企业官网建设流程全解析

搞控制或者说搞机器人的朋友，应该都经历过这个阶段：看了无数篇四旋翼无人机 PID 控制的文章，手里的代码却要么跑不起来，要么一跑就发散，对着曲线完全不知道问题出在哪。我当年入门的时候也在这种坑里趴了很久，后来用 Matlab 从零写了一个完整的四旋翼无人机 PID 控制仿真，把模型、控制律、参数整定、结果可视化全部串在一起，才算真正把“PID 是怎么把飞机稳住”这件事吃透了。

这篇教程就是按我当时的学习路径整理的。整体用 Matlab 脚本实现，不依赖 Simulink，也不需要额外工具箱，完整代码直接贴在后面，复制保存为.m文件就能运行。仿真对象是一个简化版四旋翼模型，包含高度和俯仰两个通道，控制律采用位置式 PID，并加入了重力补偿。跑通之后你能清楚看到高度、姿态在 PID 控制下的动态响应，也能直观理解 kp、ki、kd 这三个参数到底在干什么，为后续做级联 PID 或者真机调参打个底。

这个仿真适合三类读者：刚接触控制理论、想找个具体对象练手的学生；想快速验证 PID 调参思路、又不想一上来就碰硬件的入门工程师；以及准备做真机实验，但想先在低成本环境里把逻辑理清的小伙伴。接下来我按“从思路到代码，再到排错”的顺序，把整个搭建过程完整讲一遍。

1. 仿真的整体思路：新手为什么要从模型入手

1.1 仿真闭环帮你建立控制直觉

很多新手拿到一段控制代码，第一件事就是到处调 Kp、Kd，调了半天也不知道为什么发散、为什么稳态误差消不掉。归根结底，是不清楚被控对象长什么样。仿真最大的价值，不是真去复现一架无人机，而是用数学方程把你对“物理系统如何运动”的理解，变成一个可以随时观测的闭环：给一个期望值，看输出怎么响应，控制量怎么变化，误差怎么收敛。

这个闭环一旦在脑子里成形，你再去碰真机、看飞控日志、调参，就不会全靠猜。仿真里的每一次发散，都是在帮你建立“参数和响应之间的直觉”：某个环节加大会有什么趋势，某个环节减小会不会稳一点。这种直觉是任何文档都教不会的，只能自己跑出来。

我在这个项目里刻意没有用 Simulink，原因有两点。一是脚本代码的每一步都显式可见，误差怎么算、PID 怎么输出、模型怎么更新，一目了然，对新手来说没有“黑盒子”；二是代码方便改造，想换控制律、加扰动、改成级联 PID，都是在文本层面直接操作，比拖拽 Simulink 模块直观得多。

1.2 简化模型是从哪来的

完整四旋翼无人机模型是六自由度的，三个平动位置（x、y、z）加三个姿态角（roll、pitch、yaw），方程之间耦合严重，非线性项也不少。对新手来说，一上来就把完整的牛顿-欧拉方程糊在脸上，很容易被劝退；就算代码写出来了，一个小错误也会导致完全无法收敛，排错难度很高。

所以这个仿真里我做了一个经典简化：只考虑悬停附近的运动，把高度通道和俯仰通道解耦出来。换句话说，我们先控制 z 方向高度和俯仰角 phi，忽略横滚、偏航以及它们之间的耦合，把四旋翼当成两个独立的单输入单输出系统来处理。

高度通道很简单，就是牛顿第二定律。记无人机质量为 m，四个电机产生的总升力对应的等效加速度为 u1，竖直方向运动方程为：

m * z'' = u1 * m - m * g

两边同时除以 m，得到：

z'' = u1 - g

这里 u1 的单位已经是加速度单位，不是力。好处是控制量跟质量解耦，后面调参数的时候不用反复改质量。

俯仰通道对应刚体转动定律。记俯仰转动惯量为 I_yy，控制俯仰的力矩为 u2，则：

phi'' = u2 / I_yy

这两个方程已经足够演示 PID 的核心控制逻辑：给高度一个目标，PID 算出需要的加速度，再加上重力补偿项 g，就是油门指令；给俯仰角一个目标，PID 算出需要的角加速度，乘上转动惯量，就是力矩指令。

有读者可能会问：简化掉横滚和偏航，仿真还有意义吗？我的看法是，对于入门阶段，先把两个通道吃透，远比一次性面对六个通道的耦合要有效。而且等你理解了内环外环的分层思想后，把横滚、偏航通道往代码里补，只是同样的模式复制几遍而已。

