⚡ electrical engineering

Control Algorithms for Quadcopter Motion in Dynamic Positioning Mode

Dieser Artikel leitet ein vollständiges Bewegungsmodell für die dynamische Positionierung von Quadrokoptern ab und schlägt zwei Regelalgorithmen vor: einen, der frühere Ergebnisse auf variierende Gierwinkel verallgemeinert, und einen weiteren, der eine vereinfachte Methode zur Reglerabstimmung nutzt.

Ursprüngliche Autoren: Stanislav Kim, Anton Pyrkin, Oleg Borisov

Veröffentlicht 2026-05-18

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Stanislav Kim, Anton Pyrkin, Oleg Borisov

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Quadcopter (eine Drohne mit vier Propellern) als einen sehr empfindlichen, hochgeschwindigkeitsfähigen Tänzer vor, der versucht, eine perfekte Pose in der Luft zu halten. Das Ziel dieses Papers ist es, diesem Tänzer beizubringen, wie er an einer bestimmten Stelle perfekt stillstehen kann, selbst wenn er dabei seinen Körper verdreht (seine „Gier" oder Drehrichtung ändert).

Hier ist eine Aufschlüsselung der Ideen des Papers unter Verwendung einfacher Analogien:

Das Problem: Die „grobe" Karte vs. die reale Welt

Die Autoren beginnen damit zu sagen, dass die meisten Menschen versuchen, Drohnen mit einer „grobe Karte" zu steuern. Sie vereinfachen die komplexe Physik der Drohne zu einer geraden Linie, um die Mathematik zu erleichtern. Aber in der realen Welt ist die Drohne eine komplexe, nichtlineare Maschine. Wenn Sie eine einfache Karte für eine komplexe Reise verwenden, kommen Sie vielleicht an, aber die Fahrt wird holprig und wackelig sein.

Darüber hinaus verwendeten frühere Versuche, dies zu beheben, „unvollständige Karten". Sie vergaßen, die Drehung der Drohne um ihre eigene Achse (den Gierwinkel) zu berücksichtigen. Es ist, als würde man versuchen, ein Auto zu fahren, während man das Lenkrad ignoriert; man mag sich vorwärtsbewegen, aber man kann nicht kontrollieren, wohin man zeigt.

Die Lösung: Zwei neue „Navigationssysteme"

Die Autoren erstellten eine vollständige, hochauflösende Karte der Bewegung der Drohne, die jede Drehung, Wendung und Rotation einschließt. Basierend auf dieser perfekten Karte entwickelten sie zwei verschiedene Methoden zur Steuerung der Drohne.

Algorithmus 1: Der „Experte Navigator" (Verallgemeinerung des alten Weges)

Stellen Sie sich dies als Upgrade eines alten GPS-Systems vor.

Funktionsweise: Es nimmt die besten Teile früherer Forschung und fügt das fehlende Stück hinzu: die Drehbewegung (Gier).
Der Haken: Damit dies funktioniert, muss der „Navigator" (der Regler) sehr sorgfältig abgestimmt werden. Die Autoren mussten mathematisch beweisen, dass die Drohne stabilisiert wird, wenn man die richtigen Zahlen wählt. Es ist wie das Abstimmen eines Radios auf eine bestimmte Frequenz; wenn man leicht danebenliegt, ist das Signal statisch. Diese Methode funktioniert, aber die Einrichtung ist knifflig und erfordert die Erfüllung komplexer mathematischer Bedingungen.

Algorithmus 2: Der „Autopilot mit einem einfachen Handbuch" (Der vereinfachte Ansatz)

Dies ist die Hauptinnovation des Papers. Die Autoren wollten ein Steuersystem, das genauso stabil ist, aber viel einfacher einzurichten ist.

