企业官网建设流程全解析

简介：这是一份关于四旋翼无人机模糊自抗扰姿态控制与稳定性分析的PDF技术资料，内容源自《中国惯性技术学报》，适合从事无人机控制算法研究、飞行器建模与控制器设计的高校师生及工程师阅读。资源围绕模糊控制与自抗扰控制（ADRC）的结合展开，系统介绍了基于牛顿-欧拉法的四旋翼动力学模型、扩张状态观测器设计、模糊状态误差反馈控制器构建，并给出了稳定性分析条件。文中通过与经典自抗扰控制器的仿真对比，展示了该方案在平均超调量、扰动输出波动幅值等方面的显著改善，能够帮助读者快速掌握模糊自抗扰姿态控制的设计思路和关键推导。资源包共1个文件，为PDF全文电子版，单文件大小约642KB，内容紧凑、公式和图表完整，方便在电脑或移动设备上查阅。已有242人浏览学习，适合作为姿态控制方向论文写作、课题研究或自学进阶的参考资料。

1. 四旋翼姿态控制为什么需要“模糊”和“自抗扰”两套机制

拿到“四旋翼无人机模糊自抗扰姿态控制及稳定性分析”这个题目，第一反应通常是：PID 还没调明白，又要上什么新东西？实际工程里，PID 在悬停、慢速巡航这些场景确实够用，但一旦遇到阵风、桨叶损伤、负载重心偏移，固定增益的 PID 就会暴露两个硬伤——外环扰动估计不及时，内环模型失配后控制器不补偿。四旋翼本质是一个强耦合、欠驱动、参数时变的非线性系统，滚转、俯仰、偏航三通道之间互相牵扯，电机响应延迟和机体振动又给控制量叠加了高频噪声。模糊自抗扰控制（Fuzzy ADRC）的思路是：让扩张状态观测器（ESO）把“未知扰动+未建模动态”一并估出来，在控制律里做前馈补偿，再用模糊规则在线调整控制器增益，避免人工反复改参数的试错过程。这篇文章围绕这个方案展开，重点讲清数学建模、控制器架构、稳定性判据和调参路径，适合正在做飞控算法选型或毕设仿真的工程师。

2. 四旋翼姿态动力学模型与自抗扰控制器的数学基础

2.1 姿态运动学与动力学方程的推导路径

四旋翼姿态控制的对象是机体坐标系相对惯性坐标系的旋转关系。常用欧拉角描述时，滚转角 $\phi$、俯仰角 $\theta$、偏航角 $\psi$ 的导数与机体角速度 $p,q,r$ 之间满足：

$$ \begin{bmatrix} \dot{\phi} \ \dot{\theta} \ \dot{\psi} \end{bmatrix} = \begin{bmatrix} 1 & \sin\phi\tan\theta & \cos\phi\tan\theta \ 0 & \cos\phi & -\sin\phi \ 0 & \sin\phi/\cos\theta & \cos\phi/\cos\theta \end{bmatrix} \begin{bmatrix} p \ q \ r \end{bmatrix} $$

这个运动学关系在小角度假设下可以线性化为 $\dot{\phi} \approx p,\ \dot{\theta} \approx q,\ \dot{\psi} \approx r$，但实际做模糊自抗扰控制时建议保留非线性形式，因为大机动飞行时欧拉角速率耦合项不能忽略。

动力学方程由刚体转动定律推导。忽略螺旋桨陀螺效应时，三轴角加速度近似为：

$$ I_x \dot{p} = (I_y - I_z)qr + \tau_x + d_x $$

$$ I_y \dot{q} = (I_z - I_x)pr + \tau_y + d_y $$

$$ I_z \dot{r} = (I_x - I_y)pq + \tau_z + d_z $$

其中 $I_x, I_y, I_z$ 为三轴转动惯量，$\tau_x, \tau_y, \tau_z$ 为螺旋桨产生的控制力矩，$d_x, d_y, d_z$ 代表外部扰动力矩。这个方程组呈现典型的非线性耦合：滚转和俯仰角速度会通过 $(I_y - I_z)qr$ 项互相影响。自抗扰控制的核心思想，就是把 $(I_y - I_z)qr$ 这类耦合项和 $d_x,d_y,d_z$ 一起当作“总扰动”，交给扩张状态观测器去估计，而不是在控制器里显式消掉耦合——这能大幅减少对精确模型参数的依赖。

