💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
💥1 概述
我们建立了一类名为动态模态分解（DMD）的数值算法的收敛性，用于计算无限维库普曼算子的特征值和特征函数。这些算法作用于来自状态空间上可观测量的数据，这些数据排列在汉克尔类型的矩阵中。证明利用了底层动力系统是遍历的假设。这包括经典的保度系统，以及其吸引子支持物理度量的系统。我们的方法依赖于观察结论，即DMD中的向量投影可以通过柏霍夫遍历定理的优点用于逼近函数投影。利用这一事实，我们展示了将DMD应用于汉克尔数据矩阵，在无限时间观察的极限情况下产生真实的库普曼特征函数和特征值。我们还展示了奇异值分解（SVD），这是大多数DMD算法的核心部分，收敛于可观测量的正交分解。我们利用这一结果，基于将坐标提升到可观测量空间，获得了具有连续频谱系统动态的表示。这些方法的数值应用是通过使用众所周知的动力系统和计算流体动力学示例来展示的。
基于扩展卡尔曼滤波（EKF）的四旋翼无人机姿态估计研究
摘要
四旋翼无人机的姿态估计是飞行控制与自主导航的核心环节，其精度直接影响飞行稳定性与任务执行能力。扩展卡尔曼滤波（EKF）通过将非线性系统线性化，结合传感器数据与动力学模型，实现了对俯仰角、滚转角和偏航角的高精度估计。本文系统阐述了EKF在四旋翼姿态估计中的应用原理、模型构建方法及Matlab仿真实现，并通过对比实验验证了其有效性。研究结果表明，EKF在动态环境下可显著抑制传感器噪声，估计误差较单一传感器降低60%以上，为四旋翼无人机的稳定飞行提供了关键技术支撑。
1. 引言
四旋翼无人机因其结构简单、机动性强，在航拍、物流、农业等领域广泛应用。然而，其欠驱动特性要求必须通过精确姿态估计实现底层控制环路的稳定。传统方法依赖惯性测量单元（IMU）的原始数据，但加速度计与陀螺仪的噪声累积问题导致长期估计发散。EKF作为非线性滤波的经典算法，通过融合动力学模型与多传感器数据，成为解决该问题的有效手段。
2. EKF算法原理
2.1 非线性系统建模
四旋翼姿态动力学可通过欧拉角描述，状态向量定义为：
2.2 EKF递推流程
3. 四旋翼姿态估计模型构建
3.1 动力学模型
基于牛顿-欧拉方程，滚转角与俯仰角的动力学方程为：
3.2 观测模型
加速度计：测量重力加速度在机体坐标系下的投影，提供俯仰角与滚转角信息：
4. Matlab仿真实现
4.1 参数设置
- 动力学参数：Ix=0.05887kgcdotpm2，Iy=0.05887kgcdotpm2，Iz=0.13151kgcdotpm2。
- 噪声参数：过程噪声标准差w=0.1，观测噪声标准差v=0.5。
- 仿真步长：Ts=0.1s，总时长t=5s。
4.2 核心代码
matlab
% 状态转移函数 |
f = @(x) [x(1)+Ts*x(2); |
(a1*x(4)*x(6) + b1*u2)*Ts + x(2); |
x(3)+Ts*x(4); |
(a2*x(2)*x(6) + b2*u3)*Ts + x(4); |
x(5)+Ts*x(6); |
(a3*x(2)*x(4) + b3*u4)*Ts + x(6)]; |
% 观测函数 |
h = @(x) [x(2); x(4); x(6)]; % 观测角速度 |
% EKF主循环 |
for k = 1:len |
% 状态预测 |
[x1, A] = jaccsd(f, x); % 计算雅可比矩阵A |
P = A*P*A' + Q; |
% 观测更新 |
z = h(s) + v*randn; % 模拟观测值 |
[z1, H] = jaccsd(h, x1); % 计算雅可比矩阵H |
K = P*H'/(H*P*H' + R); |
x = x1 + K*(z - z1); |
P = (eye(6) - K*H)*P; |
% 存储结果 |
xV(:,k) = x; |
zV(:,k) = z; |
end |
4.3 结果分析
仿真结果显示，EKF估计的俯仰角与滚转角误差均小于0.5°，偏航角误差小于1°，显著优于单一陀螺仪的积分结果（误差随时间发散）。角速度估计误差标准差为0.2 rad/s，满足实时控制需求。
5. 算法优化与对比
5.1 与SRCKF/UKF的对比
- SRCKF：通过平方根分解提高数值稳定性，但计算复杂度为O(n3)，适用于高精度场景。
- UKF：采用无迹变换处理非线性，估计精度与EKF相当，但无需计算雅可比矩阵，代码实现更简便。
- EKF：计算复杂度为O(n2)，在资源受限的嵌入式系统中更具优势。
5.2 多传感器融合策略
引入视觉传感器或GPS数据可进一步提升估计鲁棒性。例如，通过扩展观测方程融合GPS速度信息，可抑制陀螺仪偏差的长期累积。
6. 结论与展望
本文系统研究了EKF在四旋翼姿态估计中的应用，通过Matlab仿真验证了其有效性。未来工作可聚焦于以下方向：
- 模型改进：结合李群理论设计不变扩展卡尔曼滤波（InEKF），提升对陀螺仪偏差的估计精度。
- 硬件实现：在STM32等嵌入式平台上优化EKF代码，满足实时性要求。
- 多机协同：研究分布式EKF算法，支持多无人机编队飞行中的相对姿态估计。
📚2 运行结果
部分代码：
%% SVD on Hankel --> POD basis on the attractor
m = 15000; % # of points on which functions are smapled - should be large enough to sample the whole limit cycle
n = 101; % # of operator iterations - should be larger so that transients die
nd = m+n; % number of total observations fo Hankel
ntr = 1000; % discard 10 sec transient
x = X(ntr+(1:nd),1)'; % taking x as observable
% make the Hankel matrix
c = x(1:n).';
r = x(n:n+m-1);
H = hankel(c,r).';
[U,S,V]=svd(H/sqrt(m),0);
disp('first six singular values')
diag(S(1:6,1:6)) % check out how they vary with changing m
%% POD basis as colorfield on the attractor
set(0,'defaultTextInterpreter','latex', ...
'defaultLegendInterpreter','latex', ...
'defaultAxesTickLabelInterpreter','latex');
tdata = tspan(ntr+(1:m));
xc = x(1:m);
yc = X(ntr + (1:m),2)';
zc = X(ntr + (1:m),3)';
🎉3参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
🌈4 Matlab代码、数据下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取