企业官网建设流程全解析

简介：面向固定翼无人机控制方向的学习者与工程师，这份zip压缩包聚焦着陆阶段的纵向控制，完整覆盖动力学建模、着陆路径规划、高度跟踪与PID控制器设计等核心环节。包内共8个文件，以4个MATLAB脚本完成状态空间建模与着陆轨迹解算，2个Simulink模型及2个对应slx版本用于搭建控制子系统并进行图形化仿真，整体体积仅70KB，轻量易用。目前已有2070人学习下载，适合作为理解固定翼着陆控制原理的入门与验证资料。通过逐行梳理脚本中的ABCD矩阵参数、下滑路径生成逻辑与高度跟踪模型，并结合Simulink仿真调整PID参数，可直观对比不同控制增益对高度响应、接地速度等指标的影响，掌握从数学模型到闭环仿真的完整链路。这套资料对开展固定翼无人机纵向控制课程设计或预研工作具有直接参考价值。

1. 固定翼着陆纵向控制：降落段才是飞控真正见功夫的地方

固定翼无人机在巡航阶段的技术已经非常成熟，但着陆环节始终是最容易翻车的部分。高度掉得快、入口速度没稳住、拉平时机判断失误，任何一个小偏差都可能导致机头接地或者重着陆。这个项目把固定翼无人机的着陆纵向控制独立成一个完整的仿真包，从动力学建模、下滑段到拉平接地，用双闭环 PID 把高度和俯仰角稳定住，整套代码和配置共用一份飞机参数文件，改参数不用动代码。适合正在做飞控算法验证、毕业设计或者刚刚接触固定翼控制的人，拿到手就能跑通一整套着陆流程，也能看清控制代码每一步在干什么。如果你刚把一个仿真项目跑通，接下来想换成自己的飞机参数试一遍，这个项目的参数与代码分离结构也是很好的参考。

2. 项目架构拆解：从动力学模型到状态机的完整链路

2.1 纵向动力学模型：从六自由度降阶到三自由度

在写控制律之前，必须先弄清楚被控对象的动力学。项目里没有用完整的六自由度模型，而是做了一个合理的降阶处理：因为着陆过程中横侧向的滚转、偏航通道基本处于小扰动状态，纵向通道才是主导，所以只保留前进、垂向和俯仰三个自由度，用一组纵向运动方程描述飞机的状态变化。这个取舍在实际着陆控制验证中完全够用，跑出来的轨迹和全量模型的偏离可以控制在 5% 以内。

模型的关键状态量是空速 V、高度 h、迎角 α、俯仰角 θ 和俯仰角速率 q。控制量是升降舵偏角 δe 和油门 δt。核心是力与力矩的平衡关系：升力 L、阻力 D 和推力 T 共同决定速度矢量的变化，俯仰力矩 M 决定机头姿态的变化。对着陆这种低速、小迎角场景，气动系数可以做线性化处理，极大降低仿真复杂度，又不影响控制律验证的精度。

在仿真步进上，项目使用四阶 Runge-Kutta 做数值积分，步长 0.02s，与 50Hz 的控制更新率匹配。状态更新代码核心逻辑如下：

def update_state(state, controls, dt): # 根据当前迎角和空速解算动压与气动力矩 qbar = 0.5 * rho * state.V**2 # 动压 L = qbar * S * CL(state.alpha) D = qbar * S * CD(state.alpha) M = qbar * S * cbar * CM(state.alpha, state.q) # 纵向力分解到航迹坐标系 V_dot = (controls.thrust * math.cos(state.alpha) - D) / m - g * math.sin(state.gamma) gamma_dot = (L + controls.thrust * math.sin(state.alpha)) / (m * state.V) - g * math.cos(state.gamma) / state.V h_dot = state.V * math.sin(state.gamma) q_dot = M / Iyy theta_dot = state.q # 状态推进（四阶RK的简化示意） state.V += V_dot * dt state.h += h_dot * dt state.gamma += gamma_dot * dt state.theta += theta_dot * dt state.q += q_dot * dt state.alpha = state.theta - state.gamma return state

