How to Model Your Crazyflie Brushless

本文针对 2025 年推出的 Crazyflie Brushless 无人机建立了精确的动力学模型，并通过仿真与硬件实验验证了其在强化学习控制及高难度特技动作（如后空翻）中的有效性，同时开源了该项目以助力相关研究。

要点

这篇论文讲述了一个关于**“给微型无人机做数字双胞胎”**的故事。

想象一下，你手里有一个非常小的、像玩具一样的四旋翼无人机（Crazyflie）。以前，这种无人机用的是普通的“有刷电机”（就像老式电动玩具车里的马达），虽然灵活，但力气小，容易坏。

2025 年初，厂家推出了**“无刷版”（Crazyflie Brushless）。这就像给这辆玩具车换上了F1 赛车的引擎**：力气大了 50%，反应更快，能做出更疯狂的空中特技。

但是，问题来了：既然引擎变了，原来的操作手册和飞行规则就不管用了。科学家们需要重新了解这个“新引擎”是怎么工作的，才能让它飞得稳、飞得准。

这篇论文就是一份详尽的“新引擎使用说明书”和“训练指南”。

1. 核心任务：给无人机画一张“精准地图”

作者们做了一件很基础但很重要的事：他们建立了一个数学模型。

• 比喻：这就好比你要教一个机器人学骑自行车。你不能只凭感觉，你得先搞清楚：车轮多重？链条多紧？蹬一下能跑多远？
• 做法：作者们通过实验，测量了无刷电机的推力、转动惯量（也就是“转起来有多费劲”）等关键数据，把这些数据写进了一个数学公式里。
• 成果：他们创造了一个虚拟的无人机，这个虚拟无人机在电脑里的表现，和现实中的真无人机几乎一模一样。

2. 为什么要这么做？为了“练级”

有了这个精准的虚拟模型，研究人员就可以在里面疯狂试错，而不用担心把真无人机摔坏。

• 比喻：这就像在《模拟飞行》游戏里练技术。你可以在游戏里把飞机撞得粉碎，或者尝试各种不可能的特技，只要在游戏里练好了，再上真飞机就能飞得很好。
• 应用：作者们用这个模型，教人工智能（AI）学会了两种本事：
  1. 稳稳当当的飞行：像老练的飞行员一样，精准地停在某个位置。
  2. 疯狂的空中特技：他们训练 AI 学会了**“后空翻”，甚至能在短短 1.8 米的高度内，连续做两个后空翻**！这就像让一个体操运动员在极小的空间里完成高难度动作。

3. 最大的挑战：从“游戏”到“现实”的跨越

在电脑里练得再好，到了现实中可能会因为风大一点、电池轻一点而失败。这就是所谓的**“虚实差距”（Sim-to-Real Gap）**。

• 比喻：你在游泳池里练游泳，水很平静；但到了大海里，有风浪，有暗流。如果只在泳池练，到了海里可能会晕头转向。
• 解决方案：作者们使用了一种叫**“域随机化”（Domain Randomization）**的技巧。
  • 怎么做：在训练 AI 时，他们故意给虚拟无人机“加料”：今天让它变重一点，明天让它电机慢一点，后天让风大一点。
  • 效果：这就好比让运动员在各种恶劣天气（大风、暴雨、沙地）里都练过。结果就是，当 AI 真正飞到现实中的无人机上时，无论环境怎么变，它都能稳稳地飞。
  • 发现：作者发现，只要给虚拟模型增加 10% 到 20% 的“混乱度”（随机变化），AI 就能完美适应现实世界。

4. 开源与贡献

这篇论文最棒的地方在于，作者把所有的代码、模型参数和模拟器都免费公开了（就像把菜谱和食材都发给了大家）。

• 意义：这意味着全世界的研究人员和学生，都可以立刻用这个“新引擎”去开发自己的控制算法，不用从零开始摸索。

总结

简单来说，这篇论文就是：

1. 测：把新款“大力士”无人机的脾气秉性摸透了。
2. 建：造了一个在电脑里能完美复刻它的“数字分身”。
3. 练：用这个分身训练 AI，让它学会了稳飞和做高难度后空翻。
4. 通：找到了让 AI 从“电脑游戏”顺利过渡到“现实世界”的秘诀（随机训练法）。

这就像是为未来的微型无人机研究，铺好了一条从理论到实战的高速公路。

技术摘要

这是一份关于《如何建立 Crazyflie 无刷版（Crazyflie Brushless）的动力学模型》（How to Model Your Crazyflie Brushless）的论文详细技术总结。

1. 研究背景与问题 (Problem)

• 背景：Crazyflie (CF) 系列微型四旋翼无人机是室内纳米级无人机研究和教学的标准平台。2025 年初，Bitcraze 发布了新一代 Crazyflie Brushless (CFB)，其采用无刷电机和电子调速器（ESC），相比前代 CF 2.1（有刷电机），推重比从 2:1 提升至约 3:1，推力增加了约 50%。
• 问题：
  1. 现有的 Crazyflie 动力学模型（主要针对 CF 2.x）无法直接应用于新的 CFB 平台，因为电机动力学、推力特性及控制响应发生了显著变化。
  2. 缺乏针对 CFB 的高精度动力学模型，限制了其在敏捷控制、强化学习（RL）及复杂机动（如空翻）研究中的应用。
  3. 需要验证基于仿真训练的控制器能否成功迁移到真实硬件（Sim-to-Real），并量化模型误差对控制性能的影响。

