陳崟松，吳 芬，吳 妍

（1.南京理工大學(xué)教育實(shí)驗(yàn)學(xué)院，江蘇南京 210094；2.南京理工大學(xué)自動(dòng)化院，江蘇南京 210094）

無(wú)人機(jī)（Unmanned Aerial Vehicles，UAV）是利用無(wú)線電遙控和自備的程序控制裝置操縱的不載人飛機(jī)[1]。目前無(wú)人機(jī)主要可分為固定翼無(wú)人機(jī)，旋翼無(wú)人機(jī)以及撲翼式無(wú)人機(jī)[2]。而旋翼無(wú)人機(jī)因其機(jī)動(dòng)性好，起落受限制少，能適應(yīng)多種復(fù)雜環(huán)境[3]，而被廣泛運(yùn)用于軍事偵察、目標(biāo)跟蹤、地形勘探、輸電線路維護(hù)[4]等領(lǐng)域，而四旋翼無(wú)人機(jī)則是其中最流行的一種。

無(wú)人機(jī)的導(dǎo)航通常采用慣性導(dǎo)航系統(tǒng)[5]（Inertial Navigation System，INS）和全球定位系統(tǒng)（Global Position System，GPS），但是導(dǎo)航過(guò)程中慣性器件具有積累誤差，對(duì)初始值過(guò)于敏感的缺點(diǎn)，而GPS又受環(huán)境約束，在室內(nèi)和復(fù)雜環(huán)境下會(huì)難以獲取信號(hào)，同時(shí)精度也往往滿足不了無(wú)人機(jī)的要求。

近年來(lái)，隨著計(jì)算機(jī)視覺(jué)的飛速發(fā)展，使運(yùn)用視頻圖像處理的方法實(shí)現(xiàn)無(wú)人機(jī)導(dǎo)航成為可能。首先，視覺(jué)傳感器具有價(jià)格便宜、采集信息豐富的優(yōu)點(diǎn)。同時(shí)，視覺(jué)傳感器可以與慣性導(dǎo)航和GPS結(jié)合，提升導(dǎo)航精度[6]。此外，相比于無(wú)線電與GPS，視覺(jué)導(dǎo)引抗干擾性能更好[7]。

在無(wú)人機(jī)視覺(jué)方面，世界很多研究機(jī)構(gòu)已經(jīng)做出很多嘗試?？突仿〈髮W(xué)的研究人員使用雙目視覺(jué)、模板匹配、特征跟蹤的方法實(shí)現(xiàn)四旋翼無(wú)人機(jī)目標(biāo)識(shí)別與跟蹤[8]。近年來(lái)國(guó)內(nèi)也出現(xiàn)了基于視覺(jué)的無(wú)人機(jī)飛行控制研究成果。王翔鵬[9]提出了在GPS失效情況下農(nóng)用無(wú)人機(jī)視覺(jué)導(dǎo)航算法，主要利用田間直線等信息進(jìn)行無(wú)人機(jī)被動(dòng)定位。

文中從硬件選擇，圖像處理，飛行控制3個(gè)方面介紹基于視覺(jué)的定點(diǎn)飛行控制技術(shù)。

1 硬件平臺(tái)搭建

基于視覺(jué)的四旋翼無(wú)人機(jī)定點(diǎn)飛行系統(tǒng)由無(wú)人機(jī)硬件平臺(tái)以及PC（Personal Compute，個(gè)人計(jì)算機(jī)）上位機(jī)兩部分組成，系統(tǒng)總體硬件組成及通信結(jié)構(gòu)如圖1所示。為了減小無(wú)人機(jī)負(fù)載，方便我們對(duì)算法執(zhí)行過(guò)程進(jìn)行監(jiān)測(cè)，我們將視頻圖像處理工作交給PC機(jī)處理，為此將攝像機(jī)獲得的視頻信息通過(guò)無(wú)線圖像傳輸設(shè)備發(fā)送給PC機(jī)，當(dāng)PC機(jī)完成視覺(jué)處理后將偏差信息通過(guò)無(wú)線數(shù)據(jù)傳輸設(shè)備發(fā)送給無(wú)人機(jī)，作為導(dǎo)航指令輸入飛行控制器。