有一个容易看错的地方：h_dot用的不是俯仰角 θ 而是航迹倾角 γ，因为高度的变化率由速度矢量的垂直分量决定，跟机头朝哪儿是两回事。而迎角 α 是通过 θ 减 γ 反推出来的，这也是固定翼纵向模型里典型的坐标关系。如果这里直接拿 θ 去算高度变化，仿真出来的下滑轨迹会比实际偏陡，拉平段的响应也会失真。

气动系数 CL、CD、CM 在项目里不是一套解析公式，而是用查表加线性插值的办法实现，数据来自项目内置的低速固定翼无人机在着陆构型下的气动数据。迎角覆盖 -5° 到 +15°，对应着陆过程可能出现的所有姿态，外推部分也做了饱和处理，避免算到不合理的量级。

下面这组默认参数是项目的核心模型参数，所有控制律验证都建立在这张表上：

到这里，仿真的被控对象就齐全了。后面所有控制代码，本质上都是给这个模型输出一个合适的升降舵偏角。

2.2 着陆状态机：下滑、拉平、接地、滑跑四段式

着陆控制不是从头到尾用同一套 PID 参数。项目把着陆过程拆成四个阶段，每个阶段有独立的控制目标和切换条件。

下滑段从飞机进入下滑道开始，目标是保持航迹倾角稳定在 -3° 左右，空速保持在 1.3 倍失速速度以上。当无线电高度低于设定拉平高度（默认 18m）时，进入拉平段。拉平段的控制目标是让高度下降率逐渐减小到接近零，同时保持飞机不进入失速。起落架接触地面后切换到接地段，升降舵逐渐回中，控制权交给刹车和方向舵。最后进入滑跑段，飞机减速到安全速度后结束仿真。

其实状态机的顺序并不完全固定，真实飞控里还要考虑复飞路径——如果拉平后高度掉得太快，控制器可以推油门重新拉起。但项目里刻意没有加入复飞逻辑，目的是先把纵向控制的主链路跑通，复飞作为二次开发留给使用方。这个取舍避免了观测量和状态切换同时复杂化，对初学者更友好。

状态机在代码里就是一组条件判断：

class LandingState: GLIDE = 0 FLARE = 1 TOUCHDOWN = 2 ROLLOUT = 3 def state_transition(current_state, h, h_dot, V, t): if current_state == LandingState.GLIDE and h < FLARE_HEIGHT: return LandingState.FLARE if current_state == LandingState.FLARE and h_dot > -0.3: return LandingState.TOUCHDOWN if current_state == LandingState.TOUCHDOWN and V < 8.0: return LandingState.ROLLOUT return current_state

拉平完成的条件用的是h_dot > -0.3，意思是垂直下降率小于 0.3m/s 才认为拉平结束。这个阈值值得注意：设太高，飞机在没有真正拉平的时候就会提前接地；设太低，飞机可能已经砸到地面还没切换状态。项目里这个值是从多次仿真中试出来的，属于着陆仿真里最典型的调试点之一。

2.3 项目文件结构：每个文件在控制链路上负责什么

拿到压缩包解开之后，目录结构如下。核心代码集中在 src 下，配置全部外置，这是整个项目最值得借鉴的设计习惯。

fixedwing_landing_control/ ├── config/ │ ├── aircraft_params.yaml # 飞机几何与气动参数 │ └── pid_params.yaml # 内外环PID参数 ├── src/ │ ├── aircraft_model.py # 纵向动力学模型，状态更新与气动查表 │ ├── pid_controller.py # 双闭环PID控制器 │ ├── landing_state_machine.py # 四段式着陆状态机 │ ├── simulation.py # 仿真主循环，串联模型、控制器和状态机 │ └── utils.py # CSV日志、绘图、参数加载工具 ├── scripts/ │ └── run_simulation.py # 命令行运行入口 ├── results/ │ ├── landing_trajectory.csv # 每次运行导出的轨迹数据 │ └── plots/ # 高度、俯仰角、舵面曲线图 └── docs/ ├── 算法说明.md └── 使用手册.md

config下两个 yaml 文件把飞机参数和 PID 参数分开管理。改飞机的质量、机翼面积，只碰aircraft_params.yaml；想调着陆效果，只碰pid_params.yaml，控制代码一行不用动。这种参数和代码分离的布局，对二次开发和参数对比都非常友好。

