2、飞控系统基础：飞控系统组成、传感器与执行器、控制律基本概念、飞控算法开发面临的挑战

飞控系统（Flight Control System, FCS）是无人航空器（UAV）和有人驾驶飞行器的“神经中枢”，其核心任务是通过感知飞行状态、计算控制指令、驱动执行机构，使飞行器按照期望的轨迹和姿态稳定飞行。在进入基于模型的开发（MBD）流程之前，工程师必须对飞控系统的物理组成、信号链路、控制律数学本质以及开发过程中的典型工程约束有清晰认知。本章将系统梳理飞控系统的硬件架构、传感器与执行器的选型逻辑、控制律的基本概念，并剖析飞控算法开发中区别于普通嵌入式软件的特殊挑战。

上图展示了飞控系统的核心信号链路：传感器将物理运动转换为数字量，飞控计算机完成状态估计与控制律解算，执行器将控制指令转换为机械/气动动作，同时状态反馈构成闭环。在后续章节中，我们将围绕这一链路展开基于模型的开发实践。

2.1 飞控系统组成与分层架构

飞控系统并非单一硬件，而是由多个子系统按功能分层组合而成的复杂嵌入式系统。从工程实现角度，通常将其划分为四个层次：感知层、决策层、执行层和接口/供电层。感知层负责采集飞行状态与环境信息；决策层（即飞控计算机）运行姿态解算、导航和控制律算法；执行层接收控制指令并驱动舵面或电机；接口与供电层则保障各模块之间的通信和能源供给。

在具体硬件选型上，飞控计算机（FCU）多采用ARM Cortex-M7或M4内核的MCU（如STM32H743、NXP i.MX RT系列），部分高端飞控会使用SoC+FPGA架构以支持视觉导航或多余度管理。传感器组合通常包括：IMU（惯性测量单元，内含三轴加速度计与三轴陀螺仪）、磁力计、气压计、GNSS模块、空速计（固定翼必需）以及超声波/激光测距模块。执行器则根据飞行器类型差异较大：多旋翼使用电调（ESC）驱动无刷电机，固定翼使用舵机控制副翼、升降舵和方向舵，倾转旋翼机还需额外的倾转伺服机构。

层级	核心组件	典型接口	关键参数	失效影响
感知层	IMU、磁力计、气压计、GNSS	SPI（IMU）、I2C（磁力计）、UART（GNSS）	IMU采样率≥1kHz，陀螺仪量程≥±2000°/s	姿态发散，飞行失控
决策层	MCU/SoC、外部存储、看门狗	CAN、UART、USB、Ethernet	控制周期1kHz，任务周期100Hz	系统宕机，需余度切换
执行层	ESC+电机、舵机、伺服机构	PWM（50Hz~400Hz）、DShot、CAN	PWM分辨率≥1μs，响应延迟≤5ms	动力缺失，姿态不可控
供电层	PMU、BEC、电压/电流监测	I2C（监测）、模拟量	电压纹波≤100mV，峰值电流裕量≥30%	复位或掉电，系统崩溃

2.2 传感器与执行器：选型、标定与信号特性

传感器和执行器是飞控系统与物理世界交互的“触手”和“肌肉”。它们的性能直接决定了控制律能达到的极限品质。对于传感器，核心指标包括：零偏稳定性、噪声密度、带宽、量程和交叉轴灵敏度。以IMU为例，消费级IMU（如MPU6000）零偏稳定性约为10°/h，而工业级（如ADIS16470）可达0.5°/h，战术级（如LN-200）则优于0.1°/h。在飞控算法开发中，传感器误差模型（常建模为：常值零偏+随机游走+高斯白噪声）是卡尔曼滤波器和互补滤波器的设计输入。

执行器的关键参数则包括：响应带宽、死区、饱和限幅、延迟和分辨率。例如，典型PWM舵机的响应带宽为5~10Hz，死区约为1~2μs脉宽，饱和角度通常为±30°。这些非线性特性在控制律设计时若未建模，会导致极限飞行状态下出现振荡或稳态误差。执行器标定是飞控开发中不可跳过的一环：需要测量PWM脉宽与舵面偏角/电机转速的实际映射关系，并补偿温度漂移。

在传感器融合方面，一个典型的工程案例是：某四旋翼在高速前飞时，GNSS信号因多路径效应出现10Hz的跳变，导致位置环出现明显抖动。分析发现，GNSS的更新率仅为10Hz，而IMU为1kHz，融合算法中位置环增益过高，放大了GNSS噪声。解决方案是：在位置环前增加一个截止频率为2Hz的低通滤波器，同时将GNSS的置信度（协方差）根据卫星数和水平精度因子（HDOP）动态调整。这一调整使得位置波动从±1.5m降低到±0.3m，且未引入明显延迟。

2.3 控制律基本概念：从PID到现代控制

控制律是飞控算法的“大脑”，其任务是根据期望状态（如目标姿态角、高度、速度）和当前估计状态，计算出执行器指令。最基础且应用最广泛的是PID控制器，其数学形式为：

u(t) = Kp * e(t) + Ki * ∫e(τ)dτ + Kd * de(t)/dt

其中，e(t)为误差信号，Kp、Ki、Kd分别为比例、积分、微分增益。在飞控中，PID通常采用串级结构：内环（角速度环）响应快，外环（角度环）响应慢。例如，多旋翼的姿态控制中，外环角度环输出期望角速度，内环角速度环输出期望力矩，再通过混控器分配至四个电机。

随着飞行器性能要求提升，现代飞控逐渐引入更先进的控制方法：LQR（线性二次型调节器）、H∞鲁棒控制、ADRC（自抗扰控制）、模型预测控制（MPC）等。这些方法需要更精确的模型支撑，这正是基于模型的开发（MBD）流程的核心价值所在。例如，ADRC将未建模动态和外部扰动统一视为“总扰动”，通过扩张状态观测器（ESO）进行估计并补偿，对参数摄动有较强的适应性。

控制方法	模型依赖度	鲁棒性	计算开销	适用场景
PID（串级）	低（无需精确模型）	中等	极低	常规多旋翼、固定翼
LQR	中（需线性化模型）	中等	低	悬停、巡航状态
ADRC	低（需模型阶次）	高	中	强扰动、参数变化大
MPC	高（需预测模型）	高	高	轨迹跟踪、避障

2.4 飞控算法开发面临的挑战

飞控算法开发与普通嵌入式软件开发有本质区别，其挑战主要体现在以下四个维度：

• 实时性与确定性：控制律必须在严格的时间约束内完成计算，且每次执行的耗时抖动要小。例如，1kHz控制环要求任务周期为1ms，若某次执行耗时1.2ms，则会导致控制指令输出延迟，严重时引发振荡。因此，飞控代码中禁止使用动态内存分配、递归调用和阻塞式I/O。
• 安全性与可靠性：飞控系统失效可能导致坠机。因此需要设计看门狗、余度管理（双IMU/双MCU）、异常检测（如传感器数据跳变检测）和故障降级策略（如从GPS导航降级为姿态模式）。
• 多学科耦合：飞控算法涉及空气动力学、结构力学、电机学、通信理论等多个领域。例如，气动弹性效应会导致机翼在高速飞行时发生颤振，这要求控制律设计时考虑结构模态频率，避免激励共振。
• 验证与确认（V&V）的复杂性：飞控软件必须经过充分的测试。基于模型的开发通过自动代码生成（如Embedded Coder）减少了手工编码错误，但模型本身的正确性仍需通过MIL（模型在环）、SIL（软件在环）、PIL（处理器在环）和HIL（硬件在环）多级测试来验证。