圖1 系統(tǒng)結(jié)構(gòu)圖

1.1 無(wú)人機(jī)硬件平臺(tái)

我們選用了Pixhawk飛控板，Gopro Hero4運(yùn)動(dòng)攝像機(jī)，XL-MaxSonar-EZ4聲吶，XBEE pro無(wú)線數(shù)傳，大疆公司的5.8G圖傳以及無(wú)人機(jī)自穩(wěn)云臺(tái)等器件搭建無(wú)人機(jī)硬件平臺(tái)。理由如下：

1）Pixhawk飛控板配有MPU6000三軸加速度計(jì)/陀螺儀、LSM303D磁力計(jì)和MS5611氣壓計(jì)，性能優(yōu)越，同時(shí)具備進(jìn)行二次開(kāi)發(fā)便捷的優(yōu)點(diǎn)。

2）XL-MaxSonar-EZ4聲吶，其內(nèi)嵌了距離讀數(shù)實(shí)時(shí)噪聲抑制算法，即便在電氣噪聲源存在的環(huán)境下依然能夠正常工作，能準(zhǔn)確采集無(wú)人機(jī)實(shí)時(shí)高度。

3）無(wú)線圖傳與數(shù)傳用于無(wú)人機(jī)與PC之間的數(shù)據(jù)與圖像傳輸交互，我們選用的XBEE pro無(wú)線數(shù)傳與大疆公司的5.8G圖傳都具有實(shí)時(shí)穩(wěn)定且小巧堅(jiān)固的優(yōu)點(diǎn)。

4）自穩(wěn)云臺(tái)則用于使得攝像機(jī)的鏡頭始終豎直向下，隔離了視覺(jué)信息采集與四旋翼無(wú)人機(jī)姿態(tài)抖動(dòng)，方便之后的圖像處理。

5）Gopro Hero4攝像機(jī)可以在2.7 K和1 080 P的畫(huà)質(zhì)下連續(xù)拍攝1小時(shí)40分鐘左右，充分滿足了我們的需求。圖2為搭建完成的四旋翼無(wú)人機(jī)。

圖2 四旋翼無(wú)人機(jī)

1.2 PC上位機(jī)

PC機(jī)采用Intel Core i3-2310M處理器，工作頻率為2.1 GHz，內(nèi)存為4 G，安裝32位操作系統(tǒng)，使用Samsung SSD固態(tài)硬盤(pán)，處理器性能優(yōu)越，圖像處理速度快。

2 圖像處理

為了實(shí)現(xiàn)對(duì)地面標(biāo)識(shí)點(diǎn)的跟蹤，我們要對(duì)攝像機(jī)采集到的圖像進(jìn)行處理，主要分為3個(gè)步驟：1）圖像預(yù)處理；2）目標(biāo)跟蹤；3）上位機(jī)設(shè)計(jì)。

2.1 圖像預(yù)處理

在無(wú)人機(jī)飛行過(guò)程中由于機(jī)體的機(jī)械振動(dòng)和無(wú)線傳輸模塊導(dǎo)致的噪聲會(huì)對(duì)攝像頭采集的圖像造成干擾，因此對(duì)圖像進(jìn)行預(yù)處理是很重要的。本文中我們采取了中值濾波[10]的方法對(duì)原始圖像進(jìn)行處理，將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值，從而消除孤立噪聲點(diǎn)，同時(shí)又可以保持圖像的邊緣特性[11]。

2.2 目標(biāo)跟蹤算法

本文采用基于卡爾曼濾波的Camshift（Continuously Adaptively Mean Shift，連續(xù)自適應(yīng)均值偏移）算法[12]，即對(duì)于當(dāng)前一幀而言，已知當(dāng)前目標(biāo)物重心的位置，利用卡爾曼濾波預(yù)測(cè)下一幀目標(biāo)物的位置，并與Camshift算法解算出的位置進(jìn)行最優(yōu)估計(jì)，得到最優(yōu)的目標(biāo)位置實(shí)現(xiàn)最優(yōu)跟蹤。

2.2.1 Camshift算法組成

Camshift算法[13]可以分為3個(gè)部分：反向投影計(jì)算、Mean Shift算法和Camshift算法。算法流程圖如圖3所示，虛線框內(nèi)為Mean shift算法。

