Real-Time RLS-Based Adaptive PID Control for UAVs: Implementation and Stability Analysis in Microsoft Flight Simulator

驾驶无人驾驶飞行器是在保持航向与应对瞬息万变的世界之间进行的一种平衡。空气本身就是一个不断变化的景观；阵风、燃料重量的变化以及任务过程中的简单损耗，都会改变飞机对控制系统的响应方式。几十年来，工程师们一直依赖于使用一套标准规则来保持无人机稳定的自动驾驶仪。这些被称为比例-积分-微分（PID）控制器的规则，就像一位熟练的飞行员，知道为了修正偏移应该推多少操纵杆。然而，这些标准的“飞行员”思维是固定的。它们无法从空气的瞬时变化中学习。如果飞机变重了或者风力增强了，固定的飞行员可能会反应过度或反应不足，导致飞行抖动或能量浪费。为了解决这个问题，研究人员长期以来一直寻求构建能够边飞行边学习并调整自身规则的自动驾驶仪，这一概念被称为自适应控制。驱动该领域的研究问题是：机器是否真的能在实时飞行中学习飞行的物理特性，并利用这些知识实现比人类设计的固定系统更好的飞行表现？

在最近的一项研究中，研究员穆罕默德·扎乌切（Mohammed Zaouche）将这个问题带入了一个高保真虚拟世界，以观察自适应自动驾驶仪是否能超越标准的固定式自动驾驶仪。他在 Microsoft Flight Simulator（微软飞行模拟器）中开展工作，这是一个能够以惊人的准确度模拟真实飞行物理特性的复杂计算机程序。他并没有制造一架物理无人机（因为使用不稳定的软件进行测试既昂贵又危险），而是创建了一个 Predator MQ-1（一种大型、长航时军用无人机）的数字孪生体。他将这架虚拟飞机连接到运行其自定义控制软件的计算机上，创建了一个循环：模拟器向计算机发送传感器数据，计算机向模拟器返回转向指令。这种被称为“软件在环”（software-in-the-loop）的设置，使他能够在不发生真实坠毁风险的情况下，在现实的环境中测试他的想法。

扎乌切实验的核心是一种教计算机如何飞行的全新方法。他给了软件一个名为“递推最小二乘法”（Recursive Least Squares）的工具，这个工具就像一个快速反应的计算器。随着虚拟飞机的飞行，这个工具不断监测升降舵控制（使飞机上升或下降的部分）与实际高度之间的关系。它利用这些数据来实时构建一个关于飞机行为的简单数学模型。基于这个不断更新的模型，软件会调整 PID 控制器的三个主要旋钮——其比例、积分和微分增益——以试图保持飞行的平稳。其希望在于，通过不断重新计算最佳设置，自适应系统能够比使用固定设置（无论环境如何都使用相同设置）的固定系统更好地应对湍流和变化。

然而，研究结果揭示了一个令人惊讶且有些清醒的事实。虽然该系统运行得足以维持飞机飞行，但它并未证明如人们所期望的那样具有卓越的性能。事实上，当研究人员使用来自模拟器的真实飞行数据将自适应系统与标准的固定增益自动驾驶仪进行比较时，发现自适应系统消耗了显著更多的控制量。虚拟升降舵在自适应控制下的动作更加频繁且强度更大，这表明它是在“苦干”而非“巧干”。研究发现，自适应控制器的表现与固定控制器相比在统计学上并无优势，并且在某些能量消耗指标上表现更差。

然而，该论文最重要的发现并不是关于哪个控制器更好，而是关于自适应系统设计本身存在的一个隐藏缺陷。研究人员发现，该系统的数学结构存在局限性。自适应系统试图将飞行控制系统的“极点”（决定稳定性的数学点）放置在一个安全区域内，以确保飞机不会晃动。但该系统的构建方式意味着它只有三个可调旋钮，却要控制一个实际上需要四个变量的情况。这就像是用只有三根调音弦的乐器去调试一把四弦乐器。由于这种不匹配，其中一个稳定性点处于失控状态。

这个研究人员称之为“残余极点”（residual pole）的失控点，在飞行过程中约有 7.8% 的时间处于不稳定状态。尽管软件设有安全限制以防止控制旋钮转动过度，但这些限制无法可靠地修复底层的这种不稳定性。由于计算机用来学习的数据往往难以解释（这种状况被称为“病态条件”，即 ill-conditioning），这使得计算机对飞机行为的猜测变得摇摆不定，从而加剧了问题。这种不稳定性并非偶然的故障；它在多次测试飞行中一致出现，即使研究人员在完全不同的模拟器和不同类型的无人机模型上测试相同的逻辑，情况依然如此。

研究结论认为，虽然自适应自动驾驶仪的想法很强大，但此处使用的特定方法存在根本性的设计缺陷。这种结合了在噪声数据中挣扎的学习算法，以及无法完全管理飞行所有变量的控制器的做法，造成了真正的稳定性风险。这项研究并不声称自适应控制是不可能的，但它确实表明，这种依赖于用简单的“三旋钮调整”来处理复杂的“四部分问题”的方法，对于实际应用而言不够鲁棒。这项工作是一次严谨的诊断，证明了仅仅为控制器添加学习功能是不够的；底层的数学必须能够处理其试图控制的系统的完整复杂性。对于无人机技术的未来而言，这意味着工程师必须超越简单的调整，设计出能够考虑到飞行动力学中每一个自由度的系统，确保没有任何稳定性点是靠运气来维持的。