【无人机集群】ADRC的四旋翼无人机集群协同控制系统【含Matlab源码 16151期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab路径规划仿真内容点击👇
①Matlab路径规划（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、ADRC的四旋翼无人机集群协同控制系统

一、总体功能概述

本程序建立了一个完整的四旋翼无人机六自由度非线性动力学模型，并采用自抗扰控制（ADRC，Active Disturbance Rejection Control）策略实现位置与姿态的协调控制。程序采用 “内外环” 结构：外环位置环通过比例微分（PD）控制生成期望姿态角，内环姿态环分别对滚转、俯仰、偏航三个通道施加独立的 ADRC 控制，高度通道单独由 ADRC 控制总推力。每个通道均配备三阶扩张状态观测器（ESO），实时估计系统状态与总扰动，实现 “扰动观测 — 补偿 — 线性化” 的自抗扰控制思想。仿真结束后程序自动计算稳态误差、上升时间、超调量、控制能量等性能指标，并输出综合响应图与分通道阶跃响应图，适用于无人机控制器设计验证、教学演示与算法对比研究。

二、参数定义与配置模块

程序首先定义无人机物理参数：质量 m=1.5 kg、臂长 L=0.25 m、滚转与俯仰惯性矩 Ix=Iy=0.0023 kg・m²、偏航惯性矩 Iz=0.0040 kg・m²、重力加速度 g=9.81 m/s²，惯量矩阵 J=diag ([Ix,Iy,Iz])。仿真时长 T_final=10 秒，采样步长 dt=0.001 秒，共 N 个时间节点。

程序明确给出两层带宽配置：内环姿态环的 ESO 带宽 wo=50 rad/s、控制带宽 wc_att=20 rad/s；外环位置环带宽 wc_pos=4 rad/s，刻意比内环慢，实现内外环带宽分离，保证姿态响应远快于位置响应，避免耦合失稳。据此推导 ESO 三增益 beta1=3・wo、beta2=3・wo²、beta3=wo³，内环 PD 增益 kp_att=wc_att²、kd_att=2・wc_att，外环 PD 增益 kp_pos=wc_pos²、kd_pos=2・wc_pos，并设置各通道控制输入增益 b0（滚转、俯仰、偏航分别为对应惯性矩的倒数，高度方向取 1/m）。

三、参考轨迹规划模块

程序设计了分段阶跃加低通滤波的平滑参考轨迹，避免指令突变引起控制超调：0.5 秒高度 z 阶跃到 2 米，3 秒 x 阶跃到 1 米，5.5 秒 y 阶跃到 1.5 米，8 秒偏航角阶跃到 0.5 弧度。原始阶跃信号经一阶低通滤波器平滑，滤波时间常数 tau_T=0.3 秒，递推式 x_f (k)=x_f (k-1)+alpha×(x_raw (k)-x_f (k-1))，其中 alpha=dt/tau_T。平滑后的 z_ref、x_ref、y_ref、psi_ref 作为各通道参考输入，既保留了阶跃的期望目标，又限制了实际跟踪斜率。

四、状态与观测器初始化模块

系统状态向量取 [x, y, z, dx, dy, dz, phi, theta, psi, p, q, r]，即三轴位置、三轴线速度、欧拉角（滚转、俯仰、偏航）与三轴角速度，共 12 维，全部初始化为零。四个通道各配备一个三阶 ESO，状态向量为 [z1 (跟踪信号), z2 (跟踪速度), z3 (总扰动估计)]。为加速收敛，高度通道 ESO 的扰动初值 z3 直接置为 -g，即把重力作为已知扰动从初始时刻起补偿。初始推力设为悬停值 F=m・g。

五、外环位置控制模块

外环基于小角度近似实现位置到期望姿态的解算。在偏航角为零、姿态角较小的情况下，水平加速度近似满足 x’‘=g・theta、y’'=-g・phi。程序用 PD 控制器计算水平加速度指令 ux=kp_pos×(x_ref-x)+kd_pos×(0-dx)，uy=kp_pos×(y_ref-y)+kd_pos×(0-dy)，再反解期望俯仰角 theta_des=ux/g、期望滚转角 phi_des=-uy/g，并分别限幅在 ±20°（约 0.35 弧度），防止期望姿态过大超出小角度假设。该模块是内外环衔接的枢纽。

六、ADRC 控制与 ESO 观测器模块

四个通道均采用标准的 “ESO + 扰动补偿” 自抗扰结构。以高度通道为例，扩张状态观测器按离散递推更新：e=z1-z；z1 (k+1)=z1 (k)+dt×(z2 (k)-beta1×e)；z2 (k+1)=z2 (k)+dt×(z3 (k)+b0×F (k)-beta2×e)；z3 (k+1)=z3 (k)+dt×(-beta3×e)。其中 z3 收敛到系统总扰动（包含重力、气动力、未建模动态等）。随后用内环 PD 计算控制律 u0=kp×(z_ref-z1)+kd×(0-z2)，再除以 b0 并减去扰动补偿项，得到实际控制量 F (k+1)=(u0-z3)/b0。为安全起见，推力设下限为悬停值的 10%，即 F≥0.1・m・g。滚转、俯仰、偏航三通道结构完全相同，仅对应 b0 与控制量不同。这种设计将复杂的非线性系统在观测器带宽内线性化为积分串联型，实现 “扰动全补偿、被控对象近似积分器” 的控制效果。

