“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
四旋翼无人机自主导航技术深度笔记：建模、状态估计、运动规划与控制
本文系统梳理四旋翼无人机自主飞行的核心技术栈：建模、状态估计、运动规划与控制。
一、引言：为什么需要这样一份指南？
无人机自主导航是一个跨学科的综合问题，涉及空气动力学、传感器融合、路径规划和实时控制。对于初学者而言，学术论文往往过于简洁且缺乏全局视角，导致很难建立起完整的知识体系。作者 Carlos Gonzalez 在本科阶段也曾深陷这种困惑——读了大量论文却仍然无法拼凑出“如何让四旋翼自主飞行”的全景图。经过多年实践与整合，他决定撰写这份“速成指南”，旨在为后来者提供一个直观、连贯的入门路径，而非一份权威教科书。
本文是对 Carlos 系列博客的深度整合与扩展，覆盖了四旋翼自主飞行的四个核心模块：
- 模型（Model）：四旋翼的动力学与运动学建模
- 状态估计（State Estimation）：如何利用传感器数据推断无人机当前状态
- 运动规划（Motion Planning）：如何生成安全可行的飞行轨迹
- 控制（Control）：如何让无人机精确跟踪规划好的轨迹
此外，还涉及**微分平坦性（Differential Flatness）**这一简化控制设计的数学工具，以及完整的系统架构示例。
二、四旋翼标准模型
2.1 基本假设与坐标系
四旋翼无人机通常被建模为一个刚体，具有六个自由度（3个位置 + 3个姿态角）。标准建模中采用两个主要坐标系：
- 世界坐标系（惯性系）：固定在地面，通常以起飞点为原点，Z轴向上。
- 机体坐标系：固定在无人机中心，X轴指向机头方向，Y轴指向右侧，Z轴垂直机体向上。
2.2 动力学方程
四旋翼的动力学模型由牛顿-欧拉方程描述：
平移运动：
[ m \ddot{\mathbf{p}} = m \mathbf{g} + \mathbf{R}{IB} \cdot \mathbf{F}{thrust} ]
其中：
- ( \mathbf{p} ) 是世界坐标系下的位置向量
- ( m ) 是无人机质量
- ( \mathbf{g} ) 是重力加速度向量（通常为 ( [0, 0, -g]^T )）
- ( \mathbf{R}_{IB} ) 是从机体坐标系到世界坐标系的旋转矩阵
- ( \mathbf{F}_{thrust} ) 是机体坐标系下的总推力向量（通常沿机体Z轴）
旋转运动：
[ \mathbf{I} \dot{\boldsymbol{\omega}} = \boldsymbol{\tau} - \boldsymbol{\omega} \times (\mathbf{I} \boldsymbol{\omega}) ]
其中：
- ( \mathbf{I} ) 是惯性张量矩阵
- ( \boldsymbol{\omega} ) 是机体角速度向量
- ( \boldsymbol{\tau} ) 是施加在机体上的总力矩向量（由四个旋翼的推力差产生）
2.3 控制输入与混控矩阵
四旋翼有四个控制输入：总推力（Thrust）和三个轴上的力矩（Roll、Pitch、Yaw）。这四个输入由四个电机的转速共同决定。每个电机的转速 ( \omega_i ) 产生推力 ( F_i = k_F \omega_i^2 ) 和反扭矩 ( M_i = k_M \omega_i^2 )。
通过混控矩阵（Mixing Matrix）可以将期望的推力和力矩映射到四个电机的转速指令：
[
\begin{bmatrix} F_{total} \ \tau_x \ \tau_y \ \tau_z \end{bmatrix} =
\begin{bmatrix} k_F & k_F & k_F & k_F \
0 & -l k_F & 0 & l k_F \
-l k_F & 0 & l k_F & 0 \
-k_M & k_M & -k_M & k_M \end{bmatrix}
\begin{bmatrix} \omega_1^2 \ \omega_2^2 \ \omega_3^2 \ \omega_4^2 \end{bmatrix}
]
