无人机姿态控制：基于辅助面滑模的约束安全与抖振抑制

1. 项目概述与核心问题

在无人机飞控系统的研发中，姿态控制是确保飞行稳定与安全的核心。无论是执行航拍、物流还是巡检任务，无人机都必须将自身的滚转、俯仰等姿态角严格限制在安全范围内，一旦超出，轻则导致任务失败，重则引发坠机。然而，现实飞行环境充满挑战：传感器（如惯性导航单元）可能因电磁干扰或硬件切换而短暂失效，导致姿态信息无法及时反馈；突发的阵风扰动也可能使无人机瞬间进入大角度姿态。当系统恢复正常时，无人机可能已处于一个接近甚至超出安全边界的“危险”状态，例如滚转角接近翻覆的临界点。此时，控制器必须在极短时间内输出一个既强力又精准的控制指令，既要快速纠正姿态，又要确保整个纠偏过程绝不越过安全红线。

传统的控制方法，如经典的滑模控制（SMC），以其对模型不确定性和外部扰动强鲁棒性而闻名。它通过设计一个“滑模面”，迫使系统状态轨迹像被磁铁吸引一样，最终稳定在这个面上运动。但它的一个固有缺点是“抖振”——控制输出在高频切换，这会导致执行机构（如舵机、电机）快速磨损，并可能激发未建模的高频动力学，在实际的无人机上表现为令人不安的高频振动。更重要的是，当系统存在明确的状态约束（比如滚转角不能超过±35度）时，传统滑模控制缺乏一种内在机制来“预见”并主动规避约束边界，容易在快速收敛过程中“刹不住车”，导致状态越界。

这就引出了我们这次要深入探讨的核心：如何在保证强鲁棒性的同时，严格满足状态约束，并尽可能抑制控制抖振？本文所解析的“基于辅助面与正不变集的滑模控制”方案，正是针对这一工程难题提出的创新思路。它不再只关注一个终极的滑模面，而是通过引入一系列“辅助滑动面”，在状态空间中精心构造出一个安全的“围栏”（即正不变集）。系统的状态一旦进入这个围栏，就保证永远不会跑出去，从而在根本上杜绝了越界风险。我们将在下文中，结合具体的无人机滚转角控制场景，拆解这一方法的完整设计流程、参数选择背后的考量，并分享在硬件在环（HIL）仿真平台上的实战验证结果与调参心得。

2. 核心原理：从传统滑模到辅助面设计

要理解辅助面滑模控制（AS-SMC）的精妙之处，我们必须先回到传统滑模控制的基础，并看清它的局限在哪里。

2.1 传统滑模控制与状态约束的矛盾

对于一个典型的二阶非线性系统，比如无人机的滚转通道，其误差动力学常被描述为：\dot{\phi}_e = p_e + \eta\dot{p}_e = f(X) + g(X) u其中，\phi_e是滚转角误差，p_e是滚转角速率误差，\eta代表综合扰动（如模型不确定性、风扰），u是控制输入（如横向周期变距）。

传统积分滑模控制会设计这样一个滑模面：S = I_1 * p_e + \xi_1 * \int p_e dt = I_1 * p_e + \xi_1 * \phi_e这里，I_1和\xi_1是设计参数。控制律u通常包含一个等效控制部分（用于抵消已知动力学f(X)）和一个切换控制部分（通常采用-K * sign(S)的形式，用于克服扰动和不确定性）。sign(S)是符号函数，正是它导致了控制输出的不连续性和抖振。

问题的核心在于：这个设计的目标是让S趋于零，并最终使\phi_e和p_e都趋于零。但它并没有将状态约束{ \phi_{e_{min}} \leq \phi_e \leq \phi_{e_{max}} }和{ p_{e_{min}} \leq p_e \leq p_{e_{max}} }作为设计的一部分。当初始状态离原点很远（例如\phi_e(0) = -35°）时，控制器为了快速收敛，可能会产生很大的控制量，驱使状态轨迹以很高的速度冲向原点，这条轨迹很可能在到达原点前就穿过了约束边界。

2.2 辅助面与正不变集：构建状态空间的“安全围栏”

AS-SMC 的核心思想是“划地为牢”。它不再只设计一个终极的滑模面，而是设计一组（通常是多个）辅助滑动面。这些辅助面与状态约束的边界共同作用，在相平面（例如以\phi_e为横轴，p_e为纵轴）上围出一个闭合区域。