2.1.1 控制力矩到电机转速的映射

四旋翼采用“X”型布局时，滚转力矩由 1、3 号电机转速差产生，俯仰力矩由 2、4 号电机差速产生，偏航力矩依赖反转矩差。混控矩阵为：

$$ \begin{bmatrix} \tau_x \ \tau_y \ \tau_z \ F_z \end{bmatrix} = \begin{bmatrix} l k_f & -l k_f & -l k_f & l k_f \ l k_f & l k_f & -l k_f & -l k_f \ -k_m & k_m & -k_m & k_m \ k_f & k_f & k_f & k_f \end{bmatrix} \begin{bmatrix} \omega_1^2 \ \omega_2^2 \ \omega_3^2 \ \omega_4^2 \end{bmatrix} $$

$l$ 是机臂长度，$k_f$ 是升力系数，$k_m$ 是反扭矩系数。做姿态控制仿真时，通常先由姿态控制器算出期望力矩，再通过这个矩阵反解出四个电机的期望转速。需要留意的是，混控矩阵本身的系数 $k_f,k_m$ 会随电池电压波动和螺旋桨磨损发生变化，这种参数漂移同样是 ESO 需要观测并补偿的对象。

2.2 自抗扰控制器的三要素结构拆解

标准二阶 ADRC 由跟踪微分器（TD）、扩张状态观测器（ESO）和非线性状态误差反馈律（NLSEF）三部分组成。以滚转通道为例，被控对象可写为：

$$ \ddot{\phi} = f(\phi, \dot{\phi}, w, t) + b_0 u_\phi $$

这里 $f$ 代表包括哥氏力矩、外部风扰、参数不确定在内的总扰动，$b_0$ 是控制增益的已知部分。ESO 将 $f$ 扩展为一个新状态 $x_3$，设计观测器：

$$ \dot{z}_1 = z_2 + \beta_1 e_1 $$

$$ \dot{z}_2 = z_3 + \beta_2 e_1 + b_0 u $$

$$ \dot{z}_3 = \beta_3 e_1 $$

其中 $e_1 = \phi - z_1$，$z_1,z_2,z_3$ 分别跟踪角度、角速度、总扰动。$\beta_1,\beta_2,\beta_3$ 是观测器增益，按带宽法配置为：

$$ \beta_1 = 3\omega_o,\quad \beta_2 = 3\omega_o^2,\quad \beta_3 = \omega_o^3 $$

$\omega_o$ 是观测器带宽，是自抗扰控制器中最重要的单参数。$\omega_o$ 越大，ESO 对扰动的估计越快，但过大后会把传感器噪声放大并引入高频振荡。控制律设计为：

$$ u_0 = k_p(\phi_{ref} - z_1) + k_d(\dot{\phi}_{ref} - z_2) $$

$$ u = \frac{u_0 - z_3}{b_0} $$

$z_3$ 的补偿项让系统近似退化为“双积分器+PD 控制”，这就是自抗扰能对抗模型不确定性的本质。仿真中常见误区是将 $\omega_o$ 一味调大，结果是从仿真图看扰动估计很准，但加入量测噪声后控制量毛刺明显，实机根本无法执行。下面给出 ESO 的离散化代码实现：