1.3 模型、控制器、可视化缺一不可

一套完整的仿真，至少包含三个部分：被控对象模型、控制器算法、数据可视化。模型是你对物理世界的近似描述，控制器是你要验证的算法，而可视化是帮助你判断算法好坏的“眼睛”。三者缺一不可。

这个仿真里还有第四个隐含部分，就是主循环本身。它模拟了控制器的运行节拍：每隔一个固定周期 dt，读取一次状态，计算一次控制量，更新一次模型。这个“周期性采样”的概念对理解数字控制很关键，真机飞控就是在固定的控制频率下不断重复这个过程，和仿真主循环没有本质区别。

2. PID控制的原理与参数设计逻辑

2.1 比例、积分、微分到底在干什么

PID 三个字母对应的三个环节，可以用一句不太严谨但很好记的话概括：比例管现在，积分管过去，微分管未来。

比例项 Kp * e(t) 直接放大当前误差。误差越大，控制量越大，系统回正的趋势就越强。只有比例项时，系统经常会出现稳态误差或者来回振荡。打个比方，你开车看到偏离车道，打方向盘的幅度只跟当前偏差成正比，那速度一快就容易冲过头，速度慢了又回不来。

积分项 Ki * ∫e(t)dt 把历史上累计的所有误差加回来。它专门处理稳态误差。比如这个仿真里，飞机悬停时重力始终向下，如果控制量里只有比例项，油门指令里没有多出来的重力补偿部分，飞机就会持续往下掉，最终停在某个高度再也上不去。积分项就是为了把这种“持续存在的小偏差”累积成足够的控制量去抵消它。缺点是积分容易过头，积分项太大会导致超调明显。

微分项 Kd * de(t)/dt 看的是误差变化趋势。误差在快速减小，微分项就产生反向力，提前“踩刹车”，抑制超调。它会放大高频噪声，所以真机上微分项通常要配低通滤波。

把这三项合在一起，就形成了完整的位置式 PID 控制律：

u = Kp * e + Ki * integral(e * dt) + Kd * de/dt

2.2 离散化与代码里的实现细节

因为计算机和微控制器都是离散系统，需要把连续 PID 离散化。我用的位置式离散形式是：

积分累加：err_int += err * dt; 微分近似：err_dot = (err - err_prev) / dt; 控制输出：u = Kp*err + Ki*err_int + Kd*err_dot;

积分项直接累加误差与步长的乘积，这是最简单的矩形积分；微分项用一阶差分近似，虽然对噪声敏感，但在仿真环境下完全够用，而且逻辑最直白。

代码里我实际写的微分项有一点变化，值得单独说明。因为期望高度和期望俯仰角是常数，误差的导数就等于状态量的负导数：

e = z_ref - z; e_dot = 0 - zdot = -zdot;

所以微分项直接写成Kd_z * (-zdot)。这个写法和Kd * (err - err_prev) / dt在数学上等价，但直接调用速度状态，不会因为差分放大数值噪声，数值上更干净。

2.3 参数整定为什么是那个顺序

网上一搜 pid 参数整定方法，Ziegler-Nichols、临界比例度、衰减曲线法一大堆。但对新手来说，最有用的还是先建立“参数和响应之间的直觉”。我的建议顺序永远是：先调 P，再调 D，最后调 I。

第一步，把 Ki、Kd 全部设成 0，只加 Kp。从小往大慢慢加，观察曲线。Kp 太小，响应慢，稳态误差大；Kp 太大，系统开始等幅振荡。这一步能让你直观感受系统的开环特性和临界振荡点。

第二步，加 Kd。当曲线出现明显超调时开始加，Kd 的作用是“刹车”，让响应更快稳定下来。这里要注意 Kd 方向千万不能反，方向反了会加速振荡甚至直接发散。

第三步，加 Ki。在 P、D 已经把系统基本稳定住的条件下，如果发现最终的稳定值和期望值有偏差，再加入 Ki 去消除稳态误差。

我代码里给的高度环参数是 Kp=8、Ki=0.5、Kd=5，俯仰环是 Kp=60、Ki=10、Kd=8。这些参数不是拍脑袋写的，可以做个粗略推导。高度环忽略积分项后，闭环特征方程近似为：

s^2 + Kd_z * s + Kp_z = 0

代入 Kp=8、Kd=5，自然频率 wn = sqrt(8) ≈ 2.83 rad/s，阻尼比 zeta = 5 / (2sqrt(8)) ≈ 0.88。这个阻尼比接近临界阻尼，意味着响应快且几乎不超调，收敛时间约 4 / (zetawn) ≈ 1.6 秒。俯仰环 Kp=60、Kd=8，wn ≈ 7.75 rad/s，zeta ≈ 0.52，姿态响应更快但会有少量超调，实际调试时把 Kd 提高到 12 左右可以让姿态更稳。

