【无人机控制】基于线性二次型调节器LQR实现无人机飞行控制附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

LQR（Linear Quadratic Regulator）是一种常用的线性二次型调节器，可以用于无人机的飞行控制。LQR方法通过设计一个状态反馈控制器来实现无人机的稳定飞行。下面是基于LQR的实现无人机飞行控制的步骤：

1. 系统建模：首先需要建立无人机的动力学模型，包括位置、速度和姿态等状态变量，以及控制输入变量如推力和地形等。该模型通常是一个非线性系统，可以使用线性化技术将其近似为一个线性系统。

2. 设计状态反馈控制器：使用LQR方法设计一个状态反馈控制器，该控制器根据当前状态变量的测量值来计算控制输入。LQR方法通过最小化一个成本函数来求解最优的控制器增益矩阵，该成本函数通常包括状态偏差和控制输入的加权和。

3. 线性二次型调节器设计：根据系统模型和控制器增益矩阵，可以构造一个线性二次型调节器，该调节器根据当前状态变量的测量值和目标状态变量的参考值来计算控制输入。线性二次型调节器将当前状态与目标状态之间的差异通过控制器增益矩阵进行线性组合，得到最终的控制输入。

4. 实施控制策略：将线性二次型调节器应用于无人机的飞行控制系统中，并将其与传感器和执行器进行集成。通过实时测量无人机的状态变量，并计算相应的控制输入，可以实现无人机的稳定飞行。

⛄ 部分代码

​%% declarationscT = 1.3529e-06 ;cQ = 2.1113*1e-08 ;l = 110*1e-3 ;lp = sqrt(2)/2*l ;m = 0.536 ;g = 9.81 ;rho_ground = 1.4 ;rotor_radius = 6.0*1e-2 ;hauteur_rotor = 29.3*1e-3 ;Ix = 0.029125 ;Iy = 0.029125 ;Iz = 0.055225 ;Kv_motor = 1750 ;Kv_motor_rad = Kv_motor*2*pi/60 ;km = 1/Kv_motor_rad ;Jr = 1.2991*1e-05 ;R = 0.07 ;U_sat = 12 ;Mx = [  cT cT cT cT ;        -cT*lp cT*lp cT*lp -cT*lp ;        -cT*lp -cT*lp cT*lp cT*lp ;        cQ -cQ cQ -cQ ] ;​%% Dynamic systemA = [0 0 0 1 0 0 0 0 0 0 0 0; %1     0 0 0 0 1 0 0 0 0 0 0 0; %2     0 0 0 0 0 1 0 0 0 0 0 0; %3     0 0 0 0 0 0 0 g 0 0 0 0; %4     0 0 0 0 0 0 -g 0 0 0 0 0; %5     0 0 0 0 0 0 0 0 0 0 0 0; %6     0 0 0 0 0 0 0 0 0 1 0 1; %7     0 0 0 0 0 0 0 0 0 0 1 0; %8     0 0 0 0 0 0 0 0 0 0 1 1; %9     0 0 0 0 0 0 0 0 0 0 (Iz-Iy)/Ix (Iz-Iy)/Ix; %10     0 0 0 0 0 0 0 0 0 (Ix-Iz)/Iy 0 (Ix-Iz)/Iy; %11     0 0 0 0 0 0 0 0 0 (Iy-Ix)/Iz (Iy-Ix)/Iz 0; %12       ];​B = [ 0 0 0 0;    0 0 0 0;    0 0 0 0;    0 0 0 0;    0 0 0 0;    0 0 0 1/m;    0 0 0 0;    0 0 0 0;    0 0 0 0;    1/Ix 0 0 0;    0 1/Iy 0 0;    0 0 1/Iz 0;    ];helix = [];Xeq =  [100 100 100 0 0 0 0 0 0 0 0 0];Xref = [100 100 100 0 0 0 ];​%% Position velocityApv = [ 0 0 0 1 0 0;        0 0 0 0 1 0;        0 0 0 0 0 1;        0 0 0 0 0 0;        0 0 0 0 0 0;        0 0 0 0 0 0;    ];Bpv = [ 0 0 0 0;        0 0 0 0;        0 0 0 0;        0 g 0 0;        -g 0 0 0;        0 0 0 1/m;    ];Qpv = [1 0 0 0 0 0;       0 1 0 0 0 0;       0 0 1 0 0 0;       0 0 0 50 0 0;       0 0 0 0 50 0;       0 0 0 0 0 50];Rpv = [20 0 0 0;       0 20 0 0;       0 0 1 0;       0 0 0 1];   [Kpv,S,E] = lqr(Apv,Bpv,Qpv,Rpv);​%% Angle velocityAang = zeros(3,3);Bang = [1/Ix 0 0;        0 1/Iy 0;        0 0 1/Iz;        ];Qang = [1 0 0;       0 1 0;       0 0 1];Rang = [0.05 0 0;       0 0.05 0;       0 0 0.05];[Kang,S,E] = lqr(Aang,Bang,Qang,Rang);    %% Euler anglesAeu = zeros(3,3);Beu = eye(3);Qeu = [1 0 0;       0 1 0;       0 0 1];Reu = [1 0 0;       0 1 0;       0 0 1];[Keu,S,E] = lqr(Aeu,Beu,Qeu,Reu);​​​

⛄ 运行结果

⛄ 参考文献

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合