其中 ( l ) 是电机到无人机中心的臂长，( k_F ) 和 ( k_M ) 分别是推力和扭矩系数。
三、仿真：从模型到轨迹
有了数学模型，就可以在计算机中仿真四旋翼的运动。仿真通常采用数值积分方法（如四阶龙格-库塔法），在每个时间步根据当前状态和控制输入更新位置、速度、姿态和角速度。
仿真对于以下工作至关重要：
- 验证控制算法：在真实飞行前测试控制器性能
- 参数调优：调整PID增益或其他控制参数
- 故障模拟：测试电机失效等异常情况下的应对策略
- 训练学习算法：强化学习等数据驱动方法需要大量仿真数据
四、状态估计：从传感器到信念
4.1 为什么需要状态估计？
四旋翼的控制器需要知道当前状态（位置、速度、姿态、角速度）才能计算控制指令。然而，没有任何传感器能直接提供完整、准确的状态信息。例如：
- IMU（惯性测量单元）：提供加速度和角速度，但存在漂移和噪声
- GPS：提供位置和速度，但室内不可用且更新率低
- 视觉/激光雷达：提供环境特征，但计算量大且可能受光照影响
状态估计的任务就是融合多个传感器的数据，得到对当前状态的最优估计。
4.2 常用方法
卡尔曼滤波（Kalman Filter, KF）
卡尔曼滤波是线性系统的最优估计器。它假设系统动态和观测都是线性的，且噪声服从高斯分布。其核心步骤包括：
- 预测：根据系统模型预测下一时刻的状态和协方差
- 更新：利用新观测数据修正预测结果
扩展卡尔曼滤波（Extended Kalman Filter, EKF）
对于四旋翼这种非线性系统，EKF 通过对非线性函数进行一阶泰勒展开近似线性化。EKF 是实际无人机中最常用的状态估计方法之一，能够融合 IMU、GPS、磁力计、气压计等多种传感器。
无迹卡尔曼滤波（Unscented Kalman Filter, UKF）
UKF 通过 sigma 点传播来近似非线性变换的概率分布，避免了 EKF 的线性化误差，在强非线性场景下表现更好。
粒子滤波（Particle Filter）
粒子滤波使用一组加权粒子来近似任意分布，适用于非高斯、多模态的复杂场景，但计算量较大。
4.3 常见传感器融合方案
一个典型的四旋翼状态估计系统可能包含：
- IMU + GPS + 气压计（室外）：EKF 融合加速度、角速度、GPS 位置/速度、气压高度
- IMU + 视觉里程计（室内/无GPS）：利用相机跟踪特征点估计运动
- IMU + 激光雷达 + 视觉（复杂环境）：多传感器融合，提供更鲁棒的估计
五、微分平坦性：简化控制的神器
5.1 什么是微分平坦？
微分平坦（Differential Flatness）是系统的一种特殊性质：如果系统是微分平坦的，那么所有状态变量和控制输入都可以表示为某些“平坦输出”（flat outputs）及其有限阶导数的代数函数。
对于四旋翼，平坦输出通常选择为：
- 位置 ( \mathbf{p} = [x, y, z]^T )
- 偏航角 ( \psi )
5.2 四旋翼的微分平坦性
四旋翼是微分平坦的，这意味着给定位置轨迹 ( \mathbf{p}(t) ) 和偏航轨迹 ( \psi(t) ) 及其导数，我们可以唯一地确定：
- 姿态（滚转角 ( \phi ) 和俯仰角 ( \theta )）
- 角速度 ( \boldsymbol{\omega} )
- 控制输入（推力 ( T ) 和力矩 ( \boldsymbol{\tau} )）
具体推导过程如下：
- 从位置轨迹的二阶导数（加速度）得到所需的总推力方向
- 结合偏航角，唯一确定旋转矩阵 ( \mathbf{R}_{IB} )
- 从旋转矩阵提取欧拉角 ( \phi, \theta, \psi )
- 对位置轨迹求三阶导数（加加速度）得到角速度
- 对位置轨迹求四阶导数（加加速度的导数）得到力矩
5.3 微分平坦的意义
- 轨迹规划简化：只需规划平坦输出（位置和偏航）的轨迹，就能自动满足动力学约束
- 控制解耦：将复杂的姿态-推力控制问题转化为对平坦输出轨迹的跟踪
- 计算高效：不需要求解复杂的优化问题，解析表达式即可计算所需控制量
六、运动规划：如何生成安全轨迹
6.1 规划问题的定义
运动规划的目标是找到一条从起点到终点的轨迹，满足：
- 动力学可行：无人机能够实际执行（推力、角度、角速度在限制范围内）