import numpy as np class ESO: def __init__(self, b0, wo, dt): self.b0 = b0 self.dt = dt self.z1 = 0.0 self.z2 = 0.0 self.z3 = 0.0 # 按带宽法配置观测器增益 self.beta1 = 3.0 * wo self.beta2 = 3.0 * wo * wo self.beta3 = wo * wo * wo def update(self, y, u): # y 为角度反馈，u 为实际作用于被控对象的控制量 e = y - self.z1 # 欧拉法离散化，实际工程中建议改用龙格库塔 self.z1 += self.dt * (self.z2 + self.beta1 * e) self.z2 += self.dt * (self.z3 + self.beta2 * e + self.b0 * u) self.z3 += self.dt * (self.beta3 * e) return self.z1, self.z2, self.z3 # 使用示例：滚转通道，b0=2.0，观测器带宽30 rad/s，控制周期1ms eso = ESO(b0=2.0, wo=30.0, dt=0.001)

代码里z1是角度估计值，z2是角速度估计值，z3是扰动估计值。beta1到beta3按带宽法一次性算好，避免手动试凑三个增益的繁琐过程。实际使用时要注意dt必须与控制循环的真实周期一致，否则观测器离散化误差会积累，导致扰动估计发散。

2.3 为什么要在自抗扰控制器外面再叠一层模糊逻辑

常规 ADRC 只有两个可调参数——观测器带宽 $\omega_o$ 和控制带宽 $\omega_c$。固定增益在某个工况点表现良好，但四旋翼飞行过程中转动惯量会因载荷变化而变化，螺旋桨转速从悬停的 4000 RPM 切换到全油门爬升的 10000 RPM 时，气动阻尼特性完全不同。如果保持 $\omega_o$ 不变，可能出现两种情况：扰动估计跟不上快速变化的机动，或者噪声放大明显。

模糊逻辑在这里起的作用不是替代 ADRC，而是实时调整 $\omega_o$ 或控制器增益 $k_p,k_d$。常见的做法是以角度误差 $e$ 和误差变化率 $\dot{e}$ 作为模糊输入，输出为 $k_p$ 和 $k_d$ 的修正系数。当误差大且变化快时，增大 $k_p$ 让系统快速逼近目标；当误差小且变化慢时，适当减小增益避免超调。这种“大误差大增益、小误差小增益”的非线性调节规律，本质上是把有经验的调试员手动改参数的逻辑固化到规则表里。

3. 模糊自抗扰控制器设计与模糊规则表构建

3.1 输入输出变量选取与论域归一化

模糊控制器的设计从变量选取开始。滚转通道取角度误差 $e_\phi = \phi_{ref} - \phi$ 和角速度误差 $ec = \dot{\phi}{ref} - \dot{\phi}$ 作为输入，输出为控制增益修正系数 $\alpha_p$ 和 $\alpha_d$。为了保证模糊规则在不同飞行工况下的通用性，输入输出都需要做论域归一化处理。设 $e\phi$ 的基本论域为 $[-0.3, 0.3]$ 弧度，$ec$ 为 $[-1.5, 1.5]$ 弧度/秒，通过量化因子 $k_e, k_{ec}$ 映射到标准区间 $[-1, 1]$。

这里有个工程细节容易被忽略：量化因子的取值决定模糊控制器的实际工作范围。$k_e$ 设置过大，输入很容易到达论域边界，模糊集合的隶属度全部饱和，规则表退化为简单的开关控制；$k_e$ 过小，小误差时的调节灵敏度不足。我一般先按 $k_e = 1/max|e|$ 初始化，然后根据仿真中误差分布直方图做调整。

输出变量 $\alpha_p, \alpha_d$ 的论域同样取 $[0.5, 1.5]$，中心值为 1，表示保持 ADRC 原始增益不变。模糊规则输出后，实际控制器参数为：

$$ k_p = \alpha_p \cdot k_{p0} $$

$$ k_d = \alpha_d \cdot k_{d0} $$

$k_{p0}, k_{d0}$ 是模糊控制器介入前的基准增益，可通过常规 ADRC 调参获得。这种结构有一个明显优势：模糊逻辑只做增益缩放，不会破坏自抗扰控制器的稳定性结论，稳定性分析时模糊部分可以被视为一个时变增益环节来处理。

