四旋翼无人机设计与制作
图 3.9 朗宇无刷电机 图 3.10 电子调速器实物图
3.4.3 机架和螺旋桨的选型
对于机架的选择，差的机架会使姿态传感器读取到的数据噪声较大，加大四旋翼飞行器在飞行过程中的不稳定性，因此选用结构稳定，质量较轻的碳纤机架，这样很大程度上也提高了飞行器的载重。机架实物图如图3.11所示。
螺旋桨是由电机转动带动为四旋翼飞行器提供升力的。螺旋桨分为正反桨，顺时针方向转的电机需要配正桨，逆时针转的电机需要配反桨。桨的选型需要结合所选的电机来配备，从桨的型号我们可以读出桨的直径和角度，例如1047中的前两位10表示桨的直径单位是英寸，后两位代表桨的角度。的螺旋桨，同样转速情况下产生的升力就会越大，也就需要更大的电机驱动，这就需要根据电机的大小去选择桨的型号。在设计时选用1047的桨，桨的实物图如图3.12所示。
–12–
四旋翼无人机设计与制作
图 3.11 四旋翼飞行器机架 图 3.12 1047正反桨
3.4.4 遥控控制模块
该遥控器控制模块是由一个7通道的遥控器和配套的接收机组成的，接收机上的油门、副翼、升降舵、方向舵通道分别与控制器上的接口相连。控制器能通过定时器的捕获功能，捕获到遥控器通过接收机传出的控制信号，遥控器就是这样控制四旋翼飞行器的飞行动作的。遥控器和接收机的实物图如图3.13所示。
图 3.13遥控器和接收机实物图
–13–
四旋翼无人机设计与制作
–14–
四旋翼无人机设计与制作
4 四旋翼飞行器姿态参考系统设计
4.1 姿态参考系统原理
姿态参考系统是利用惯性导航器件来测量载体姿态角的一种惯性导航系统。因为MEMS传感器的数据带有噪声，因此姿态参考系统需要对MEMS传感器的测量信息进行滤波处理。然后对滤波信号进行姿态解算。由于姿态传感器各自特点的不同，所以需要对每个传感器信号进行滤波然后进行数据融合，以此来提高测量的精度和系统的动态特性。姿态参考系统的原理图，如图4.1所示。
三轴加速度计低通滤波/均值滤波四元数/欧拉角姿态解算三轴陀螺仪卡尔曼滤波/均值滤波互补滤波 俯仰角 横滚角 航向角三轴电子罗盘去极值滤波航向解算 图 4.1 姿态参考系统原理图
从MEMS传感器采集到的数据传输到控制器处理的过程中会受到很多因素的干扰，造成传输误差，为了减小误差，提高检测的精度就需要用滤波器进行数据处理。滤波器可以通过硬件实现，也可以通过软件实现，具有较大的灵活性[16]。
从加速度传感器提取到的信号经过姿态解算后的姿态角信号在和陀螺仪数据进行融合的过程中以低频信号为主的。根据这一特性，加速度传感器的输出信号可以通过低通滤波器或者均值滤波器提高信噪比。
陀螺仪信号具有高动态的特点，它的信号噪声主要为高斯白噪音，我们可以通过卡尔曼滤波器来滤除这种高斯白噪声。因为需要融合加速度传感器获得的姿态角信号，所以选择均值滤波来去除噪声。
电子罗盘传感器测量的是地磁强度，我们都知道物体在运动时地磁强度变化慢，它在姿态测量系统中属于低频信号，因此采用均值滤波来滤除噪声信号。
–15–
四旋翼无人机设计与制作
欧拉角和四元数方法都是针对陀螺仪姿态测量进行处理的数学方法，可以有效地解算处姿态角。把解算出来的姿态角进行数据融合。考虑到高动态下陀螺仪测得的数据解算出的姿态角比较准确因此在高动态条件下选用陀螺仪信号，低动态下加速度信号解算出的姿态角更稳定因此在低动态条件下选择加速度信号。
4.2 传感器信号处理
4.2.1 加速度传感器信号处理
加速度传感器的输出信号主要表示直线加速度大小和与重力方向的夹角[17]。 常用的数字滤波器有很多种，例如：限值滤波、递推平均滤波法（又称滑动平均滤波法）、算术平均滤波法、中位值滤波法和中位值平均滤波法等[18]。
在实际的姿态解算中一般采用低通滤波器或者均值滤波器去除高频噪声干扰信号。均值滤波因其具备低通滤波的特性并且计算简单，因此选用均值滤波来处理加速度信号。
4.2.2 陀螺仪信号处理
陀螺仪信号滤波要选择卡尔曼滤波算法。对于卡尔曼滤波器，首先要清楚系统状态的描述方法，系统状态的更新方法和系统测量值的更新方法，从卡尔曼滤波算法的数学公式，我们可以归纳出它的核心思想：首先根据系统上一次得来的最优值计算出当前的估计值和协方差，再根据协方差大小计算出卡尔曼增益的大小，最后根据当前估计值和测量值计算出当前最优值和协方差。下面分步建立卡尔曼滤波方程式： 预估计最优值方程：
X(k|k-1) = A(k,k-1) * X(k-1|k-1) + B(k) * U(k) (4-1) 上式中，X(k|k-1)表示的是根据k-1时刻的最优值计算出的k时刻估计值；X(k|k-1)表示k-1时刻的最优值；A(k,k-1)是状态转移矩阵；B(k)是输入控制加权矩阵；U(k)表示k时刻的输入控制信号，这些参数需要根据具体的应用场合进行设计。 预估计最优值协方差：
P(k|k-1) = A(k,k-1) * P(k-1|k-1) * A(k,k-1) + Q(k) (4-2) 其中，P(k|k-1)表示预估计最优值X(k|k-1)对应的协方差；P(k-1|k-1)表示X(k-1|k-1)对应的协方差，表示了对预测值的信任度；Q(k)表示k时刻系统过程的协方差，即对上一次测量估计值的信任程度，Q矩阵值越大表示信任度越低，需要根据具体应用进行设计。P和Q矩阵的区别在于Q矩阵是根据模型直接得到的，P矩阵是算法过程中通过计算获得的。
计算卡尔曼增益矩阵：
–16–