尾座式无人机兼具多旋翼垂直起降与固定翼高速巡航的优势,凭借结构简单、重量轻、机械复杂度低等特点,在高速自主飞行与长航时任务中展现出独特潜力。然而,从悬停进入高速前飞时,飞行器需要经历大幅俯仰姿态变化,攻角也随之跨越极宽范围,由此产生的强非线性气动力,使得轨迹规划与控制始终是尾座式无人机研究中的核心难题。


图1、图2|尾座式无人机飞行特写
现有高性能方法通常依赖针对特定机型建立的高保真气动模型。为了获得这些模型,往往需要开展风洞试验、CFD 仿真或专门的实飞辨识,不仅软硬件投入较高,而且一旦机翼、机体布局或气动特性发生变化,原有模型就可能需要重新辨识。
针对这一问题,微分智飞联合创始人、中山大学吕熙敏研究团队提出了一套 Aerodynamic Prior-Free 轨迹生成与跟踪控制框架:无需预先获得针对具体机型辨识的完整气动模型,即可完成从悬停、过渡飞行(Transition)到高速平飞的全包线轨迹规划与控制。该工作已被IEEE/ASME Transactions on Mechatronics (2026) 接收。
01
核心思路:
从“先把模型测准”到“先让飞机飞起来”
现有许多高性能尾座式无人机轨迹规划与控制方法依赖高保真气动建模:先通过实验辨识不同空速、攻角与侧滑角下的气动特性,再据此进行轨迹规划与控制器设计。该方法精度高,但控制器与具体机型深度绑定,气动参数辨识需额外实验设备与流程,新机型部署时重新建模成本较高。

图3|传统气动辨识方法:风洞试验

图4|传统气动辨识方法:CFD仿真
该工作重新审视“规划器与控制器是否必须依赖同一套高保真模型”这一问题:轨迹规划面向较长时间尺度,关注整条轨迹的动力学可行性;实时控制仅预测未来短时段,更关注当前工作点附近的局部精度。
因此,该工作提出分阶段气动建模策略——规划阶段采用具有明确物理结构、不依赖具体机型辨识的模型以保证轨迹可行性;控制阶段采用简洁的局部气动模型,并利用飞行传感器实时更新关键参数。该设计将“需提前准确获知整机气动特性”转化为“仅需在当前局部范围内准确估计主要气动效应”。

图5|所辨识的气动参数
轨迹规划:先保证“能飞”
在规划端,团队结合协调飞行特性与 ϕ-theory 气动模型,建立了从位置轨迹到飞行状态的解析映射。简单来说,从一条位置轨迹出发,就可以进一步得到飞机需要采用的姿态、推力和角速度等参考量,并检查轨迹是否满足速度、加速度等飞行约束。这样无需提前掌握一整套精确气动曲线,也能够生成覆盖悬停、过渡和高速平飞的动力学可行轨迹。
在线控制:边飞边修正
实机进行轨迹跟踪飞行时,简化模型与真实飞机仍然会存在差异。为此,团队设计了带在线气动参数估计的非线性模型预测控制器(NMPC),利用机载传感器持续估计对纵向运动影响最显著的气动参数,并用于下一段飞行状态的预测和控制。也即,控制器无需提前“记住”这架飞机所有状态下的气动特性,而是在飞行过程中不断修正对当前气动状态的认识。
因此,这里的 Aerodynamic Prior-Free 并不是“完全无模型”,而是保留必要的物理规律,同时摆脱对特定机型高保真气动辨识的前置依赖。

图6|系统框架
02
全包线验证:
适应不同气动模型;实机实验与快速 Transition
不同气动条件下都能飞
团队首先在 Gazebo/PX4 仿真环境中设置了三套差异明显的气动模型,并测试了 8–14 m/s 的全包线轨迹。即使不给控制器对应机型的高保真气动先验,本文方法在三种气动条件下都能稳定完成飞行;在最高 14 m/s 时,其位置 RMSE 与“已知准确气动模型”的高保真 MPC 相比,绝对差值仍低于 0.2 m。
真机峰值速度达到 13.3 m/s
随后,团队在真实尾座式无人机上进行了圆轨迹和伯努利双纽线轨迹测试,飞行过程完整覆盖前向 Transition、高速平飞和反向 Transition。在无需预先辨识机型气动模型、且没有空速传感器的情况下,飞行峰值速度达到 13.3 m/s;圆轨迹和双纽线轨迹的位置 RMSE 分别为 0.39 m 和 0.42 m,保持了稳定的全包线轨迹跟踪。