Die Metapher: Stellen Sie sich vor, der erste Algorithmus ist wie ein Formel-1-Auto, bei dem Sie für jede einzelne Kurve manuell das Fahrwerk, den Reifendruck und das Kraftstoffgemisch anpassen müssen. Der zweite Algorithmus ist wie ein modernes Auto mit einer „Sport-Modus"-Taste. Sie drücken sie, und das Auto passt alles automatisch für Sie an.
Funktionsweise: Sie schufen ein „dynamisches" Steuersystem. Anstatt zu versuchen, die Drohne zu zwingen, sich wie eine einfache gerade Linie zu verhalten, behandeln sie die Bewegung der Drohne als eine Kette von Reaktionen.
Der Trick: Sie bewiesen, dass sie durch die Verwendung einer spezifischen mathematischen Struktur (genannt „Normalform") den Regler mit Standardmustern abstimmen können, die leicht zu finden sind (wie ein „Butterworth"-Filter, was einfach ein Standardrezept für sanfte Bewegung ist).
Der Vorteil: Sie müssen kein komplexes Rätsel lösen, damit es funktioniert. Sie folgen einfach einem einfachen Rezept, um Ihre Zahlen auszuwählen, und die Drohne bleibt stabil.

Das „Sicherheitsnetz" (Stabilität)

Eine große Sorge bei der Drohnensteuerung ist: „Was passiert, wenn die Drohne zu weit kippt und abstürzt?"
Die Autoren zeigten, dass ihr neuer Ansatz mit dem „einfachen Handbuch" ein eingebautes Sicherheitsnetz enthält. Sie bewiesen, dass das Steuersystem die Drohne immer zurück in die Mitte bringt, solange die Drohne nicht zu wild kippt (was eine natürliche physikalische Grenze ist). Es ist wie ein selbstkorrigierendes Kreisel, das genau weiß, wie stark es drücken muss, um die Drohne aufrecht zu halten, selbst wenn der Wind (oder in diesem Fall die Mathematik der eigenen Bewegung der Drohne) versucht, sie umzuwerfen.

Zusammenfassung

Kurz gesagt haben die Autoren ein sehr schwieriges mathematisches Problem (die Steuerung einer drehenden Drohne im 3D-Raum) auf zwei Arten gelöst:

Das Upgrade: Sie haben die alten, unvollständigen Methoden behoben, um die Drehung einzubeziehen.
Die Vereinfachung: Sie erfanden eine neue Methode, die genauso leistungsfähig ist, aber für Ingenieure viel einfacher abzustimmen ist, wodurch komplexe, ratenintensive Anpassungen überflüssig werden.

Sie erfanden keine neue Drohne; sie erfanden ein intelligenteres, einfacher zu bedienendes „Gehirn" für die Drohne, um sie perfekt in der Luft stillzuhalten.

Technische Zusammenfassung: Regelalgorithmen für die Bewegung eines Quadcopters im dynamischen Positionierungsmodus

Problemstellung
Der Beitrag behandelt die Herausforderung der Steuerung eines Quadcopters zur dynamischen Positionierung an einem vorgegebenen Punkt im Raum. Die Autoren stellen fest, dass bestehende Ansätze häufig auf einer Linearisierung des Modells beruhen, die oft ungenau ist und aufgrund von Modellungenauigkeiten keine zufriedenstellende transiente Leistung erbringt. Darüber hinaus werden frühere Arbeiten, die nichtlineare Bewegungsmodelle verwenden (z. B. [1, 2]), dafür kritisiert, unvollständige Modelle zu nutzen, die die Dynamik des Gierwinkels vernachlässigen, und Regelalgorithmen mit nicht offensichtlichen Einstellmethoden vorzuschlagen. In diesen früheren Arbeiten müssen die Reglerparameter so gewählt werden, dass sie komplexe Bedingungen erfüllen, die aus Stabilitätsbeweisen abgeleitet wurden, was die praktische Umsetzung erschwert.

Methodik
Die Autoren leiten ein vollständiges mathematisches Modell der Quadcopter-Bewegung ab, das alle linearen und Winkelkoordinaten berücksichtigt, einschließlich der Dynamik des Gierwinkels. Dieses Modell wird in einer nichtstationären Normalform dargestellt, die das System als Kaskade von Integratoren mit zeitvariablen Matrixkoeffizienten beschreibt. Basierend auf diesem vollständigen Modell werden zwei unterschiedliche Regelalgorithmen vorgeschlagen:

Zustandsrückführung mit generalisierter Gierwinkel-Dynamik:
- Dieser Algorithmus generalisiert die Ergebnisse früherer Arbeiten [1] auf den Fall eines variierenden Gierwinkels.
- Er verwendet eine Feedback-Linearisierung, um das System in Höhen-/Gierwinkel- und Horizontal-Koordinaten-Schleifen zu entkoppeln.
- Für die Höhen- und Gierwinkel-Schleifen wird ein PD-Regler mit Sättigung eingesetzt, um sicherzustellen, dass das System innerhalb eines beschränkten Regelbereichs bleibt und spezifische Stabilitätsbedingungen erfüllt.
- Für die Koordinaten der Horizontalen Ebene beinhaltet das Steuergesetz eine komplexe Zustandsrückführungsstruktur. Die Autoren beweisen, dass asymptotische Stabilität trotz der nichtstationären Natur der Systemmatrix (insbesondere des zeitvariablen Koeffizienten $\beta(t)$ ) erreicht werden kann, indem eine erweiterte Version des Dayawansa-Lemmas verwendet wird. Dies umfasst einen auf Backstepping basierenden Beweis zur Bestimmung stabilisierender Rückführungskoeffizienten.
Dynamische Zustandsrückführung mit vereinfachter Einstellung:
- Dieser Algorithmus führt eine dynamische Erweiterung ein, bei der die primären Stellgrößen ( $u_1, u_2$ ) als Ausgänge von Integratoren behandelt werden, die von neuen virtuellen Eingängen ( $v_1, v_2$ ) angetrieben werden.
- Diese Transformation ermöglicht es, das aggregierte Quadcopter-Modell in einer strengen Normalform mit einer nichtsingulären Eingangsmatrix darzustellen.
- Das resultierende geschlossene Regelkreis-System ist ein lineares zeitinvariantes System mit einer blockdiagonalen Struktur.
- Entscheidend ist, dass dieser Ansatz den Regler-Einstellprozess vereinfacht. Die Rückführungsparameter ( $\gamma_1, \gamma_2, \gamma_3, \gamma_4$ ) können direkt auf Basis standardmäßiger Leistungsmerkmale (z. B. Butterworth- oder Newton-Charakteristika-Polynome) gewählt werden, ohne komplexe Ungleichungen erfüllen zu müssen, die mit nichtstationären Verstärkungen verbunden sind.

Hauptbeiträge und Ergebnisse

Vollständige Modellierung: Der Beitrag liefert eine rigorose Herleitung eines vollständigen Quadcopter-Bewegungsmodells, das die Gierwinkel-Dynamik einschließt und eine Lücke in der bisherigen Literatur schließt.
Generalisierung: Der erste Algorithmus erweitert erfolgreich bestehende robuste Regelungsresultate auf Szenarien mit variierenden Gierwinkeln und gewährleistet die asymptotische Stabilität des Nullgleichgewichts für Positions- und Orientierungsfehler.
Vereinfachte Einstellung: Der Hauptbeitrag des zweiten Algorithmus liegt in der Vereinfachung der Regler-Einstellmethodik. Durch die Umstrukturierung des Regelungsproblems in eine Form der dynamischen Zustandsrückführung eliminieren die Autoren die Notwendigkeit komplexer, nichtstationärer Verstärkungsberechnungen bei der Synthese des Zustandsbeobachters. Dies macht die Auswahl der Reglerparameter direkter und weniger abhängig vom Nachweis spezifischer Stabilitätsungleichungen für zeitvariierende Koeffizienten.
Stabilitätsbeweise: Der Beitrag enthält formale Beweise (Aussage 1, Aussage 2 und Aussage 3), die zeigen, dass die vorgeschlagenen Steuergesetze die asymptotische Stabilität des Quadcopters an einem gewünschten Punkt im Raum sicherstellen, selbst bei Vorhandensein der nichtstationären Eigenschaften des Systems.

Bedeutung
Die Autoren behaupten, dass ihre Arbeit identifizierte Mängel in der aktuellen Literatur zur Quadcopter-Steuerung behebt. Durch die Bereitstellung eines vollständigen Modells und zweier Regelstrategien bietet die Studie einen robusteren Rahmen für die dynamische Positionierung. Insbesondere wird der zweite Algorithmus wegen seines praktischen Vorteils hervorgehoben: Er erleichtert die Entwicklung robuster Regelalgorithmen, indem er die mit nichtstationären Verstärkungen in Zustandsbeobachtern verbundene Komplexität beseitigt und damit den Prozess der Parameterauswahl für Ingenieure und Forscher erheblich vereinfacht. Die Arbeit wird durch Zuwendungen des Präsidenten der Russischen Föderation und des Ministeriums für Wissenschaft und Hochschulbildung der Russischen Föderation unterstützt.