圖3 Camshift算法流程圖

2.2.2 反向投影

RGB顏色空間對(duì)亮度變化較為敏感，為了降低此變化對(duì)目標(biāo)跟蹤效果的影響，首先將圖像從RGB空間轉(zhuǎn)換到HSV空間（Hue，Saturation，Value色調(diào)，飽和度，亮度）。然后對(duì)其中的H分量進(jìn)行直方圖統(tǒng)計(jì)得到H分量的直方圖，再對(duì)圖像中每個(gè)像素的值用其顏色出現(xiàn)的概率對(duì)替換，就獲得了顏色概率分布圖，即反向投影圖。原圖像中每一個(gè)像素值反映的是在這一點(diǎn)的顏色信息，在反向投影后，圖像中每一個(gè)像素值轉(zhuǎn)換成了該顏色信息出現(xiàn)在此處的一種離散化概率度量，為之后的跟蹤提供了線索。

RGB顏色空間模型與HSV顏色空間模型轉(zhuǎn)化公式如下：

1）計(jì)算max=max（R，G，B），min=min（R，G，B）；

2）如果R=max；H=（G-B）/（max-min）；如果G=max；H=2+（B+R）/（max-min）；如果B=max，H=4+（R-G）/（max-min）；

3）將上一步中計(jì)算得到的H乘以60得到角度，若此時(shí)H小于0，則H=H+360；

4）V=max（R，G，B），S=（max-min）/max。

2.2.3 Mean Shift算法

Mean Shift算法（圖3中虛線框部分）在已知目標(biāo)圖像的反向投影和初始搜索窗口位置的情況下，用迭代法尋找跟蹤目標(biāo)的質(zhì)心，當(dāng)搜索窗口中心的移動(dòng)距離小于固定閾值或者循環(huán)達(dá)到某一個(gè)固定次數(shù)，停止迭代。

設(shè)I（x，y）為反向投影圖中（x，y）處的像素值，x與y的變化范圍即搜索窗的范圍。

零階距：

一階距：

搜索窗口質(zhì)心：

2.2.4 Camshift算法實(shí)現(xiàn)

Camshift算法的基本原理是在Mean Shift上實(shí)現(xiàn)了搜索窗口的自適應(yīng)，即在每次進(jìn)行搜索之前，根據(jù)當(dāng)前鎖定目標(biāo)的形狀與尺寸確定下一幀窗口的尺寸。

對(duì)于當(dāng)前圖像，若以橢圓形狀鎖定此時(shí)跟蹤的目標(biāo)，則計(jì)算鎖定窗口的二階距：

，經(jīng)過(guò)質(zhì)心且相互垂直的長(zhǎng)軸l與短軸w如下所示：

根據(jù)上式，在每次進(jìn)行搜索前都自適應(yīng)調(diào)整搜索窗口的窗口，從而解決由于目標(biāo)物發(fā)生外形變化而導(dǎo)致跟不上的情況。

2.2.5 卡爾曼濾波

卡爾曼濾波是一種以均方誤差最小作為估計(jì)時(shí)的準(zhǔn)則從而得到一套遞推估計(jì)的濾波方法。其基本思想是：建立信號(hào)與噪聲的狀態(tài)空間模型，通過(guò)前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測(cè)值實(shí)現(xiàn)對(duì)狀態(tài)變量的更新與估計(jì)，從而得到當(dāng)前時(shí)刻的估計(jì)值。對(duì)于滿足狀態(tài)和測(cè)量都是高斯噪聲且系統(tǒng)可描述為線性隨機(jī)微分方程（如式（8）所示），我們可以采取卡爾曼濾波，系統(tǒng)可表述如下：

狀態(tài)方程：

觀測(cè)方程：

其中，k∈N是時(shí)間指標(biāo)，Xk表示k時(shí)刻的狀態(tài)向量，Zk為k時(shí)刻系統(tǒng)狀態(tài)的觀測(cè)向量，Ak與Hk分別表示系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣與觀測(cè)矩陣，Uk-1為k-1時(shí)刻的外部控制量，在本文中取0。Wk與Vk表示k時(shí)刻的狀態(tài)與觀測(cè)噪聲，通?？醋髡龖B(tài)分布。矩陣Q表示狀態(tài)噪聲的協(xié)方差矩陣，R表示測(cè)量時(shí)噪聲的協(xié)方差矩陣，即Wk～N(0,Q)，Vk～N(0,R)。