七、四旋翼非线性动力学与数值积分模块

程序采用四阶 Runge-Kutta（RK4）积分器求解动力学方程，步长 0.001 秒，保证数值精度。动力学函数 quad_dynamics 给出完整的 12 维状态导数：线加速度由旋转矩阵将总推力 F 分解到惯性系并扣除重力，即 ax=(cos (phi)・sin (theta)・cos (psi)+sin (phi)・sin (psi))・F/m，ay=(cos (phi)・sin (theta)・sin (psi)-sin (phi)・cos (psi))・F/m，az=cos (phi)・cos (theta)・F/m-g。姿态运动学采用标准欧拉角速率方程：phi_dot=p+q・sin (phi)・tan (theta)+r・cos (phi)・tan (theta)，theta_dot=q・cos (phi)-r・sin (phi)，psi_dot=(q・sin (phi)+r・cos (phi))/cos (theta)，并对 cos (theta) 做去零保护。角加速度由欧拉方程给出：p_dot=((Iy-Iz)・q・r+tau_phi)/Ix，q_dot=((Iz-Ix)・p・r+tau_theta)/Iy，r_dot=((Ix-Iy)・p・q+tau_psi)/Iz。

八、性能评估与结果可视化模块

仿真结束后，程序取后 10% 时间段计算 x、y、z 与偏航角的稳态误差，用辅助函数计算 z、x 通道的上升时间（输出从 10% 到 90% 目标值的时间）与超调量，并积分计算控制能量 E=Σdt・(F²+tau_phi²+tau_theta²+tau_psi²)，全面评价控制品质。

可视化部分生成两幅图并保存至 results 目录：图 1 为综合六子图，依次展示位置响应（x、y、z 参考与实际曲线）、姿态响应（欧拉角与期望角）、角速度、控制输入、ESO 总扰动估计以及三维飞行轨迹（标注起点与终点）；图 2 为各通道阶跃响应分离图，分别显示 x、y、z 阶跃跟踪与滚转、俯仰、偏航角跟踪，便于逐通道评估动态品质。主循环中还输出仿真进度与总耗时。

⛄二、部分源代码和运行步骤

1 部分代码

2 通用运行步骤
（1）直接运行main.m即可一键出图

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本

2019b

2 参考文献

[1]张 勇,阴欢欢.基于机载激光雷达的无人机偏航角跟踪控制方法[J].激光杂志. 2025

3 备注

简介此部分摘自互联网，仅供参考，若侵权，联系删除

⛄五、仿真咨询与程序定制

1 各类智能优化算法改进及应用

1.1 PID优化

1.2 VMD优化

1.3 配电网重构

1.4 三维装箱

1.5 微电网优化

1.6 优化布局

1.7 优化参数

1.8 优化成本

1.9 优化充电

1.10 优化调度

1.11 优化电价

1.12 优化发车

1.13 优化分配

1.14 优化覆盖

1.15 优化控制

1.16 优化库存

1.17 优化路由

1.18 优化设计

1.19 优化位置

1.20 优化吸波

1.21 优化选址

1.22 优化运行

1.23 优化指派

1.24 优化组合

1.25 车间调度

1.26 生产调度

1.27 经济调度

1.28 装配线调度

1.29 水库调度

1.30 货位优化

1.31 公交排班优化

1.32 集装箱船配载优化

1.33 水泵组合优化

1.34 医疗资源分配优化

1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测

2.1 机器学习和深度学习分类

2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测

2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面

3.1 图像边缘检测

3.2 图像处理

3.3 图像分割

3.4 图像分类

3.5 图像跟踪

3.6 图像加密解密

3.7 图像检索

3.8 图像配准

3.9 图像拼接

3.10 图像评价

3.11 图像去噪

3.12 图像融合

3.13 图像识别

3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复

3.15 图像压缩

3.16 图像隐写

3.17 图像增强

3.18 图像重建

4 路径规划方面

4.1 旅行商问题（TSP）

4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）

4.2 车辆路径问题（VRP）

4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.7 带多种容量的车辆路径问题（MCVRP）
4.2.8 带距离的多车辆路径问题（MDVRP）
4.2.9 同时取送货的车辆路径问题（SDVRP）
4.2.10 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.11 带时间窗的车辆路径问题（TWVRP）