1. 正不变集的概念：这是一个控制理论中非常重要的概念。如果一个集合是“正不变”的，意味着：只要系统的初始状态落在这个集合内部，那么在未来所有的时间，系统的状态轨迹都将停留在这个集合内部，永远不会跑出去。这完美契合了“状态约束”的需求——如果我们能把安全区域设计成一个正不变集，那么一旦无人机状态进入安全区，就绝对安全了。

2. 辅助面的作用：如何构造这个正不变集？AS-SMC 的方法是利用多个线性滑动面。在滚转角控制的例子中，研究者设计了三个不同的滑动面：S_1(X) = p_e + 4\phi_eS_2(X) = p_e + 1\phi_eS_3(X) = p_e + 2\phi_e每个面都有自己的斜率。然后，在状态约束边界上精心选取一些关键点（如PS1i+, PS1i-等），通过这些点来构造辅助面H1。这个辅助面H1实际上是由多条线段拼接而成的分段线性曲面，它的形状像一个多边形，将原点包裹在内，并且完全位于状态约束边界之内。

3. 控制策略的转变：控制目标不再是简单地驱使状态到达S=0。新的策略是：首先，无论初始状态在哪里，设计控制律使状态轨迹被吸引并进入由辅助面H1构成的正不变集。一旦状态进入这个“安全围栏”，由于集合的正不变性，状态将自然满足约束，并且会逐渐向原点（即平衡点）收敛。你可以把它想象成足球比赛：传统滑模是让球直接射向球门（原点）；而AS-SMC是先确保把球控制在禁区线（辅助面）以内，然后再在禁区内组织进攻射门。禁区线以内的区域是绝对安全的（满足约束）。

2.3 与对称障碍李雅普诺夫函数（SBLF）方法的对比

文中提到了另一种处理状态约束的方法——对称障碍李雅普诺夫函数（SBLF）。它的思路是在李雅普诺夫函数设计中引入一个“障碍项”，当状态接近约束边界时，这个项会趋于无穷大，从而迫使李雅普诺夫函数的导数负定，将状态“推离”边界。

然而，SBLF方法存在一个实践中的致命弱点：它通常需要非常大的控制量才能在状态接近边界时产生足够的“排斥力”。在无人机例子中，这导致计算出的滚转力矩M_x极大，进而反解出的舵面控制指令\delta_{lat}超出了物理执行机构的限幅（sin(\delta_{lat})超过 ±1），最终导致控制输出在 ±90° 的限幅值之间疯狂抖振。这种高频大幅值的抖振对于实际舵机系统是灾难性的，也会导致角速率p_e持续波动，收敛性变差。

相比之下，AS-SMC通过几何构造正不变集，是从系统轨迹的层面提前规划了一条永不越界的路径，所需的控制能量更为平滑合理，从而避免了SBLF的强抖振问题。这是其工程应用价值的关键所在。

3. 控制器设计：一步步构建安全控制器

现在，我们以论文中的无人机滚转角约束控制为例，手把手拆解AS-SMC控制器的设计步骤。这个过程充满了工程化的折衷与技巧。

3.1 系统模型与约束定义

首先，明确被控对象。我们关注滚转通道的误差动力学模型，如前所述。状态变量为X = [\phi_e, p_e]^T。需要满足的硬约束为： 滚转角约束：\phi_e \in \Omega = [-35°, +35°]，即约 ±0.6109 弧度。 滚转角速率约束：p_e \in \Gamma = [-70°/s, +70°/s]，即约 ±1.2217 弧度/秒。 这些约束通常源于无人机的物理结构（防止桨叶撞地）和执行机构的能力极限。

初始条件被设置为一个极端情况：\phi_e(0) = -35°,p_e(0) = 70°/s。这意味着无人机初始处于向左滚转的最大角度，并且还在以最大允许的角速度继续向左滚转，情况十分危急。

3.2 滑动面与辅助面的选取策略

1. 主滑动面选择：这里沿用了传统积分滑模面的形式：\tilde{S} = I_1 * p_e + \xi_1 * \phi_e。参数选择为I_1 = 1,\xi_1 = 4。这个面决定了状态在“禁区”内最终收敛到原点时的动态特性（收敛速度主要由\xi_1决定）。

2. 辅助滑动面设计：这是AS-SMC设计的艺术所在。文中选择了三个辅助面：S_1(X) = p_e + 4\phi_e（斜率 -4）S_2(X) = p_e + 1\phi_e（斜率 -1）S_3(X) = p_e + 2\phi_e（斜率 -2） 为什么是这三个？为什么斜率是4, 1, 2？

