刘欢欢 高伟坤 张海娜

（天津航天中为数据系统科技有限公司，天津 300301）

四旋翼无人机因其简单的结构、灵活的飞行方式以及相对低廉的成本，成为民用和商业领域常见的无人机类型之一，在农业、环境监测、物流、搜索救援等领域获得了广泛的应用。四旋翼无人机的设计和性能直接影响其在实际应用中的效果和表现，其设计过程中常存在飞行时间受限、障碍物感知不足、恶劣气象下的稳定性问题等技术难题[1]。

1 四旋翼无人机设计中存在的技术缺陷

1.1 飞行时间和续航问题

无人机的续航时间受电池容量和能耗的限制，在实际应用中直接影响无人机的任务执行能力和效率。在执行飞行任务中，无人机需要在一定时间内完成特定的操作，而续航时间的限制可能会限制其在空中的持续执行时间。这一问题在农业作业、巡检、搜索救援等领域尤为突出。

电池容量是决定无人机飞行时间的关键因素。较大的电池容量通常意味着更长的飞行时间，但也带来了重量和体积的增加，影响无人机的有效载荷和整体性能。设计者需要在电池容量、飞行时间和无人机性能之间进行权衡，以满足不同应用场景的需求。无人机在执行不同飞行任务中消耗的能量是影响续航时间的重要因素。不同任务对能量的需求不同，如高速飞行和悬停状态下的能耗差异较大。飞行速度越快，飞行中产生的气动阻力越大，从而加大能耗。此外，无人机的悬停和起降等操作同样消耗能量[2]。因此，设计者需要根据任务需求，优化无人机的飞行轨迹和速度，降低能耗，从而延长续航时间。

1.2 避障与障碍物感知问题

障碍物感知主要依赖传感器来获取环境中的信息。然而，不同类型的传感器在感知范围、精度、抗干扰能力等方面存在差异。激光雷达可以提供高分辨率的数据，但在雨雪天气或光线不足的情况下可能受到影响。障碍物感知问题涉及传感器的性能和精度。以毫米波雷达的障碍物检测范围R为例，其与工作频率f和天线尺寸有关，可表示为

式中：c为光速；λ为波长；Atx和Arx分别为天线的发射面积和接收面积。现代无人机常采用多传感器融合的方法来提升感知障碍物的准确性。然而，多传感器融合涉及大量的数据处理和算法设计。不同传感器之间的数据融合、坐标系转换、噪声滤除等问题都需要解决。此外，如何在实时性要求较高的情况下处理传感器数据，实现实时的障碍物感知和避障决策，也是一个关键的技术难题。

1.3 高风速和恶劣气象条件下的稳定性问题

风速的增加会对无人机的稳定性产生显著影响。风会导致气动力的不平衡，进而影响无人机的姿态控制和飞行轨迹。无人机在高风速环境下容易出现飞行偏移、姿态失控等问题。风速对无人机稳定性的影响可表示为

式中：Fwind为风速产生的气动力；ρ为空气密度；A为无人机的参考面积；Vwind为风速。

除了风速，恶劣的气象条件如降雨、降雪、低能见度等也会对无人机的稳定性造成影响。降雨或降雪可能会附着在无人机表面，增加飞行阻力，影响飞行性能。低能见度会减少传感器的工作效果，降低感知能力。在这些恶劣气象条件下，无人机的控制和导航变得更加困难。不同外部条件下，无人机的稳定性差异如表1 所示。

表1 不同外部条件下的稳定性差异

由表1 可知，随着风速的增加和恶劣气象条件的恶化，无人机的稳定性受到越来越大的影响。针对高风速和恶劣气象条件下的稳定性问题，需设计合适的控制算法，同时需加强结构强度和优化飞行控制系统。

2 四旋翼无人机设计问题的优化措施

2.1 设计高效的电源管理系统，提高无人机功耗效率

电源管理系统的高效性对于提高无人机的续航能力和飞行性能至关重要。其中，最大功率点追踪（Maximum Power Point Tracking，MPPT）技术是提高太阳能电池效率的关键技术。MPPT 技术的核心思想是通过实时监测太阳能电池的电压和电流，计算当前工作点对应的功率，并根据功率曲线寻找最大功率点。这样无论太阳能电池的工作环境如何变化，MPPT 控制器都能够实时调整工作点，确保太阳能电池始终在最大功率输出点工作，从而提高能量转换效率。MPPT 技术可以提高能量转换效率，从而减少对电池的依赖，延长飞行时间。该技术可适用于不同光照强度和温度变化的工作环境，可与不同类型的太阳能电池如单晶硅、多晶硅、非晶硅等配合使用。表2对比展示了使用和不使用MPPT 技术时太阳能电池的能量转换效率情况。

表2 使用和不使用MPPT 技术时太阳能电池的能量转换效率

数据表明，使用MPPT 技术可以显著提高太阳能电池的能量转换效率，尤其在较高的光照强度下效果更明显。MPPT 技术可以应用于四旋翼无人机的太阳能充电系统，从而增强无人机的续航能力。通过合理的电路设计和控制算法，MPPT 控制器可以实时调整太阳能电池的工作点，使其始终工作在最大功率输出点，最大限度地提高能源利用效率。这样无人机可以在太阳光充足的条件下保持较长的飞行时间，提高飞行效率。