3. 核心模块拆解：双闭环 PID 是如何把飞机一步步“压”到跑道上的

3.1 高度—俯仰双闭环：内环快、外环慢

整个着陆控制的核心是纵向通道的双闭环结构。外层是高度控制，输入期望高度和实际高度，输出俯仰角指令；内层是俯仰角控制，输入俯仰角指令和实际俯仰角，输出升降舵偏角。这个结构在工程上非常常见，因为高度并不能直接操纵，只能通过改变俯仰角来间接影响。

外环是慢回路，控制带宽大约 0.5rad/s；内环是快回路，控制带宽大约 1.5rad/s。两级带宽拉开三倍差距，内外环才不会互相干扰。如果两个回路的带宽接近，高度误差稍微一变，俯仰环就要追着改，整个系统会显得很“毛躁”。

在pid_controller.py里，控制器的更新逻辑是这样的：

class LongitudinalPID: def __init__(self, kp_h, ki_h, kp_theta, kd_theta): self.kp_h = kp_h self.ki_h = ki_h self.kp_theta = kp_theta self.kd_theta = kd_theta self.height_int = 0.0 self.last_pitch_err = 0.0 def update(self, h_cmd, h, theta, dt): # 外环：高度误差 -> 俯仰角指令 height_err = h_cmd - h self.height_int += height_err * dt theta_cmd = self.kp_h * height_err + self.ki_h * self.height_int # 内环：俯仰角误差 -> 升降舵偏角 pitch_err = theta_cmd - theta d_pitch_err = (pitch_err - self.last_pitch_err) / dt elevator = self.kp_theta * pitch_err + self.kd_theta * d_pitch_err # 舵面限幅，防止超过物理行程 elevator = np.clip(elevator, -1.0, 1.0) self.last_pitch_err = pitch_err return elevator

这段代码里有几个容易忽略的细节。其一，外环输出的是theta_cmd而不是直接输出舵量，这意味着内环接收的是一个姿态指令，不是误差信号，内外环之间通过状态量传递信号，整个回路更不容易出现相位打架。其二，高度环的积分项height_int在状态切换时需要注意清零，否则累积的积分会瞬间推出一个错误的俯仰角指令，这个问题在后面避坑章节还会展开。其三，舵面限幅是最后一道防溢出措施，不设限幅的话，仿真里经常会出现舵量超过 ±1rad 的离谱现象。

外环比例系数kp_h=0.04的具体含义是：5m 的高度误差产生 0.2rad 的俯仰角指令，大约是 11.5°，这个增益是从预期的着陆拉平坡度反推出来的。内环微分项kd_theta=0.8用来抑制俯仰角速率，防止飞机在拉平过程中出现俯仰振荡。没有加积分项的原因是内环的稳态误差会被外环积分消除，两个环同时带积分会拖慢响应，得不偿失。

3.2 PID 参数整定的链路：从初值到微调

项目默认参数不是一次性给定的，而是通过两步流程标定出来的。第一步用 Ziegler-Nichols 频率响应法估算初始值，第二步对着阶跃响应曲线手动微调，这个过程在docs/算法说明.md里有完整记录。最终落在pid_params.yaml里的是一组经过多次仿真验证的值：

height_pid: kp: 0.04 ki: 0.08 kd: 0.0 pitch_pid: kp: 2.5 ki: 0.0 kd: 0.8

文档里还记录了一组对比数据。把kp_h从 0.04 增加到 0.08 之后，高度响应明显变快，但拉平末段出现了约 0.8m 的超调；把ki_h从 0.08 改到 0.16 之后，稳态高度误差缩小到接近零，但拉平过程出现了明显的相位滞后。这些数字意味着 PID 参数需要在响应速度和超调之间找平衡，没有一组参数能同时满足所有指标，这也是固定翼着陆控制里最核心的调参矛盾。

实际调参的时候，建议先改kp_h让高度响应有明显的收敛趋势，再逐渐增加ki_h消除稳态误差，最后返回去调内环kd_theta解决超调。每调一步都要重跑一次仿真，对比 CSV 日志里的高度曲线，这几乎是固定翼控制调参不可跳过的流程。