• 功能分工：不同的斜率决定了辅助面在相平面上的不同方位。它们像多把尺子，从不同方向去“丈量”和“界定”安全区域的形状。
• 构造正不变集：目标是让这些面与状态约束边界相交，用交点来构造最终的辅助面H1。斜率的选择需要兼顾两点：一是使构造出的H1区域尽可能大，以容纳更多的初始状态；二是要保证该区域确实是正不变的，这需要通过后续的稳定性分析来验证。
• 经验与试错：在实际设计中，这往往不是一个纯解析的过程。工程师通常会根据约束边界，先初步选择几组有代表性的斜率（如较陡、适中、较缓），然后通过数学工具（如线性矩阵不等式LMI）或大量的仿真，来验证和调整这些选择，直到找到一个能形成最大可能正不变集的组合。

3. 关键点选取与辅助面H1生成： 在约束边界上选取点，例如PS1i+ = (-1.1335, 0.2835)。这个点是如何来的？它很可能是滑动面S1与滚转角速率约束边界p_e = 0.2835（或某个值）的交点。通过这些关键点，可以确定辅助面H1的方程。H1被表示为：H1 = \omega_{111} p_e + \omega_{112} \phi_e + M_1这里的\omega_{111},\omega_{112},M_1是分段常数。例如，在论文给出的分段中： 当处于区域No.0时，\omega_{111}=1, \omega_{112}=2, M_1=0.5665。 这意味着在相平面的不同扇形区域，H1表现为不同的直线方程。所有这些线段首尾相连，形成了一个封闭的多边形，这个多边形区域就是设计的目标——正不变集。

实操心得：辅助面设计的“手感”初次接触时，可能会觉得关键点和分段参数的选择像在“猜”。这里有个实用技巧：可以先用仿真工具（如MATLAB）画出状态约束的矩形框，然后画出你初选的几条滑动面直线。观察这些直线与矩形框的交点，这些交点自然构成了多边形的顶点候选。然后，你需要验证由这些顶点连接形成的多边形，在其每条边上，状态轨迹的向量场（即[\dot{\phi}_e, \dot{p}_e]^T）是否都指向多边形内部。如果是，那这就是一个正不变集。这个过程可以借助相轨迹图工具半直观半解析地完成。

3.3 控制律推导与稳定性保证

有了辅助面H1，控制目标就明确了：设计控制律u，使得从任意初始状态出发，状态都能进入H1所围成的区域，并且一旦进入就不再离开。

控制律的形式通常由两部分组成：u = [\omega_{111} g(X)]^{-1} [ -\omega_{111} f(X) - \omega_{112} p_e + N ]让我们拆解一下：

1. -\omega_{111} f(X)：这是等效控制部分，用于补偿系统的已知非线性动力学f(X)。
2. -\omega_{112} p_e：这一项与辅助面的设计参数有关，它提供了系统的阻尼，有助于稳定状态。
3. N：这是一个鲁棒项，用于处理扰动\eta和模型不确定性。在文中，N被取为一个较小的常数 0.05，这实际上是一种简化的处理，也可以设计为基于切换的项（如-K sign(H1)），但为了减弱抖振，这里采用了小增益的线性反馈形式。

稳定性分析的核心是证明H1所围区域的正不变性。这需要利用李雅普诺夫方法。构造一个候选李雅普诺夫函数V = 0.5 * H1^2。然后求其导数\dot{V} = H1 * \dot{H1}。将系统动力学方程和控制律u代入\dot{H1}，如果能够证明在H1区域的边界上（即H1等于某个常数时），总有\dot{V} < 0（或\dot{H1}的符号能使H1减小），那么状态一旦到达边界就会被“推回”区域内，从而保证了区域的正不变性。论文中省略了这部分繁复的推导，但其结论是：通过合理选择参数\omega_{111},\omega_{112},M_1和N，可以确保该性质成立。

4. 硬件在环仿真实战与结果深度分析

理论设计是否有效，必须通过实践检验。硬件在环（HIL）仿真为这类先进控制算法提供了逼近真实的验证环境。

4.1 HIL仿真平台搭建要点

HIL仿真并非简单的软件模拟。在无人机控制背景下，一个典型的HIL平台包含：

• 实时仿真机：运行高保真的无人机非线性动力学模型（包含气动、发动机、旋翼动力学等），并以极高的固定步长（通常小于1ms）解算。
• 飞行控制计算机：即真实的飞控板（或采用同型号处理器的原型机），上面运行着我们设计的AS-SMC控制算法。这是“硬件在环”中的“硬件”。
• 通信接口：仿真机将传感器数据（如陀螺仪、加速度计模拟量）通过总线（如CAN, UART）发送给飞控板；飞控板解算后，将控制指令（如舵机PWM信号）发送回仿真机，形成闭环。
• 监控与数据记录系统：用于实时显示状态曲线（如姿态角、角速率）、控制输出，并记录数据供后续分析。