4.3 多式联运运输问题

4.4 机器人路径规划

4.4.1 避障路径规划
4.4.2 机器人轨迹跟踪
4.4.3 机器人编队
4.4.4 机器人导航
4.4.5 机器人定位
4.4.6 机器人控制
4.4.7 机器人路径规划
4.4.8 机器人任务分配
4.4.9 机器人搜索
4.4.10 机器人运输
4.4.11 迷宫路径规划
4.4.12 水下机器人路径规划
4.4.13 栅格地图路径规划

4.5 配送路径规划

4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划

4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 卡车无人机
4.6.6 目标搜索
4.6.7 三维路径规划
4.6.8 无人机编队
4.6.9 无人机导航
4.6.10 无人机吊运
4.6.11 无人机对抗
4.6.12 无人机覆盖
4.6.13 无人机检测
4.6.14 无人机控制
4.6.15 无人机求援
4.6.16 无人机位姿估计
4.6.17 无人机系统
4.6.18 无人机侦查
4.6.19 无人机联盟
4.6.20 无人机协同任务
4.6.21 异构无人机

4.7 水下飞行器

4.8 无人车路径规划

4.9 无人艇路径规划

4.10 物流选址

4.11 车辆控制

4.12 多智能体路径规划

4.12.1 多智能体编队
4.12.2 多智能体控制
4.12.3 多智能体路径规划
4.12.4 多智能体协同

5 语音处理

5.1 语音情感识别

5.2 声源定位

5.3 特征提取

5.4 语音编码

5.5 语音处理

5.6 语音分离

5.7 语音分析

5.8 语音合成

5.9 语音加密

5.10 语音去噪

5.11 语音识别

5.12 语音压缩

5.13 语音隐藏

6 元胞自动机方面

6.1 元胞自动机病毒仿真

6.2 元胞自动机城市规划

6.3 元胞自动机交通流

6.4 元胞自动机气体

6.5 元胞自动机人员疏散

6.6 元胞自动机森林火灾

6.7 元胞自动机生命游戏

7 信号处理

7.1 机械振动信号处理

7.1.1 故障信号
7.1.1.1 齿轮损伤识别
7.1.1.2 异步电机转子断条故障诊断
7.1.1.3 滚动体内外圈故障诊断分析
7.1.1.4 电机故障诊断分析
7.1.1.5 轴承故障诊断分析
7.1.1.6 齿轮箱故障诊断分析
7.1.1.7 三相逆变器故障诊断分析
7.1.1.8 柴油机故障诊断
7.1.2 管道泄漏
7.1.3 振动信号

7.2 生物医学信号处理

7.2.1 肌电信号EMG
7.2.2 脑电信号EEG
7.2.3 乳腺癌诊断
7.2.4 生物电信号
7.2.5 心电信号ECG
7.2.6 心血管
7.2.7 心脏仿真
7.2.8 血压

7.3 声呐探测信号处理

7.3.1 声呐
7.3.2 水声通信

7.4 通信工程信号处理

7.4.1 超声波信号处理
7.4.2 导航定位
7.4.3 航天航空
7.4.4 空间识别
7.4.5 雷达通信
7.4.5.1 FMCW仿真
7.4.5.2 GPS抗干扰
7.4.5.3 雷达LFM
7.4.5.4 雷达MIMO
7.4.5.5 雷达测角
7.4.5.6 雷达成像
7.4.5.7 雷达定位
7.4.5.8 雷达回波
7.4.5.9 雷达检测
7.4.5.10 雷达数字信号处理
7.4.5.11 雷达通信
7.4.5.12 雷达相控阵
7.4.5.13 雷达信号分析
7.4.5.14 雷达预警
7.4.5.15 雷达脉冲压缩
7.4.5.16 天线方向图
7.4.5.17 雷达杂波仿真
7.4.6 模拟信号处理
7.4.7 时差绘制
7.4.8 数字信道处理
7.4.9 数字信号处理
7.4.10 无线通信
7.4.11 姿态解算
**7.4.12 资源分配 **

7.5 自动测量信号处理

**7.5.1 参数估计 **
**7.5.2 电动汽车动力电池管理 **
**7.5.3 高度预估 **

8 物理应用

8.1 物理学分支力学

8.1.1 材料力学
8.1.2 弹性力学
8.1.3 动力学
8.1.4 分析力学
8.1.5 固体力学
8.1.6 结构力学
8.1.7 静力学
8.1.8 空气动力学
8.1.9 流体力学
8.1.10 塑性力学
8.1.11 运动学

8.2 物理学其他分支

8.2.1 表面物理学
8.2.2 超声学
8.2.3 次声学
8.2.4 电磁学
8.2.5 电动力学
8.2.6 电学
8.2.7 高压物理学
8.2.8 金属物理学
8.2.9 光学
8.2.10 核物理学
8.2.11 金属物理学
8.2.12 量子力学
8.2.13 热力学
8.2.14 热学
8.2.15 声学
8.2.16 水声学

8.3 物理应用

8.3.1 地理学
8.3.2 化学化工
8.3.3 生物
8.3.4 其他