像这样先根据二阶系统公式估一个范围，再微调参数，比盲目试要高效得多。

3. 从零搭建：完整代码实现与调试

3.1 环境准备与代码结构

这个项目对 Matlab 版本没有特殊要求，R2018a 以上都可以，不需要安装额外工具箱。如果你机器上还没装 Matlab，安装过程注意一下许可证激活，装好以后新建一个脚本文件，命名为quad_pid_sim.m，把完整代码粘贴进去，点击运行就行。

整个代码分成四段：

• 第一段是参数初始化：物理参数、仿真步长、期望值、PID 参数、初始状态，全部集中在这里，方便维护。
• 第二段是主循环：每过一个控制周期，计算误差、PID 输出、更新模型、记录数据。
• 第三段是绘图：把高度、姿态、控制量画出来，直观判断控制效果。
• 第四段是终端输出：直接打印最终的收敛结果，方便快速验证。

这样的组织方式对后期扩展非常友好。比如你想改期望高度为方波，只需要定义z_ref_k放进循环；想加扰动，只需要在模型更新那行叠加一个外力项。

3.2 主循环的四个关键步骤

主循环是整个仿真器的核心，先看骨架，再看细节：

for k = 1:N 计算当前误差 PID 计算控制量 模型积分更新状态 记录数据 end

每一步都对应真实控制器的工作流程。dt=0.01 就是控制周期，对应 100Hz 的控制频率。真实飞控一般在 500Hz 到 1kHz，100Hz 对入门仿真足够了。

第一步，计算误差。直接用期望值减当前状态：err_z = z_ref - z、err_phi = phi_ref - phi。

第二步，PID 计算。这里高度通道和俯仰通道的写法略有不同，高度通道因为要克服重力，在 PID 输出之外必须叠加一个重力补偿项：

a_z_des = Kp_z * err_z + Ki_z * err_z_int + Kd_z * (-zdot); u1 = a_z_des + g;

新手最容易忽略的就是这个重力补偿。只把 PID 输出当成油门，控制量里没有重力对应部分，飞机永远飞不到目标高度，最终会出现很大的稳态误差。加了 g 之后，PID 输出的加速度全部用来纠正高度偏差，物理含义更清晰。

俯仰通道的控制量是力矩，所以把 PID 输出的期望角加速度乘上转动惯量：

phi_ddot_des = Kp_phi * err_phi + Ki_phi * err_phi_int + Kd_phi * (-phidot); u2 = phi_ddot_des * I_yy;

第三步，模型更新。这一步本质是数值积分，我用了最简单的欧拉法：

zdot = zdot + (u1 - g) * dt; z = z + zdot * dt; phidot = phidot + (u2 / I_yy) * dt; phi = phi + phidot * dt;

欧拉法精度不算高，但对这个仿真场景完全够用。如果后面你把模型改复杂了，建议至少换成四阶 Runge-Kutta，否则大步长下容易出现数值发散，让你误以为是控制器的问题。