在本次实验中，无人机模型采用了带通道耦合的完整非线性方程。HIL测试模拟了最严苛的场景：飞控系统短暂失效后恢复，发现无人机已处于滚转角-35°、角速度70°/s的极端状态。

4.2 对比实验与结果解读

论文将AS-SMC与两种方法进行了对比：传统边界层滑模控制（标记为‘Normal’）和对称障碍李雅普诺夫函数控制（标记为‘SBLF’）。

1. 状态轨迹对比（图15分析）：

• Normal方法：其状态轨迹从初始点(-35, 70)出发，几乎是一条“直线”冲向原点。它确实满足了滚转角约束（轨迹未超出±35°的竖带），但严重违反了角速率约束！轨迹在早期穿过了p_e = 70°/s的水平边界。这意味着在实际飞行中，角速度可能超过了舵机或结构能承受的极限，极其危险。
• SBLF方法：其轨迹在约束边界内，但呈现出剧烈的折返和振荡。这是因为其控制量饱和与抖振导致状态在相平面内来回“弹跳”，虽然未越界，但动态品质很差。
• AS-SMC方法：其轨迹平滑地收缩至原点。最关键的是，整条轨迹完全被包裹在由滚转角约束（±35°）和角速率约束（±70°/s）构成的矩形框内，并且也完全位于之前设计的辅助面H1所围成的多边形内。这直观地证明了正不变集的有��性。

2. 控制输出对比（图16分析）：

• Normal方法：控制输出\delta_{lat}初期有一个很大的跳变，然后随着状态收敛而平滑减小，存在轻微抖振。
• SBLF方法：控制输出在±90°之间剧烈高频切换（抖振），这正是由于其需要���大的控制力来保证不越界，导致求解出的舵面指令超出了sin(\cdot)函数的有效范围[-1,1]，被硬件限幅。这种输出在实际系统中是无法实现的，会严重损坏舵机。
• AS-SMC方法：控制输出非常平滑，幅值合理（远小于±90°），且没有高频抖振。这表明AS-SMC在满足约束的同时，天然地产生了对执行机构友好的控制信号。

3. 状态收敛过程对比（图17，18分析）：

• 滚转角速率p_e（图17）：Normal方法收敛快但有超调；SBLF方法持续抖振，收敛慢；AS-SMC方法平滑、无超调地收敛到零，且全程在约束范围内。
• 滚转角\phi_e（图18）：三者最终都能收敛到零。但AS-SMC的收敛曲线最为平滑、单调。SBLF由于角速率的抖振，导致角度也出现小幅波动。

HIL调试避坑指南

1. 模型保真度与实时性权衡：HIL仿真中，动力学模型的复杂度直接影响实时性。如果模型过于复杂导致解算超时，会破坏控制的实时性。通常需要做合理的简化，但必须保留主导动力学（如刚体运动、主要气动力）和关键的耦合项。
2. 传感器噪声与延迟模拟：真实的传感器数据带有噪声和微小延迟。在HIL中，应在仿真机输出给飞控的数据中加入高斯白噪声和适当的延迟（如1-2个采样周期），以测试控制器的鲁棒性。AS-SMC对扰动有强鲁棒性，但仍需验证其在噪声下的表现。
3. 执行机构动力学模拟：不能假设舵机是理想的。应在仿真模型中加入舵机的速率限幅和位置限幅，以及一阶或二阶的延迟模型。这能更真实地反映控制指令到实际舵面偏转的过程，避免在HIL中表现良好，但上真机后因舵机响应跟不上而出问题。
4. 参数微调：AS-SMC中参数N（鲁棒项增益）需要仔细调节。太小可能无法克服扰动，太大会引入不必要的抖振。建议在HIL中，从很小值开始逐步增加，直到能抵抗你加入的测试扰动（如持续风扰）为止。

4.3 性能权衡与局限性讨论

任何工程方案都有其权衡。论文也指出了AS-SMC的一个潜在缺点：与Normal方法相比，AS-SMC的状态收敛速度可能较慢。

原因分析：这是因为AS-SMC的控制目标更为“保守”。Normal方法以最快速度直扑原点，不顾及路径是否危险；而AS-SMC则优先确保状态行走在绝对安全的“走廊”（正不变集）内，这条走廊可能是一条更迂回、更平缓的路径。反映在控制输入上，AS-SMC的控制量幅值更小、更平滑，能量更小，因此收敛速度作出了一些牺牲。