3.2 三角形隶属度函数设计及其参数影响

隶属度函数的选择直接影响模糊推理的输出平滑性。常用三角形隶属度函数定义为：

$$ \mu_A(x) = \max\left(0, \min\left(\frac{x-a}{b-a}, \frac{c-x}{c-b}\right)\right) $$

其中 $a, b, c$ 是三角形的三个顶点。以误差 $e$ 为例，设置 7 个模糊集合：负大（NB）、负中（NM）、负小（NS）、零（ZO）、正小（PS）、正中（PM）、正大（PB）。三角形函数的顶点位置分布有讲究——误差在零附近时要保证隶属度重叠充分，否则模糊推理出的输出会出现死区，导致系统在平衡点附近产生稳态极限环振荡。

注意 NB 和 PB 的顶点布置在论域端点处，保证极限误差时输出能达到饱和值。相邻三角形的交点设置在各自底边的中点，使隶属度总和为 1，这样模糊推理后的输出不会出现突变跳变。

3.2.1 模糊规则表的生成逻辑与调整方向

模糊规则表的构建依据是“阻尼优先、增益调节”原则。以 $k_p$ 修正系数为例，当误差 NB 且误差变化率 NB 时，说明角度不仅偏差大而且还在快速远离目标，此时应输出最大 $\alpha_p$（设定为 1.5）同时增大 $\alpha_d$ 提供阻尼；当误差 ZO 且误差变化率 ZO 时，输出 1.0 保持基准增益。完整的规则表如下：

表中的 VB、MB、MS、ZO 分别对应 $\alpha_p$ 的大、中、小和基准值。对角线方向规则的对称性是必要的，这是保持滚转和俯仰通道在正负方向响应一致的前提。实际调整过程中如果发现系统响应太慢，优先增大 e 为 NB、ec 为 NM 区域块的输出值；如果出现振荡，优先减小 e 为 ZO、ec 为 PS/PM 区域的 $\alpha_d$ 值，而不是盲目下调 $\alpha_p$。

3.3 模糊推理与解模糊化的计算实现

采用 Mamdani 型模糊推理时，每条规则 $R_i$ 的激活强度为：

$$ w_i = \mu_{E_j}(e) \wedge \mu_{EC_k}(ec) $$

其中 $\wedge$ 取最小值运算。最终解模糊化常用重心法（COG）：

$$ \alpha_p^* = \frac{\sum_{i=1}^{49} w_i \cdot c_i}{\sum_{i=1}^{49} w_i} $$

$c_i$ 是第 $i$ 条规则输出模糊集合的中心值。重心法的特点是输出曲线连续平滑，不会像最大隶属度法那样产生阶梯状控制信号。以下是模糊增益调节模块的 Python 实现：

import numpy as np class FuzzyGainTuner: def __init__(self): # 7个模糊集合的隶属度顶点 self.edges = [-1.0, -0.67, -0.33, 0.0, 0.33, 0.67, 1.0] self.c_alpha = { 'ZO': 1.0, 'MS': 1.15, 'MB': 1.3, 'VB': 1.5 } # 规则表：行对应e，列对应ec，0=ZO,1=MS,2=MB,3=VB self.rule_table = np.array([ [3,3,3,3,2,2,0], [3,3,3,2,2,0,1], [3,3,2,1,0,1,1], [2,2,1,0,1,2,2], [1,1,0,1,2,3,3], [1,0,2,2,3,3,3], [0,2,2,3,3,3,3] ]) def membership(self, x, idx): # 三角形隶属度计算，idx为模糊集合索引0-6 if idx == 0: a, b, c = -1.0, -1.0, -0.67 elif idx == 6: a, b, c = 0.67, 1.0, 1.0 else: a, b, c = self.edges[idx-0], self.edges[idx], self.edges[idx+1] if x <= a or x >= c: return 0.0 if x <= b: return (x - a) / (b - a) return (c - x) / (c - b) def compute(self, e_norm, ec_norm): mu_e = [self.membership(e_norm, i) for i in range(7)] mu_ec = [self.membership(ec_norm, i) for i in range(7)] w_sum = 0.0 alpha_sum = 0.0 for i in range(7): for j in range(7): w = min(mu_e[i], mu_ec[j]) if w > 0: rule_out = self.rule_table[i, j] c_val = [1.0, 1.15, 1.3, 1.5][rule_out] w_sum += w alpha_sum += w * c_val return alpha_sum / w_sum if w_sum > 0 else 1.0 # 使用示例：误差0.2，误差变化率-0.3 tuner = FuzzyGainTuner() alpha_p = tuner.compute(0.2, -0.3)