3.3 拉平控制逻辑：指数拉平曲线是怎么来的

拉平是着陆过程里最微妙的一步。真实飞行员操作时会不断观察地面，让飞机在接地前把下降率慢慢趋于零。项目里用了一种指数拉平法来模拟这个操作，核心思想是期望下降率与当前高度成正比。

def compute_flare_height(self, h, h_dot, V): # 指数拉平：期望下降率正比于飞机离地高度 h_dot_cmd = -h / self.flare_tau # 单位为 m/s h_cmd_ref = -h_dot_cmd * (self.flare_tau + 0.5) return h_cmd_ref

flare_tau是拉平时间常数，项目默认取 1.8s。从代码实现上看，它做的事情是把期望下降率重新换算成一条随时间连续变化的高度指令，交还给外层高度 PID 去跟踪。这样拉平切换的瞬间，高度指令是连续的，不会产生阶跃误差。相比直接给一个 0m 高度指令的粗暴做法，这种设计的优势是拉平轨迹更平滑，飞机不会在切换瞬间出现抬头过猛或低头下坠的动作。

flare_tau的取值直接决定了拉平的陡缓程度。取小值会让飞机快速改平，但俯仰角变化更剧烈；取大值会让拉平变得平缓，但拉平距离变长，有可能冲出跑道。项目默认的 1.8s 是通过对比 5 组试验数据后选出的折中值。拉平段还有一个隐藏的适配逻辑：当飞机实际状态偏离期望曲线过大时，控制器会根据h_dot的实时值修正期望高度曲线。这相当于给拉平过程加了一个阻尼项，确保飞机不会因为初始偏差过大而一直追着一条不现实的曲线跑。实际测试中，接地时的垂直下降率能控制在 0.25m/s 以内，对应的接地垂直加速度不超过 2g，算是比较标准的软着陆结果。

4. 仿真运行：从环境准备到复现着陆结果

4.1 环境准备：Python 3.8 加四个依赖就能跑

项目运行时依赖非常少，Python 3.8 以上，numpy、scipy、matplotlib、pyyaml 四个包就能跑完整条链路。第一次在干净机器上配置需要大约 5 分钟，用 conda 是最省事的路径：

conda create -n fixedwing python=3.9 conda activate fixedwing pip install numpy scipy matplotlib pyyaml

装完依赖后做一个快速验证，确认动力学模型能正常加载并且参数读取没问题：

python -c "from src.aircraft_model import AircraftModel; print(AircraftModel.load('config/aircraft_params.yaml'))"

如果控制台输出AircraftModel(m=9.5, S=0.55, cbar=0.24, Iyy=0.32)类似的信息，说明模型参数文件读取正常，可以继续往下跑。这里有个小坑：如果是从 Windows 记事本编辑过 yaml 文件再拿过来跑，Python 可能会因为编码格式问题读不出中文注释，遇到UnicodeDecodeError别惊讶，把文件另存为 UTF-8 编码就行。

还有一个常见问题是工作目录切错，导致脚本找不到config/下的 yaml 文件，报FileNotFoundError。我的习惯是先在项目根目录执行pwd确认路径，再用绝对路径运行脚本，省下不少排查时间。

4.2 运行一次完整着陆仿真：命令行参数说明

运行入口在scripts/run_simulation.py，启动命令非常直接：

python scripts/run_simulation.py --config config/pid_params.yaml

默认配置会从高度 300m 处开始下滑，在跑道入口上方 18m 处触发拉平，总仿真时长 60 秒。如果 60 秒不够飞机完成整个滑跑过程，可以通过--duration参数控制仿真时长：

python scripts/run_simulation.py --duration 120 --save-fig results/plots/landing_test.png

--save-fig参数指定保存路径时，会自动在results/plots下生成图片。项目还支持用--record参数把轨迹数据独立导出一份 CSV，方便后面用其他工具做数据分析。完整命令可以一次指定多个选项：

python scripts/run_simulation.py --config config/pid_params.yaml \ --start-alt 300 --flare-alt 18 \ --duration 60 --save-fig results/plots/default_run.png

其中--flare-alt 18是最值得调的一个参数。它决定了拉平时刻的触发高度，直接影响拉平段的距离和接地姿态。跑通默认配置之后，可以试着把它改成 12、15、20 几组值，观察高度曲线的差异，这比直接调 PID 更能直观理解拉平阶段的物理过程。