2. 方法论 (Methodology)

论文提出了一套完整的建模、参数辨识及仿真评估流程：

A. 动力学建模 (System Modeling)

• 状态空间模型：建立了包含 17 个状态变量的状态空间模型 $\dot{x} = f(x, u)$。状态包括位置、速度、四元数姿态、角速度以及四个电机的转速。
• 核心方程：
  • 平动与转动动力学：基于刚体动力学，考虑电机推力 $F_m$ 和反作用力矩 $\tau_m$。
  • 电机动力学：将电机、线圈和 ESC 的复杂行为近似为一阶线性系统，包含时间常数 $T$ 和放大系数 $K$。
  • 推力与力矩模型：推力 $F_{thrust}$ 和反作用力矩 $\tau_f$ 被建模为电机转速 $\Omega$ 的三阶多项式函数。
• 仿真实现：基于 MuJoCo XLA (MJX) 实现了并行化 GPU 仿真器。电机动力学在 MuJoCo 外部单独求解，以利用其线性特性进行精确计算，同时简化了卡尔曼滤波和通信延迟的模拟。

B. 系统参数辨识 (System Identification)

通过三个实验步骤确定模型参数：

1. 电机动力学辨识：利用红外传感器测量电机转速（RPM），拟合一阶系统的时间常数 $T$ (50ms) 和放大系数 $K$。
2. 推力与力矩测量：使用自制测力台，测量不同电机指令下的推力和反作用力矩，拟合出三阶多项式系数。
3. 轨迹拟合：通过手动调整剩余参数（主要是转动惯量矩阵 $J$），使仿真轨迹与真实飞行轨迹对齐。论文还提供了针对加装负载（如保护罩、传感器）时重新辨识惯量的操作指南。

C. 强化学习验证 (RL Evaluation)

为了验证模型的准确性和 Sim-to-Real 能力，作者利用强化学习（PPO 算法）在仿真中训练了两个端到端的神经网络控制器：

1. 位置控制器：训练无人机在悬停和目标点之间飞行。
2. 空翻控制器：训练无人机执行单翻和双翻（Double Backflip）机动。

• 域随机化 (Domain Randomization)：在训练过程中对质量、惯量、电机参数、推力缩放及质心位置进行随机化（±10% 至 ±20%），以评估模型对不确定性的鲁棒性并缩小 Sim-to-Real 差距。

3. 关键贡献 (Key Contributions)

1. 首个 CFB 动力学模型：推导并开源了针对 Crazyflie Brushless 的完整动力学模型，包括电机动态特性，填补了该新平台建模的空白。
2. 参数辨识指南：提供了详细的参数辨识方法，特别是针对转动惯量等易变参数的快速重辨识流程，适应不同的硬件配置。
3. 高精度仿真器：基于 MJX 开发了支持 GPU 并行加速的高保真仿真器，代码开源（GitHub: CrazyflieBrushJAX）。
4. Sim-to-Real 验证：成功在仿真中训练出端到端神经网络控制器，并直接部署到真实 CFB 硬件上，实现了高精度位置控制和复杂的双翻空翻机动（仅需 1.8 米垂直高度）。
5. 域随机化分析：量化了域随机化对控制性能的影响，发现 10%-20% 的随机化范围能有效桥接仿真与现实的差距。

4. 实验结果 (Results)

• 模型精度：
  • 在 200ms 的预测视界内，模型能准确捕捉 CFB 的飞行行为。
  • 与 PyBullet-drones 中的旧版 CF 2.1 模型相比，新模型在预测真实飞行数据时表现出显著更高的精度（旧模型偏差较大）。
  • 主要误差来源包括未建模的空气动力学效应、质心位置的不确定性以及状态估计器（卡尔曼滤波）本身的误差。
• 控制性能：
  • 位置控制：训练出的 NN 控制器在定点悬停时的平均误差约为 43mm（在最佳域随机化设置下），优于 Mellinger 控制器，略逊于固件 PID，但在电机指令平滑度上表现更好。
  • 敏捷机动：成功实现了双翻空翻，无人机在 0.35 秒内将旋转速度从 1000 deg/s 降至 0，并在 0.6 秒内将垂直速度从 3.5 m/s 降至 0，展示了极高的敏捷性。
• 域随机化影响：
  • 适度的域随机化（1.0 倍，即 ±10-20%）能显著提升控制器在真实硬件上的鲁棒性。
  • 随机化不足会导致垂直方向（Z 轴）控制精度下降；随机化过大则会降低整体性能。

5. 意义与影响 (Significance)

• 推动敏捷控制研究：该模型和仿真平台为利用 CFB 进行高动态、敏捷控制（如竞速、空翻）的研究提供了坚实的基础。
• 加速算法开发：开源的 MJX 仿真器允许研究人员在 GPU 上并行进行大规模强化学习训练，极大地缩短了算法开发周期。
• Sim-to-Real 范式：论文证明了通过精确建模结合适度的域随机化，可以在无需硬件微调的情况下，将仿真训练的端到端神经网络控制器直接部署到真实微型无人机上。
• 社区资源：作为首个开源的 CFB 模型，它降低了新平台的使用门槛，促进了学术界和工业界对该平台的广泛应用。

总结：这项工作不仅为 Crazyflie Brushless 提供了必要的物理模型，还通过强化学习实验验证了该模型在复杂任务中的有效性，为未来微型无人机的敏捷控制和群体智能研究提供了重要的工具和方法论支持。