第四步，记录数据。把每个周期的高度、姿态、控制量存到数组里，仿真结束后一次性绘图。

3.3 完整代码：复制保存直接跑

下面是完整可运行的 Matlab 代码。新建脚本保存为quad_pid_sim.m，直接运行即可：

%% 四旋翼无人机PID控制仿真（简化模型：高度+俯仰） % 使用说明：保存为 quad_pid_sim.m，直接运行。 % 模型：高度通道 z'' = u1 - g，俯仰通道 phi'' = u2 / I_yy % 控制律：位置式PID + 重力补偿 clear; clc; close all; %% 1. 参数初始化 m = 1.2; % 无人机质量 kg g = 9.8; % 重力加速度 m/s^2 I_yy = 0.015; % 俯仰转动惯量 kg*m^2 dt = 0.01; % 仿真步长 s（控制周期） t_end = 20; % 仿真时长 s t = 0:dt:t_end; N = length(t); % 期望值 z_ref = 10; % 期望高度 m phi_ref = 0; % 期望俯仰角 rad（悬停） % PID参数（高度通道） Kp_z = 8; Ki_z = 0.5; Kd_z = 5; % PID参数（俯仰通道） Kp_phi = 60; Ki_phi = 10; Kd_phi = 8; % 状态初始化 z = 0; zdot = 0; phi = 0; phidot = 0; % 误差积分 err_z_int = 0; err_phi_int = 0; % 数据存储 z_hist = zeros(1, N); phi_hist = zeros(1, N); u1_hist = zeros(1, N); u2_hist = zeros(1, N); %% 2. 主循环 for k = 1:N % ---------- 高度通道 ---------- err_z = z_ref - z; err_z_int = err_z_int + err_z * dt; a_z_des = Kp_z * err_z + Ki_z * err_z_int + Kd_z * (-zdot); u1 = a_z_des + g; % 重力补偿 % ---------- 俯仰通道 ---------- err_phi = phi_ref - phi; err_phi_int = err_phi_int + err_phi * dt; phi_ddot_des = Kp_phi * err_phi + Ki_phi * err_phi_int + Kd_phi * (-phidot); u2 = phi_ddot_des * I_yy; % ---------- 模型更新（欧拉积分） ---------- zdot = zdot + (u1 - g) * dt; z = z + zdot * dt; phidot = phidot + (u2 / I_yy) * dt; phi = phi + phidot * dt; % ---------- 记录数据 ---------- z_hist(k) = z; phi_hist(k) = phi; u1_hist(k) = u1; u2_hist(k) = u2; end %% 3. 绘图 figure('Name', '四旋翼无人机PID控制仿真结果', 'Position', [100 100 1000 700]); subplot(2,2,1); plot(t, z_hist, 'b-', 'LineWidth', 1.5); hold on; plot(t, z_ref*ones(1,N), 'r--', 'LineWidth', 1.2); xlabel('时间 (s)'); ylabel('高度 (m)'); title('高度响应'); legend('实际高度', '期望高度', 'Location', 'southeast'); grid on; subplot(2,2,2); plot(t, phi_hist*180/pi, 'b-', 'LineWidth', 1.5); hold on; plot(t, phi_ref*ones(1,N), 'r--', 'LineWidth', 1.2); xlabel('时间 (s)'); ylabel('俯仰角 (°)'); title('姿态响应'); legend('实际俯仰角', '期望俯仰角', 'Location', 'southeast'); grid on; subplot(2,2,3); plot(t, u1_hist, 'b-', 'LineWidth', 1.5); xlabel('时间 (s)'); ylabel('等效加速度控制量 u1 (m/s^2)'); title('高度通道控制量'); grid on; subplot(2,2,4); plot(t, u2_hist, 'b-', 'LineWidth', 1.5); xlabel('时间 (s)'); ylabel('俯仰力矩 u2 (N·m)'); title('俯仰通道控制量'); grid on; %% 4. 终端输出 fprintf('仿真完成！\n'); fprintf('最终高度：%.2f m（期望 %.2f m）\n', z_hist(end), z_ref); fprintf('最终俯仰角：%.2f°（期望 %.2f°）\n', phi_hist(end)*180/pi, phi_ref*180/pi);

3.4 运行结果怎么读

跑完代码，你会看到四张图和一行终端输出。

高度响应那幅图，蓝色的实际高度应该在 1 到 2 秒内平滑地爬到 10 米，几乎没有超调，这是因为高度环阻尼比接近 0.88，接近临界阻尼。如果曲线爬得很慢，多半是 Kp 太小；如果冲过头再回来，就是 Kd 不够。

俯仰角响应那幅图，初始可能有微小的角度偏差，随后会快速收敛到 0 附近。这里动态要比高度快，因为俯仰环的自然频率更高。

高度通道控制量 u1，起始值约等于 9.8，也就是重力加速度。因为无人机要保持 10 米悬停，控制量里必须先有重力补偿这部分，然后 PID 才在它附近做小幅度调整，修正高度误差。你如果看到 u1 远大于 g，说明加速度指令里有很大一部分在爬升，会对应高度快速上升的阶段。