这引出了一个重要的工程折衷点：收敛速度 vs. 约束安全性与控制平滑性。在无人机安全至关重要的起飞、降落或应急恢复阶段，保证绝对不越界和控制的平滑性远比快速收敛更重要。而在平稳巡航阶段，可能可以切换到更激进的控制模式。因此，未来的一个研究方向可以是设计自适应或切换机制：当状态远离约束边界时，采用收敛更快的控制律；当状态接近边界时，自动切换至AS-SMC模式，从而兼顾性能与安全。

5. 工程实现要点与常见问题排查

将AS-SMC从理论公式转化为飞控板上稳定运行的代码，需要跨越不少工程鸿沟。

5.1 离散化与代码实现

控制算法通常在连续时间域设计，但数字飞控是在离散时间域运行的。需要对控制律进行离散化。

1. 状态获取：通过传感器融合（如IMU+滤波器）得到离散时刻k的滚转角估计\hat{\phi}_e(k)和角速率估计\hat{p}_e(k)。

2. 区域判断逻辑：这是实现的关键。需要编写一个函数，根据当前的(\hat{\phi}_e(k), \hat{p}_e(k))，判断其处于相平面中哪个分区（即属于H1分段定义中的哪个No.i区域）。这通常可以通过计算状态点与各条辅助面边界线的位置关系来实现。

3. 控制量计算：

// 伪代码示例 phi_e = get_roll_error(); p_e = get_roll_rate_error(); // 1. 判断当前所在区域 region_index = determine_region(phi_e, p_e); // 2. 获取该区域对应的辅助面参数 omega1 = omega111_table[region_index]; omega2 = omega112_table[region_index]; M = M1_table[region_index]; // 3. 计算当前辅助面值 H1 (可用于监控) H1_current = omega1 * p_e + omega2 * phi_e + M; // 4. 计算控制量 u (δ_lat) // 假设已知或估计出 f(X) 和 g(X) f_X = calculate_nonlinear_term(phi_e, p_e, other_states); g_X = get_control_gain(); // 通常是一个常数或慢变参数 // 鲁棒项 N， 可采用常数或简单的饱和函数 N = calculate_robust_term(H1_current); u = (1.0 / (omega1 * g_X)) * ( -omega1 * f_X - omega2 * p_e + N ); // 5. 输出限幅（物理执行机构限制） u_saturated = saturate(u, U_MIN, U_MAX); apply_control(u_saturated);

5.2 常见问题与排查表

在实际实现和调试中，你可能会遇到以下问题：

5.3 参数整定经验分享

AS-SMC的参数不像PID那样有明确的物理意义和整定公式，更多依赖于基于模型的分析和仿真调优。

1. 从简化模型开始：先在忽略部分耦合项的简化模型上设计辅助面和控制器参数。这样更容易分析，也能快速得到一个可用的初值。
2. 蒙特卡洛仿真：在参数空间（如辅助面斜率、N的增益等）进行大量随机采样，对每一组参数，进行从不同初始状态出发的仿真。评估指标应包括：是否违反约束、收敛时间、控制能量积分、最大控制量等。通过帕累托前沿找出在多个指标间平衡较好的参数组。
3. 稳定性验证的“捷径”：严格证明分段线性系统正不变性可能很复杂。一个实用的工程方法是：在相平面上，对你设计的多边形区域的每一条边，随机选取该边上的上百个点，计算在该点处状态导数[\dot{\phi}_e, \dot{p}_e]^T的方向向量。如果所有这些向量都指向多边形内部（或至少与边法向量的点积为负），那么你有很强的信心认为该区域是正不变的。
4. 在线微调：在HIL或实际飞行测试中，参数微调应非常谨慎。一次只调整一个参数，并观察其影响。记录每次调整前后的飞行数据，形成你自己的“参数-性能”经验库。

辅助面滑模控制为处理带状态约束的强非线性系统控制问题提供了一条清晰而有效的路径。它将复杂的约束满足问题，转化为在状态空间构造一个几何安全区域的问题，思路直观，物理意义明确。虽然在初始设计和参数整定上需要投入更多精力，但其带来的控制平滑性、安全保证和强鲁棒性，对于无人机、机器人、航天器等安全攸关的系统而言，价值是巨大的。这项技术提醒我们，高级控制算法并非越复杂越好，而是要在深刻理解被控对象物理特性和安全边界的基础上，做出最精巧而可靠的设计。