2.2 应用毫米波雷达感知技术，增强对环境中障碍物的感知能力

毫米波雷达传感器是一种在障碍物探测中广泛应用的传感器，具有较高的探测精度和适应性。应用毫米波雷达感知技术，可以增强无人机对环境中障碍物的感知能力，从而提升飞行安全性。毫米波雷达在四旋翼无人机中的应用主要体现3 个方面。

第一，障碍物检测和距离测量。毫米波雷达可以实时监测无人机周围的障碍物，包括建筑物、树木、其他飞行器等，提供高精度的距离测量数据，避免无人机碰撞[3]。

第二，地形感知。毫米波雷达可以检测地面的高程变化，从而帮助无人机实现对地形的感知，适用于低空飞行或复杂地形环境下的飞行任务。

第三，恶劣气象条件下的感知。毫米波雷达受雨雪等恶劣天气的影响较小，具有在恶劣气象条件下保持良好感知性能的优势。不同频率的毫米波雷达在不同障碍物情况下具有不同的感知距离和准确度，如表3所示。较高的频率通常可以提供更远的感知距离，但准确度可能相对较低，而较低的频率在感知准确度上更具优势。因此，实际应用中需要根据飞行任务的需求和环境特点，选择合适的毫米波雷达频率。

表3 毫米波雷达在不同频率下的感知距离

2.3 采用飞行控制算法和传感器数据融合技术，实现对无人机的精准控制

飞行控制算法和传感器数据融合技术的应用对于实现无人机的精准控制至关重要。无人机需要根据其传感器获得的数据进行实时的飞行姿态调整。通过陀螺仪、加速度计、磁力计等传感器获取的姿态信息可以传递给控制算法，从而实现对四旋翼电机的精准控制，确保无人机能够稳定悬停、俯仰、横滚和偏航。同时，采用先进的自适应控制算法可以更好地应对外界风速等因素对飞行稳定性的影响，提升飞行的可靠性和精准性。传感器数据融合技术的应用也为无人机的精准控制提供了重要支持。不同传感器能够提供不同类型的数据，如姿态、位置、速度等。融合多个传感器的数据，可以准确获取无人机的状态信息。

扩展卡尔曼滤波器（Extended Kalman Filter，EKF）是一种常用的状态估计算法，广泛应用于无人机导航和控制领域。它通过融合不同传感器提供的数据来估计无人机的状态参数，如姿态、位置、速度等。EKF的核心思想是基于系统的状态方程和观测方程，利用贝叶斯滤波原理，递归估计状态的概率分布。

它的状态估计分为两个阶段，分别为状态预测和状态更新。

状态预测阶段，先获得k-1 时刻的状态估计值和协方差估计值Pk-1|k-1，然后根据控制输入u和系统的动态模型=f(xk-1|k-1,uk)进行状态预测，此时协方差预测为Pk=AkPk-1|k-1+Qk。

状态更新阶段，k时刻的观测值为zk，定义观测模型为h(xk)。通过观测值和观测模型来修正状态估计值Kk=和=xk+Kk[zk-h(xk)] 进行状态更新，此时协方差矩阵公式为Pk=(I-KkHk)Pk。

这里Ak为状态转移矩阵，I为单位矩阵，Qk为过程噪声协方差，Hk为观测矩阵，Rk为观测噪声协方差，Kk为卡尔曼增益。

传感器数据融合是将来自不同传感器的信息融合在一起，以提升对无人机状态的估计精度。通常无人机配备了陀螺仪、加速度计、磁力计、全球定位系统（Global Positioning System，GPS）等多种传感器。每个传感器提供不同类型的数据，在将数据传输到EKF 之前，需要对传感器数据进行预处理，包括单位转换、坐标系转换和滤波等[4]，能够确保不同传感器的数据具有一致的格式和参考框架。利用EKF 等状态估计算法将来自不同传感器的信息融合后，估计无人机的状态参数。例如，陀螺仪和加速度计可以提供姿态信息，GPS 模块可以提供位置和速度信息。之后为不同传感器赋予适当的权重，以反映它们的可靠性和精度。一般情况下，具有更高精度的传感器理论上具有更高的权重。利用融合后的状态估计值，结合观测模型计算观测值，并与实际观测值进行比较，从而进行状态更新和校正。

在应用EKF 和传感器数据融合技术时，需要合理设置一些重要参数，以保障算法的性能和稳定性。过程噪声协方差表示系统模型的不确定性，需要根据具体无人机的动态特性进行合理估计。观测噪声协方差表示传感器测量的不确定性，需要根据传感器的性能和环境条件进行估计。卡尔曼增益影响状态更新的速度，需要根据应用场景进行调整，以平衡快速响应和抑制噪声的需求。状态转移矩阵和观测矩阵需要根据无人机的动态特性和传感器的测量模型进行设定。初始状态估计和协方差矩阵需要提供初始状态估计值和协方差矩阵，通常可以利用传感器的初值进行初始化[5]。

3 结语

四旋翼无人机设计的技术缺陷既是挑战也是机遇，通过采用先进的技术手段，如电源管理系统优化、毫米波雷达感知技术应用以及飞行控制算法与传感器数据融合，可以有效解决这些问题，推动无人机技术的不断发展和创新。