卡爾曼濾波公式如下：

預(yù)測(cè)值和預(yù)測(cè)誤差的協(xié)方差矩陣分別為：

獲取新的觀測(cè)Zk后，最優(yōu)估算值、卡爾曼增益和更新的濾波誤差協(xié)方差矩陣分別為：

卡爾曼濾波公式可以利用正交定理推導(dǎo)，推導(dǎo)過(guò)程可參考文獻(xiàn)[14]。

2.2.6 基于卡爾曼濾波的Camshift算法

在目標(biāo)跟蹤過(guò)程中，由于相鄰兩幀圖像間隔時(shí)間較短，目標(biāo)運(yùn)動(dòng)狀態(tài)變化較小，可以假設(shè)目標(biāo)在兩幀時(shí)間間隔內(nèi)做勻速運(yùn)動(dòng)。定義目標(biāo)運(yùn)動(dòng)狀態(tài)向量Xk=(xk,yk,vxk,vyk)T，觀測(cè)狀態(tài)向量Zk=(xk,yk)。xk,yk表示目標(biāo)質(zhì)心在圖像中位置，vxk,vyk表示目標(biāo)運(yùn)動(dòng)的速度。故由2.2.2可知：

主要流程可以概括為：1）初始化。選擇0時(shí)刻的窗口大小位置作為Camshift算法的輸入，同時(shí)對(duì)0時(shí)刻窗口狀態(tài)向量X0進(jìn)行初始化。2）迭代。在時(shí)刻k，將上一時(shí)刻最優(yōu)估計(jì)k-1|k-1代入式（11）得到|k-1，將Camshift算法給出的目標(biāo)質(zhì)心位置作為觀測(cè)值Zk，把Zk代入式（13）對(duì)k|k-1進(jìn)行修正得到Xk的最優(yōu)估計(jì)|k，再將|k中的目標(biāo)質(zhì)心的位置分量作為下一時(shí)刻Camshift算法的輸入。

在跟蹤過(guò)程中，Camshift算法可依據(jù)目標(biāo)大小自主調(diào)節(jié)搜索窗口大小，在目標(biāo)突然跟蹤失敗無(wú)法繼續(xù)跟蹤的情況下，基于卡爾曼濾波的Camshift算法會(huì)產(chǎn)生一個(gè)可擴(kuò)大窗口進(jìn)一步進(jìn)行目標(biāo)跟蹤。此外，搜索窗口的位置精度也有所提高。

2.3 上位機(jī)設(shè)計(jì)

本文中上位機(jī)主要完成以下事件：1）對(duì)傳輸過(guò)來(lái)的圖像進(jìn)行處理，包括目標(biāo)跟蹤與求取位置偏差兩個(gè)部分，又由于本文中攝像頭的位置相對(duì)于無(wú)人機(jī)是固定不變的，我們可以利用圖像中目標(biāo)物位置與圖像中心的偏差來(lái)比擬實(shí)際無(wú)人機(jī)與目標(biāo)物的位置偏差；2）將位置偏差實(shí)時(shí)返回。

對(duì)事件1我們采用Visual Studio編寫(xiě)上位機(jī)人機(jī)交互界面同時(shí)加載Open CV的庫(kù)文件輔助圖像處理實(shí)現(xiàn)。對(duì)事件2我們采用串口通信，主要包括了串口通信的初始化設(shè)置（包括串口號(hào)的選擇，波特率的設(shè)定，數(shù)據(jù)位的選擇以及奇偶校驗(yàn)位的設(shè)置），串口通信的發(fā)送（由于在本文中，只需要上位機(jī)界面給下位機(jī)飛行控制板發(fā)送位置偏差，因此不需要設(shè)計(jì)串口接收的部分）。

通信時(shí)采用數(shù)據(jù)發(fā)送格式如表1所示。

表1 數(shù)據(jù)發(fā)送格式

上表中，0xFA與0xAF均為設(shè)計(jì)的校驗(yàn)位。在下位機(jī)飛控板端，通過(guò)不斷接收6個(gè)字符，判斷第一位與最后一位是否為設(shè)計(jì)的校驗(yàn)位，從而保證發(fā)送正確。最終設(shè)計(jì)的上位機(jī)界面如圖4所示。

