C_L = C_L0 + C_Lα·α + C_Lα²·α² + C_Lαq·α·q | 大迎角、过失速、快速滚转 | 高，需非线性优化 |
| 分段/多项式模型 | 按 α 区间分别拟合不同多项式 | 全包线、气动突变 | 高，需状态划分 |
选择模型结构时，需要在“拟合精度”与“参数可辨识性”之间权衡。模型过于简单，无法描述真实气动特性；模型过于复杂，则参数之间强相关，试验数据无法唯一确定各参数，导致过拟合。
四、案例：某小型固定翼无人机纵向模型构建
以某 3 kg 级固定翼无人机为例，在巡航状态附近进行纵向辨识。首先建立六自由度纵向简化方程，保留 u、w、q、θ 四个状态量；然后选取线性气动模型结构：
C_L = C_L0 + C_Lα·α + C_Lq·(q c̄ / 2V) + C_Lδe·δe
C_D = C_D0 + k C_L²
C_m = C_m0 + C_mα·α + C_mq·(q c̄ / 2V) + C_mδe·δe通过升降舵 3-2-1-1 激励试飞，采集 α、q、δe 和加速度数据，利用输出误差法辨识得到 C_Lα、C_mα、C_mq、C_mδe 等参数。若后续进行大迎角机动，则需将 C_L 和 C_m 扩展为含 α²、αq 项的非线性结构，并重新设计激励输入。
五、复盘：模型结构选择的三个检查点
- 物理一致性：辨识出的气动导数符号和量级是否符合气动理论？例如 C_mα 通常为负，表示纵向静稳定。
- 参数可辨识性：各回归量之间是否高度相关？若相关，需重新设计激励输入或简化模型结构。
- 外推能力：用一部分数据辨识、另一部分数据验证，检查模型在未参与辨识的状态点上是否仍然有效。
综上，六自由度运动方程提供物理约束，气动力与力矩模型提供参数化形式，线性/非线性模型结构决定辨识问题的复杂度。三者层层递进，共同构成无人机气动参数辨识的模型基础。