俯仰控制量 u2，基本是小幅振荡后回到 0，因为稳态时不需要额外的俯仰力矩修正角度。

终端会输出最终高度和最终俯仰角。如果跟期望值差得比较多，首先看仿真时间是不是不够长，再把 Kp、Ki 适当加大。

注意：改参数之前先想清楚改的是哪一环、预期会发生什么变化，再动手。改完一次只动一个参数，这是调试的基本纪律。

4. 常见问题与排查技巧实录

4.1 仿真发散怎么办

仿真发散的三个最常见原因，按出现频率排序：

第一个是比例增益过大或微分方向错误。Kp 太大会让系统进入正反馈式的增幅振荡，Kd 方向接反会让原本该“刹车”的环节变成“踩油门”。遇到发散，先把 Ki、Kd 全设为 0，只留一个小 Kp，确认系统能稳定下来，再逐项恢复。

第二个是仿真步长太大。欧拉法本身是近似积分，步长越大误差越大。判定方法很简单：把 dt 从 0.01 缩小到 0.001，再跑一遍，如果两条曲线差异明显，说明步长不够小，需要减小。

第三个是模型本身写错了。比如高度更新里忘了减重力，或者俯仰力矩符号反了。这种情况需要回头逐行检查模型方程和 PID 计算的符号。

判断发散原因有个经验：看发散速度。一般 0.5 秒内直接冲到无穷大，多数是符号问题；缓慢增长然后振荡发散，多半是参数问题；高频抖动发散，优先怀疑步长太小或微分项被噪声放大。

4.2 稳态误差、振荡与参数微调

稳态误差很典型：高度停在 9.7 米或者 10.3 米，再也不动。这通常说明积分项不够，或者积分被限幅了。我在代码里没有给积分加限幅，但真实系统里积分饱和是个大坑，建议你加上一个简单的饱和函数，比如err_z_int = max(min(err_z_int, 10), -10);，防止积分量过大导致大超调。

振荡问题分两种：

• 低频大幅振荡，周期比较长，多半是 Kp 偏大或者 Kd 偏小。先把 Kd 按 1.5 到 2 倍往上调，看超调是否明显减小。
• 高频小幅振荡，曲线毛刺多，通常是微分项被噪声放大。仿真里没有噪声，如果你自己加了传感器噪声，就需要对微分项做低通滤波。

高度环如果出现等幅振荡，可以用我前面提到的公式反推参数。先固定 Kd，调小 Kp 让阻尼比回到 0.7 到 1 之间，振荡自然消失。

下面整理了一个我调参时常用的速查表，新手可以直接对照使用：

4.3 从仿真到实机还有多远

仿真跑通只是第一步。仿真和实机最大的差异，在于仿真里没有传感器噪声、没有执行器饱和、没有气动扰动、也没有通信延迟。代码里 u1 没有做饱和限制，但真机上电机的油门必然是 0% 到 100%，不会出现负油门，也不会无限大。所以到实机阶段，至少要做三件事：

第一，给 PID 输出加饱和限幅，防止控制量超出执行器范围。第二，微分项必须加低通滤波，不然飞控的陀螺仪噪声会被放大到没法用。第三，控制频率要提高，真实飞控的内环角速度控制通常在 1kHz 左右，外环姿态控制在 500Hz 左右。

这也是为什么完整飞控普遍采用级联 PID，而不是单级 PID。单级 PID 在简化仿真里够用，但真机上的姿态控制通常分成角度环和角速度环，内环角速度环响应更快，外环角度环的输出是内环的期望角速度。你先把这个简化版跑熟，后面再升级到级联 PID，思路是连贯的。

提示：仿真里随便怎么改参数都不会烧东西，但真机上调参前一定要保证桨叶周边空旷、飞机固定牢靠，安全意识比任何算法都重要。

4.4 我的个人调试习惯

最后分享几个我自己实践下来很管用的习惯。

改参数之前，先把期望高度从阶跃改成方波，比如 10 米和 5 米来回跳，看系统能否来回跟踪。这个测试能同时暴露出响应速度、超调、稳态误差三方面问题，比只跑一次阶跃响应信息量大多了。

再一个是控制量曲线比状态曲线更能说明问题。有时候高度曲线看起来挺好，但控制量在剧烈抖振，说明参数其实偏临界了，真机上根本飞不出来。我习惯每次仿真后先看 u1 和 u2 的曲线是否平滑，再判断参数是否真的合适。

还可以试着给自己制造麻烦，比如在模型更新那行加入随机扰动或者阵风项，看 PID 能不能扛住。这算是最简单的鲁棒性测试，做一遍之后你对控制器的理解会深一层。

这个代码我后来扩展过好几个版本，加了横滚通道、加了积分限幅、加了方波跟踪和扰动测试，都是在今天这个基础版上一点点补出来的。你跑通之后，建议也按这个路子继续玩下去。