- 安全：避开障碍物
- 最优：最小化时间、能量或其他代价
6.2 常用方法
插值法（Interpolation）
最简单的轨迹生成方法。给定一系列路径点，使用多项式插值（如三次样条、五次样条）生成平滑轨迹。优点是计算简单，缺点是无法考虑障碍物。
快速随机搜索树（RRT）
RRT 通过在状态空间中随机采样并逐步扩展树状结构来搜索可行路径。
- 优点：能处理高维空间和复杂约束，概率完备
- 缺点：生成的路径通常不平滑，需要后处理
- 变种：RRT* 引入渐近最优性，能随着采样增加收敛到最优解
轨迹优化（Trajectory Optimization）
将轨迹规划建模为优化问题，目标函数通常包含：
- 平滑性代价（最小化加加速度或 snap）
- 时间代价
- 障碍物避碰约束（作为不等式约束或惩罚项）
常用方法包括：
- 最小 snap 轨迹：在给定路径点下求解最小化 snap（位置的四阶导数）的多项式轨迹，能保证推力变化平缓
- 序列二次规划（SQP）：迭代求解非线性优化问题
- 模型预测控制（MPC）：在滚动时域内优化，适合动态环境
6.3 轨迹表示
一个常见的做法是将轨迹表示为分段多项式函数：
[ \mathbf{p}(t) = \sum_{i=0}^{N} \mathbf{c}_i t^i ]
其中系数 ( \mathbf{c}_i ) 通过优化求解，约束条件包括起始/终止状态、中间路径点位置、以及连续性（位置、速度、加速度在分段点连续）。
七、控制：让轨迹变为现实
7.1 控制架构
典型的四旋翼控制采用级联结构：
- 位置控制器：接收期望位置轨迹，输出期望姿态和推力
- 姿态控制器：接收期望姿态，输出期望力矩
- 电机混控：将期望推力和力矩映射到四个电机转速
7.2 PID 控制
PID（比例-积分-微分）控制是最常用的方法。例如，对于高度控制：
[ T_{des} = K_p (z_{des} - z) + K_i \int (z_{des} - z) dt + K_d (\dot{z}_{des} - \dot{z}) + mg ]
7.3 几何控制（Geometric Control）
对于姿态控制，传统的欧拉角表示存在万向节锁问题。几何控制直接在 ( SO(3) ) 流形上设计控制器，利用旋转矩阵表示姿态，避免了奇异点。
7.4 模型预测控制（MPC）
MPC 通过在有限时域内在线求解优化问题来计算控制输入，能显式处理约束（如推力限制、角度限制）。计算量较大，但性能优于 PID。
7.5 控制与规划的协调
在实际系统中，运动规划器生成一条参考轨迹，控制器负责跟踪该轨迹。如果规划器生成了微分平坦的轨迹，控制器可以直接使用轨迹及其导数作为前馈项，提高跟踪精度。
八、完整系统架构
一个完整的四旋翼自主飞行系统通常包含以下模块：
- 感知模块：传感器数据采集与处理
- 状态估计模块：融合传感器数据，输出状态估计
- 规划模块：根据目标位置和环境地图生成轨迹
- 控制模块：根据状态估计和参考轨迹计算控制指令
- 执行模块：电机驱动与混控
各模块之间的数据流如下：
- 传感器 → 状态估计 → 规划器/控制器
- 规划器 → 控制器 → 执行器
- 状态估计 → 规划器（用于更新地图和重规划）
九、FAQ：常见问题解答
Q: 这份指南的目标读者是谁？
A: 主要面向对四旋翼自主飞行感兴趣但缺乏系统知识的新手。作者的目标是提供一个“跳板”，让读者快速理解各模块的作用和相互关系，而非深入每个细节。
Q: 为什么没有写成一篇学术论文？
A: 作者最初尝试写论文，但篇幅超过80页，过于冗长。拆分后的博客形式更加易读，语言也更口语化，适合直观理解。每个帖子都附有参考文献，供希望深入学习的读者参考。
Q: 部分内容标记为（WIP）是什么意思？
A: 表示该部分仍在撰写中，但会尽快完成。
十、总结与展望
四旋翼自主导航是一个系统工程，需要将建模、估计、规划和控制紧密集成。理解每个模块的基本原理和它们之间的接口，是构建实际系统的关键。
未来方向包括：
- 学习与控制的结合：利用强化学习或模仿学习进行端到端控制
- 多传感器融合：更鲁棒的状态估计，特别是在 GNSS 拒止环境中
- 实时重规划：在动态环境中快速重新生成安全轨迹
- 集群协同：多无人机协同导航与任务分配