代码中membership函数对端点集合 NB、PB 做了特殊处理，保证饱和区域的隶属度计算正确。rule_table中存的索引映射到c_alpha字典的值。重心法计算的循环遍历所有 49 条规则，在 Python 仿真环境下耗时约 0.5 毫秒，满足 100Hz 控制周期要求；如果移植到嵌入式平台，需要将规则表和隶属度函数预计算为查找表，避免每次控制循环执行浮点遍历。

4. 稳定性分析与仿真验证：从误差方程到李雅普诺夫判据

4.1 闭环误差系统的状态方程推导

稳定性分析需要先建立闭环误差动态方程。定义角度跟踪误差 $e_1 = \phi_{ref} - z_1$，角速度误差 $e_2 = \dot{\phi}_{ref} - z_2$，观测器估计误差 $\tilde{z}_1 = \phi - z_1$，$\tilde{z}_2 = \dot{\phi} - z_2$，$\tilde{z}_3 = f - z_3$。ESO 的估计误差满足：

$$ \dot{\tilde{z}}_1 = \tilde{z}_2 - \beta_1 \tilde{z}_1 $$

$$ \dot{\tilde{z}}_2 = \tilde{z}_3 - \beta_2 \tilde{z}_1 $$

$$ \dot{\tilde{z}}_3 = \dot{f} - \beta_3 \tilde{z}_1 $$

令 $\xi_i = \tilde{z}_i / \omega_o^{i-1}$ 做缩放变换，可以将观测器误差方程改写为标准形式。当 $\dot{f}$ 有界时，缩放后的观测器误差系统是输入到状态稳定的，说明 ESO 的估计误差随观测器带宽增大而减小，这个结论为后面的模糊增益调节提供了理论支撑——模糊逻辑改变的是 $\omega_o$ 的值，不会破坏误差系统的有界性。

控制律代入被控对象后得到闭环误差方程：

$$ \ddot{e}_1 + k_d \dot{e}_1 + k_p e_1 = \tilde{z}_3 + \Delta b u $$

$\Delta b = b - b_0$ 是控制增益的建模误差。等号右侧的 $\tilde{z}_3$ 和 $\Delta b u$ 都可以视为有界扰动，只要 $k_p, k_d$ 确定的特征多项式是 Hurwitz 稳定的，误差系统就是输入到状态稳定的。模糊控制器在线调整 $k_p, k_d$ 时需要保证一个最低要求：任意时刻调整后的增益都要让 $s^2 + k_d s + k_p$ 保持 Hurwitz 稳定，也就是 $k_p > 0$ 且 $k_d > 0$。从模糊规则表的设定看，$\alpha_p, \alpha_d$ 的最小值是 0.5，只要基准增益为正数，这个条件恒成立。

4.2 李雅普诺夫稳定性判据的应用步骤

对闭环误差系统构造李雅普诺夫候选函数：

$$ V = \frac{1}{2} k_p e_1^2 + \frac{1}{2} e_2^2 $$

求导得到：

$$ \dot{V} = k_p e_1 \dot{e}_1 + e_2 \ddot{e}_1 = -k_d e_2^2 + e_2(\tilde{z}_3 + \Delta b u) $$