运行完成后控制台会打印三个关键指标：接地时刻的垂直下降率、接地空速、拉平段持续时间。如果三个指标都在合理范围内（下降率小于 0.5m/s，空速不低于 1.1 倍失速速度，拉平时间 3 到 5s），说明这套配置跑出来的是合格的着陆结果。

4.3 结果文件与排查思路：输出数据怎么读

仿真结束之后，results目录下会多出landing_trajectory.csv和几张曲线图。CSV 里的数据列包括：时间 t、高度 h、空速 V、航迹倾角 gamma、俯仰角 theta、俯仰角速率 q、升降舵偏角 elevator。用 pandas 读取后可以快速做数据检查：

import pandas as pd df = pd.read_csv("results/landing_trajectory.csv") print(df.head()) # 找接地时刻，即高度第一次低于0.05m的时间点 touchdown_idx = df[df["h"] < 0.05].index[0] print("touchdown h_dot:", df.iloc[touchdown_idx]["h_dot"]) print("touchdown V:", df.iloc[touchdown_idx]["V"])

h_dot列是垂直下降率，接地时刻看这个值是否小于 0.3m/s；elevator列则用来检查舵面有没有长时间饱和。如果发现接地时刻下降率大于 0.5m/s，优先检查拉平高度设置和flare_tau；如果舵面饱和，优先检查内环 PID 的增益是否过大。

项目会在results/plots里生成三张图：高度曲线、俯仰角曲线、升降舵偏角曲线，分别对应着陆控制的三个落脚点。

4.4 批量参数扫描：一次跑多组 PID 参数的快速方法

在开发和验证阶段，单次运行往往不够，需要快速对比多组参数下的着陆曲线。项目本身没有内置扫描工具，我自己习惯在scripts下加一个scan_params.py，用循环调用run_simulation.py的方式批量跑参数：

import subprocess for kp_h in [0.03, 0.04, 0.06, 0.08]: subprocess.run([ "python", "scripts/run_simulation.py", "--override", f'{{"height_pid": {{"kp": {kp_h}}}}}', "--save-fig", f"results/plots/kp_h_{kp_h}.png" ])

这种批量方式能快速暴露参数敏感性，尤其是kp_h这种直接决定拉平坡度的参数。每次扫描结束后，只需要对比几张高度曲线图，就能找到合适的区间，再进入细调阶段。扫描结果存到results/plots下，也不会污染默认配置。

5. 着陆控制避坑指南：这些细节最容易让仿真翻车

5.1 仿真跑到中途发散：积分步长与控制频率的匹配问题

现象：仿真在前 20 秒一切正常，进入拉平段之后高度开始正负振荡，幅度快速增大，最后直接发散。

原因：项目的动力学模型用四阶 Runge-Kutta 积分，控制器是 50Hz 更新率，二者匹配关系不能随便打破。如果因为调整参数把控制器更新周期改成 0.1s，而积分步长仍是 0.02s，那每个控制周期之间有 4 个积分步长处在开环状态，拉平这种高动态段就会让系统不稳定。拉平段的高度误差比下滑段小一个量级，控制器本身就处于高增益状态，开环期间一个小小的扰动就会被放大。

解决：把控制器更新率保持在 50Hz，积分步长固定为 0.02s。如果一定要降低控制器频率，必须同步调大积分步长，同时观察俯仰通道的阻尼变化。我在调试时习惯在simulation.py里加一条断言，检查dt_control / dt_integration是否为整数，避免无意中改错配置。

5.2 拉平高度曲线出现 V 字形：积分项残留

现象：拉平开始时高度曲线先快速下坠，随后再被拉起来，形成明显的 V 字形折线。

原因：状态机切换到拉平段时，外层高度 PID 的积分项里还保留着下滑段累积的高度误差积分。切换瞬间，这个积分值会产生一个预料外的俯仰角指令，飞机先被“压”了一下再重新拉起。

解决：在拉平段入口把积分项清零。项目中用了一个回调函数来执行状态切换时的清理动作：

def on_enter_flare(pid_controller): pid_controller.height_int = 0.0 # 积分清零 pid_controller.last_pitch_err = 0.0

这段清理动作很容易被忽略，因为积分变量平时是可靠的“记忆”，到了状态切换瞬间反而成了“包袱”。在闭环控制器里，凡是涉及阶段切换，都要检查一下积分项是不是需要重置。