圖4 上位機(jī)界面

3 飛行控制

3.1 控制系統(tǒng)建立與仿真模型搭建

PID算法是一種不依賴被控對(duì)象模型，只和系統(tǒng)輸入輸出數(shù)據(jù)有關(guān)的控制方法，又因?yàn)樗男頍o(wú)人機(jī)有4個(gè)控制輸入量與6個(gè)狀態(tài)輸出量，是一個(gè)欠驅(qū)動(dòng)系統(tǒng)，很難準(zhǔn)確建模，所以我們選用PID控制方法。

文獻(xiàn)[15]向我們展示了關(guān)于四旋翼無(wú)人機(jī)比較成熟的動(dòng)力學(xué)建模方法，本文基于該方法結(jié)合圖像處理返回的x與y方向的偏差利用simulink仿真工具搭建控制模型。又由于無(wú)人機(jī)在根據(jù)偏差進(jìn)行橫滾與俯仰校準(zhǔn)，將控制量輸送給電機(jī)時(shí)，會(huì)導(dǎo)致無(wú)人機(jī)高度上的變化。因此，在飛行過(guò)程中需要考慮保持無(wú)人機(jī)的飛行高度，而且飛行高度的穩(wěn)定也有利于攝像頭返回穩(wěn)定的圖像。最終得到控制框圖如圖5所示。

圖5 控制模型框圖

根據(jù)本文所搭建的無(wú)人機(jī)，結(jié)合相關(guān)文獻(xiàn)，得到相關(guān)變量的仿真參數(shù)如表2。

表2 simulink仿真參數(shù)表

3.2 PID參數(shù)整定與仿真結(jié)果

PID控制器參數(shù)整定，是指在控制器規(guī)律已經(jīng)確定為PID形式的情況下，通過(guò)調(diào)整控制器的參數(shù)，使得由控制對(duì)象、控制器等組成的控制回路的動(dòng)態(tài)特性滿足期望的指標(biāo)要求，達(dá)到理想的控制目標(biāo)。

圖6 X，Y，Z 方向跟蹤仿真圖（縱軸單位：m，橫軸單位：s）

文中在PID參數(shù)整定時(shí)參照了ZN臨界比度法[16]，即在閉環(huán)的情況下，將控制器的積分和微分作用先去掉，僅留下比例作用，然后在系統(tǒng)中加入一個(gè)擾動(dòng)，反復(fù)調(diào)試得出臨界增益Ku和臨界振蕩周期Tu，最后利用Ku和Tu通過(guò)經(jīng)驗(yàn)公式得到PID參數(shù)整定值。最終位置PID參數(shù)：kpx=kpy=0.8，kdx=kdy=1.3，kix=10-4，kiy=3×10-4，高度PID參數(shù)：kpz=1.2，kdz=2，kiz=10-6。進(jìn)行仿真實(shí)驗(yàn)得到如圖5所示的位置輸出與高度輸出曲線圖。

圖6給出了系統(tǒng)仿真模型對(duì)設(shè)定點(diǎn)（3，4，5）（單位：m）的跟蹤性能。通過(guò)不停的反饋位置偏差調(diào)整無(wú)人機(jī)的姿態(tài)，最終無(wú)人機(jī)穩(wěn)定在（3，4，5）這個(gè)點(diǎn)。根據(jù)上述仿真給出的結(jié)果圖，可以判斷出這種控制算法是可行的。

3.3 定點(diǎn)實(shí)驗(yàn)

為了測(cè)試定點(diǎn)裝置的實(shí)際應(yīng)用效果，通過(guò)一定量的實(shí)驗(yàn)測(cè)試其性能具體測(cè)試內(nèi)容如下：當(dāng)無(wú)人機(jī)定點(diǎn)裝置，處于目標(biāo)點(diǎn)位置飛行較為穩(wěn)定時(shí)，通過(guò)將遙控器撥到手動(dòng)通道，人為的將無(wú)人機(jī)拉到遠(yuǎn)離目標(biāo)點(diǎn)的位置，再將遙控器迅速撥回自動(dòng)通道，觀察無(wú)人機(jī)定點(diǎn)裝置的運(yùn)動(dòng)，并利用Vicon室內(nèi)目標(biāo)定位系統(tǒng)記錄下無(wú)人機(jī)XY通道的運(yùn)動(dòng)數(shù)據(jù)，如圖7所示。