利用 Young 不等式对交叉项做放缩：

$$ e_2 \tilde{z}_3 \leq \frac{k_d}{2} e_2^2 + \frac{1}{2k_d} \tilde{z}_3^2 $$

代入后：

$$ \dot{V} \leq -\frac{k_d}{2} e_2^2 + \frac{1}{2k_d}(\tilde{z}_3^2 + \Delta b^2 u^2) $$

当 $\tilde{z}_3$ 和 $u$ 有界时，$\dot{V}$ 在误差足够大时为负，说明闭环误差最终收敛到原点附近的一个邻域内。邻域半径与 $1/k_d$ 成正比，这就是为什么模糊控制器在误差较大时要增大 $\alpha_d$——不只是改善动态响应，还直接缩小稳态误差边界。实际做仿真分析时，可以迭代计算不同 $\alpha_p, \alpha_d$ 组合下的 $V$ 值轨迹，画出误差相平面图观察收敛行为。

下表总结了模糊自抗扰稳定性分析的关键结论与仿真观测指标：

4.3 阶跃响应与扰动抑制的仿真对比实验

在 Matlab/Simulink 中搭建完整仿真模型时，建议按以下步骤操作，每一步都有对应的验证点。首先是搭建四旋翼非线性动力学模型，使用 S-Function 或 Simscape 多体模块；仿真步长设为 0.001 秒，求解器选 ode4，因为 ADRC 的离散化实现依赖固定步长。

第二步是配置 ESO 参数。初始值取 $b_0 = 2.0$，$\omega_o = 30$，$\omega_c = 15$，先不接入模糊控制器，用阶跃信号测试基准 ADRC 的响应。观察角度跟踪曲线，如果超调量超过 25%，增大 $\omega_c$ 到 20；如果存在低频振荡，减小 $\omega_c$ 到 10。这个调参过程通常需要 10 到 20 次迭代。

第三步接入模糊控制器。用 S-Function 或 MATLAB Function 模块实现模糊增益调节逻辑。在 $t=8s$ 处加入幅值 0.5N·m 的方波扰动力矩，对比两个控制器的角度偏差。下图展示的是仿真结果的典型趋势：常规 ADRC 在扰动加入瞬间角度偏差约 4°，恢复时间约 1.2s；模糊自抗扰控制器将最大偏差压缩到 1.5°，恢复时间缩短到 0.6s。这种提升的代价是模糊推理消耗额外算力，但现代飞控 MCU 完全能承受。

% 模糊自抗扰控制器主循环（Matlab Function 模块代码） function [u, alpha_p, alpha_d] = fuzzy_adrc(phi_ref, phi, phi_dot, dt) % 基准参数 persistent z1 z2 z3 if isempty(z1) z1 = 0; z2 = 0; z3 = 0; end wo = 30.0; b0 = 2.0; kp0 = 20.0; kd0 = 5.0; % ESO 更新（离散化） e_obs = phi - z1; z1 = z1 + dt * (z2 + 3*wo * e_obs); z2 = z2 + dt * (z3 + 3*wo^2 * e_obs + b0 * u); z3 = z3 + dt * (wo^3 * e_obs); % 模糊增益计算（输入归一化） e = phi_ref - z1; % 角度误差 ec = -z2; % 角速度误差 e_norm = max(min(e/0.3, 1), -1); ec_norm = max(min(ec/1.5, 1), -1); % 这里调用上一节实现的模糊推理函数 alpha_p = fuzzy_compute(e_norm, ec_norm); alpha_d = fuzzy_compute(ec_norm, e_norm); % 控制律 u0 = alpha_p * kp0 * e + alpha_d * kd0 * (-z2); u = (u0 - z3) / b0; end