图7|圆轨迹跟踪
视频1|圆轨迹跟踪

图8|双纽线轨迹跟踪
视频2|双纽线轨迹跟踪
2秒完成快速Transition
在更激进的快速Transition实验中,无人机以 12 m/s 为目标平飞速度,最快仅用 2.0 s 完成前向Transition,并在 1.8 s 内完成反向Transition。
最激进测试中的高度最大误差分别为 0.54 m 和 0.25 m,均明显低于传统线性Transition方法的 1.15 m 和 1.00 m。实验结果表明,在降低气动先验依赖的同时,飞行器仍能保持快速过渡和较小的高度误差。
视频3|快速Transition对比
03
工作鲁棒性与意义:
先飞起来,再在飞行中不断适应
团队进一步在仿真中对纵向风与横风进行了大范围扫描,以验证系统面对未建模风扰时的鲁棒性。测试过程中,无人机持续跟踪最高速度 12 m/s 的全包线轨迹。
结果表明,该方法在较强风扰下仍具有较大的稳定跟踪范围:纯横风达到约 4 m/s 时,最大位置误差仍可保持在 1 m 以内;在无横风条件下,尾风接近 6 m/s 时仍处于 1 m 误差安全边界内。即使约 4 m/s 横风与 4 m/s 尾风同时存在,系统仍能够保持稳定的全包线轨迹跟踪。
风向对系统性能的影响具有明显的不对称性:逆风会将飞机推向气动变化更加敏感的低攻角区域,而横风会引入侧滑、削弱协调飞行条件,因此强逆风与横风叠加是当前框架最具挑战性的工况。换言之,虽然控制器并未显式建模风场,但其对一定范围的未建模风扰仍表现出了较强鲁棒性。

图9|风扰鲁棒性验证:
在约 4 m/s 横风下仍保持米级以内全包线轨迹跟踪
这项工作的目标并非取代高保真气动模型。对于极高速和强气动效应工况,准确模型依然能够提供更高的性能和安全裕度。
而该工作更重要的意义在于降低新机型的“首飞门槛”:一架新飞机可以先依靠较少的气动先验实现可靠的全包线飞行,并在此过程中积累高质量数据,再进一步建立更精确的模型和更高性能的控制器。
从“先完成气动辨识,再让飞机飞”,到“先让飞机可靠飞起来,再在飞行中不断适应”,这套框架为尾座式无人机提供了一种更易部署的全包线规划与控制思路。
论文与开源
![]()
论文:
Aerodynamic Prior-Free Coordinated Trajectory Generation and Tracking Control for a Tail-Sitter UAV
文章链接(点击左下角“阅读原文”):
https://arxiv.org/abs/2609.11698
开源代码:
https://github.com/SYSU-HILAB/AP-PnC
团队主页:
参考文献
[1] Lyu X, Gu H, Wang Y, et al. Design and implementation of a quadrotor tail-sitter VTOL UAV[C]//2017 IEEE international conference on robotics and automation (ICRA). IEEE, 2017: 3924-3930.
[2] Gu H, Lyu X, Li Z, et al. Coordinate descent optimization for winged-UAV design[J]. Journal of Intelligent & Robotic Systems, 2020, 97(1): 109-124.
[3] Lyu X, Gu H, Zhou J, et al. Simulation and flight experiments of a quadrotor tail-sitter vertical take-off and landing unmanned aerial vehicle with wide flight envelope[J]. International Journal of Micro Air Vehicles, 2018, 10(4): 303-317.
关于我们
微分智飞(杭州)科技有限公司,以让飞行机器人“连接千行百业,飞入千家万户”为使命,致力于打造全球领先的飞行具身大脑及通用群体智能系统。公司依托自主导航、具身决策、端到端控制及群体智能四大核心技术,突破环境限制,打造面向多样复杂场景的飞行机器人基座模型,驱动构建应用于家庭、工业、教育、城市与自然空间的“空天智能终端”。
非凸空间是微分智飞旗下教育子品牌,以通用飞行平台产品为核心,致力于为高校、科研院所及应用单位提供全方位科研教育解决方案,涵盖实验室建设、专业建设、赛事支持、课程培训、人才培养及基金课题合作等领域,助力飞行机器人科研与教学更专业、更高效。
END

更多前沿内容 请关注公众号