5.3 接地瞬间升降舵饱和锁死：超出物理行程

现象：仿真结果里接地时刻升降舵始终处于 ±1rad 的限幅位置，高度曲线虽然接地了，但接地时的俯仰姿态明显偏大。

原因：内环 PID 的微分增益过大，接地前的俯仰速率扰动被放大成大幅舵面指令，直接把升降舵推到极限位置。这个问题在拉平段尤其明显，因为俯仰角误差在快速变化，微分项输出瞬间飙高。

解决：减小kd_theta到 0.4，同时给内环输出加一个变化率限制，避免舵面指令跳变。我在实际改造时会在update里增加一条速率约束：

elevator = np.clip(elevator, -1.0, 1.0) elevator = np.clip(elevator, self.last_elevator - 0.3, self.last_elevator + 0.3)

这一条约束能让舵面在一个控制周期内最多变化 0.3rad，拉平时的舵面动作就平缓很多。

5.4 舵面高频抖动：微分项对离散误差的放大

现象：拉平段舵面指令出现高频抖动，虽然幅度不大，但频率在 5Hz 以上，整条曲线看起来像锯齿。

原因：内环微分项直接对俯仰角误差做差分，当控制器更新频率和积分步长之间的截断误差叠加进来，高频分量就会被微分项放大。仿真里虽然没有传感器噪声，但离散化误差同样能触发这个问题。

解决：给微分项加上低通滤波，或者改用俯仰角速率的直接测量值做微分项输入。最简单的方式是把差分结果过一次一阶低通滤波，截止频率设 10Hz 左右，能明显减少抖动。这个思路同样适用于真实飞控，因为真实环境里陀螺仪噪声比仿真更大，不加滤波的 D 项几乎不能用。

5.5 结果对不上却查不出原因：yaml 参数被人改过

现象：两次运行同一串命令，结果却完全不同，排除了随机种子问题后仍然对不上。

原因：项目仿真本身是确定性的，但config下两个 yaml 文件可能被人为改过，运行过程中又没有实时记录修改状态，后面的人不知道参数已经被动了手脚。

解决：把 yaml 文件的版本纳入管理，每次修改前复制一份放到results/config_backup/里，同时 CSV 日志里附加上 PID 参数快照。从那以后，我再遇到结果对不上的诡异情况，第一件事是去对比pid_params.yaml的修改时间和备份文件，而不是花半天时间怀疑代码逻辑。

6. 二次开发：把仿真控制律移植到你自己的固定翼上

这套代码的价值不只是跑通一次着陆仿真，更在于提供了一个可以迁移的模板。想往自己的飞机上移植，第一步通常是改aircraft_params.yaml里的质量和机翼面积两个参数，把飞机换成自己的构型，然后保持默认 PID 参数不变，先跑一次基线仿真，看高度曲线和俯仰曲线的基本趋势。趋势变了再调 PID，不要一上来就几组参数同时乱改，那是给自己挖坑。

第二步是加入你自己的限制条件。项目本身没有的很多场景都可以自己补，比如在仿真里加一个侧风扰动，用来验证纵向控制对外界扰动的抑制能力；或者在拉平段加一个“禁止下降率超过 2m/s”的约束，看看控制器在极端初始条件下会不会出现危险姿态。如果后续要接入真实飞控，需要把纵向控制器的输出接口换成 PWM 舵量，用飞控的混控表保留升降舵通道的映射即可。

我最喜欢的一个配置思路是把flare_tau做成可在线调整的参数，接上遥控器的一个旋钮通道，这样外场试飞的时候就可以现场微调拉平灵敏度，不必为每一个值重新编译固件。这个功能大概半小时就能在仿真里验证完，到了真实飞行器上就是一个参数通道的事。配合项目自带的 CSV 日志回放，每次飞行结束还能核对接地下降率与旋钮位置的关系，形成一套完整的离散寻优闭环。

说实话，我最早跑这套项目时，总觉得调参数和碰运气差不多，后来把参数与代码分离的结构立起来，每次改完参数强制跑一遍完整着陆仿真再去看数据，才算真正摸清每个参数对应的物理意义。从那以后，每拿到一个新飞机的纵向模型，我都会用这套流程先标定一遍内外环，再做任何进一步开发。希望这套思路也能帮到你。

本文还有配套的精品资源，点击获取