这段代码中persistent关键字保证了 ESO 状态在连续控制周期之间保持。模糊函数的第一个参数是误差，第二个是误差变化率，但 $\alpha_d$ 的输入做了对调处理，因为阻尼控制应该在角速度误差大时增强，这对应规则的转置使用。实际运行中需要设置一个保护逻辑：当z3绝对值超过阈值（比如10），强制限制u的幅值，防止积分饱和。

5. 参数整定顺序与模糊规则的边界测试技巧

5.1 先调基准 ADRC，再引入模糊层，禁止直接双闭环试探

参数整定的顺序原则是“先确定基准，再做自适应”。直接同时调整 ESO 带宽和模糊规则会让问题变成多维搜索，难以定位故障源头。第一步先将模糊增益修正系数固定为 1.0，此时系统退化为常规 ADRC。按“先带宽后增益”的次序：先增大 $\omega_o$ 直到扰动估计曲线出现噪声尖峰，记下临界值，回退 20% 作为工作点；再增大 $\omega_c$ 直到阶跃响应出现第一次振荡，回退 30%。得到的 $(k_{p0}, k_{d0})$ 作为模糊层的基准。

第二步设计模糊规则时，优先覆盖四种极端工况：大阶跃启动、悬停阵风、快速机动和传感器噪声污染。每种工况下单独记录常规 ADRC 表现不佳的区域——通常是误差大且变化快的瞬间。针对这些区域增大输出值，其他区域保持基准增益不变。规则表的设计原则是“改动局部，不动全局”，一次只修改一个表项。

5.2 稳定性边界测试的三种工况设置与参数扫描方法

验证模糊自抗扰控制的稳定性边界，不能只做一组仿真。推荐用 Monte Carlo 参数扫描的方式摸清适用范围。在仿真中同时变化转动惯量 $I_x$（±30%）、扰动幅值（0.2 到 1.0 倍最大力矩）和量测噪声强度（0.01° 到 0.5°），统计闭环系统的稳定保持率。具体做法是循环 100 组参数，每组跑 20 秒仿真，判断发散条件为角度偏差超过 5° 或控制量振荡幅值超过限幅的 80%。

一个容易被忽视的陷阱是模糊隶属度函数重叠度对稳定性的影响。当三角形隶属度函数顶点间隔过大，模糊推理输出会出现阶梯状跳变，等效于增益突变。在仿真中观察 $\alpha_p$ 曲线，如果发现快速抖动，需要增加零附近模糊集合的重叠宽度——将 ZO 集合的范围从 [-0.33, 0.33] 扩到 [-0.4, 0.4]，让增益变化更平滑。

5.3 实机部署时的离散化周期与模糊推理性能优化

将模糊自抗扰控制从仿真移植到 Pixhawk 这类嵌入式平台时，离散化周期是最关键的约束。常见的做法是姿态控制环运行在 250Hz 到 500Hz，即控制周期 2ms 到 4ms。ESO 的三阶更新在 4ms 周期下能够稳定工作，但模糊推理的 49 条规则遍历在 STM32F4 上大约耗时 0.3ms，叠加在控制循环里会占用 10% 以上的 CPU 时间。优化方案是预计算查找表：将输入论域离散为 101 个点，提前算好每个离散点的输出 $\alpha_p, \alpha_d$，运行时通过双线性插值查表，耗时降至 0.01ms 级别，且输出平滑度几乎不损失。

查表法的另一个好处是方便做稳定性验证——可以在上位机预先扫描所有输入的输出值，确认 $alpha$ 输出落在正数区间且变化率有界，从源头上杜绝模糊推理环节引起的不稳定因素。部署前再检查一下 ESO 的z3限幅值：如果实际飞行中总扰动最大不超过 5 N·m，把z3的饱和值设为 8 N·m，防止观测器积分项因传感器异常而无限膨胀。

本文还有配套的精品资源，点击获取