通過(guò)實(shí)驗(yàn)數(shù)據(jù)可以看到，在開(kāi)始位置將無(wú)人機(jī)拉到距離目標(biāo)為（210，-200）位置處，通過(guò)控制律的調(diào)節(jié)，在誤差允許的范圍內(nèi)，可以視為將無(wú)人機(jī)拉回原點(diǎn)，即目標(biāo)位置，經(jīng)測(cè)試能較好的實(shí)現(xiàn)定點(diǎn)功能。

圖7 XY通道跟蹤誤差曲線（縱軸單位：cm，橫軸單位：ms）

4 結(jié)束語(yǔ)

本文通過(guò)在simulink平臺(tái)上搭建四旋翼無(wú)人機(jī)模型，和實(shí)際中搭建無(wú)人機(jī)硬件平臺(tái)和地面站，分別從仿真與實(shí)驗(yàn)的角度證明了基于視覺(jué)的無(wú)人機(jī)在定點(diǎn)飛行時(shí)的優(yōu)良性能。

參考文獻(xiàn)：

[1]李雷，陳桂琴，田園.無(wú)人機(jī)的發(fā)展歷程與展望[J].科技論壇，2011（32）：6.

[2]吳瑤瑤，白云飛，曹科才.撲翼飛行器硬件平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[J].信息化研究，2016，42（3）：38-42.

[3]吳顯亮，石宗英，鐘宜生.無(wú)人機(jī)視覺(jué)導(dǎo)航研究綜述[J].系統(tǒng)仿真學(xué)報(bào)，2010，22（1）：62-65.

[4]郭佳琪，吳杰，蔣一琦.高壓線巡線飛行器的研究與設(shè)計(jì)[J].南京工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2012，10（1）：39-42.

[5]徐東升.慣性導(dǎo)航中加速度計(jì)和陀螺儀性能研究[J].佳木斯大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，30（3）：334-337.

[6]劉暢，楊良軍，劉峰.一種基于慣性/視覺(jué)信息融合的無(wú)人機(jī)自主著陸導(dǎo)航算法[J].導(dǎo)航定位與授時(shí)，2016，3（6）：7-11.

[7]盛哲.基于視覺(jué)導(dǎo)航的無(wú)人機(jī)位姿控制與自動(dòng)返航技術(shù)[D].上海：上海交通大學(xué)，2015.

[8]Zhang X，Xian B.Autonomous flight control of a nano quadrotor helicopter in a GPS-Denied envi?ronment using on-Board vision[J].IEEE Transac?tions on Industrial Electronics，2015：1-11.

[9]王翔鵬.GPS失效情況下農(nóng)用無(wú)人機(jī)視覺(jué)導(dǎo)航關(guān)鍵算法研究[D].青島：青島科技大學(xué)，2014.

[10]劉國(guó)宏，郭文明.改進(jìn)的中值濾波去噪算法應(yīng)用分析[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（10）：187-189.

[11]趙高長(zhǎng)，張磊，武風(fēng)波.改進(jìn)的中值濾波算法在圖像去噪中的應(yīng)用[J].應(yīng)用光學(xué)，2011，32（4）：678-682.

[12]黃忠主.面向監(jiān)視視頻的運(yùn)動(dòng)軌跡提取方法研究[D].長(zhǎng)沙：國(guó)防科技大，2011.

[13]閆鈞華，陳少華，艾淑芳.基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤[J].中國(guó)慣性技術(shù)學(xué)報(bào)，2014，22（4）：536-542.

[14]韓崇昭，朱洪艷，段戰(zhàn)勝.多源信息融合[M].北京：清華大學(xué)出版社，2006.

[15]李俊，李運(yùn)堂.四旋翼飛行器的動(dòng)力學(xué)建模及PID控制[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，31（1）：114-117.

[16]付瑞玲，樂(lè)麗琴.基于MATLAB/Simulink的PID參數(shù)整定[J].工業(yè)控制計(jì)算機(jī)，2013，26（8）：75-76.