随着现代技术在空气动力学，复合材料，惯性导航系统的发展，以及先进的电子技术，机器人技术和计算机技术领域取得的成就，无人驾驶飞机系统有望提高到的一个新的水平。虽然无人机已经扩展到民用和商业，并且在各个领域都以崭露头角，但是不管在技术上还是在实用性上都存在一些不足。小型无人机已经在如下领域取得可喜可贺的成就：环境实时监测，空中侦察，专用通信网络，道路交通实时控制，国土远程监控，搜寻搜救等。　　微型无人机（MAV）的种类取决于固定机翼的尺寸，通常分为两种：第一种无人机（UAV）的机翼长1.5×3米，汽油发动机，需要专用的跑道;另一种无人机机翼长不超过1.5米，通常使用电动马达，不需要跑道。尽管无人机在机翼的尺寸上存在着差异，但是控制方法是通用的，控制对象也是类似的-MAV。在本文中，我们讨论的范畴仅限于固定翼无人驾驶飞机。　　研究工作主要分为五个部分：　　（1）这部分主要叙述了无人机操作系统存在的历史问题，分析了研究的目的和相应对的研究意义，提出的论文的整体结构，并讨论了仿真的设计方法。在章节的结尾，分析了系统的组成，系统的控制（自动驾驶的初步评价），并简要讨论了风向对飞机飞行的影响。　　（2）在第2章中，首先确定飞行器的坐标系和变换矩阵，以及为了接下来求解方程的基准点，在这样的模型中，选定欧拉角。然后，定义基本状态变量，基于牛顿定律的基础上推导运动学（位置和速度之间的关系）和动力学方程（力和力矩之间的关系，以及位移量），在Simulink创建模型。接下来考虑作用在飞行器上动力学方程，以及边界层分离（flow separation effect）效应，模型的结果是12个非线性耦合的一阶微分方程组。这样相应的模型已在Matlab和Simulink建立并分析。　　由于在飞机的飞行中，气流的扰动起着重要的作用。因此通过矢量三角形理论以及冯·卡门理论建立的湍流模型和基于德赖登理论的随机扰动的传递函数，并且从MIL-F-8785确定湍流模型参数。相应的模型在Matlab和Simulink研究。　　考虑到六个自由度的飞行器的模型是一组12个方程组成的方程非线性耦合系统，控制器的参数设计起来极为困难。因此，上述飞行器建立的模型（在纵向动力学和横向动力学）需要在平衡位置线性化。这样得到的平衡位置线性化的飞行器（trim flight）模型正是我们需要并研究的。　　接着，在平衡位置线性化的动力学模型基础上考虑侧滑运动的传递函数（滚动角，轨道角，侧滑角），和纵向运动（俯仰角，高度，空速）。通过奈奎斯特轨迹分析在开环和闭环系统下传递函数的鲁棒性。所有的传递函数的分析表明系统是稳定的或中性的因此，建立的飞行器模型（按照它的微分稳定性）是一种稳定的结构。　　本章最后在Matlab和Simulink环境设计的飞行模拟器，对航模的位置，以及飞机的基本参数的值进行实时跟踪。随后，飞行模拟器既可以扩展到研究系统（自动驾驶和系统的初步评估），也可以对系统进行高层次的分析。　　（3）由于无人机自动驾驶是所有飞行阶段完整的控制系统，其中，典型地自动驾驶系统被分成两个部分，底层系统-用于控制飞行器如高度，空速，航向角；上层的控制系统-来确定飞行路线和遵循的飞行路线。　　在第三章中，基于闭环反馈的控制系统底层控制系统设计。控制系统设计的想法是现在内环计算简单的闭环系统，然后计算外环即整体的（可能计算所有的比较复杂）控制系统。自动驾驶仪的设计适用于无人机上 MAV使用的传感器和计算设备。每个控制回路（除横滚和俯仰控制回路以外）设计为PI控制器。对于横滚和俯仰控制回路分别采用PID控制器和PD控制器。对于俯仰角选择PD控制器，是因为积分会对控制回路相应速度产生负面影响的。至于自动驾驶仪的计算被用来解耦动力系统传递函数（Decoupled TF）。控制系统被设计为横向和纵向运动。　　除了考虑控制系统结构的问题，还要考虑系统饱和问题以及对控制性能的影响。为了解决控制器饱和的问题，从信号积分器减去能使信号保持在饱和控制中的变量。此外，引入偏离控制面的最大偏移量。　　设定每个控制环所需动态响应，并在确定控制器增益的基础上获得典型传递函数。但由于这些公式包括选择用于设计所需要的增益参数，它提出了一种基于根的质量方法。这种方法不仅可以选择所需的动态收益，又保证了控制系统的稳定性。因为有些环路会对外部环路造成影响，所以在选择系统增益，需要考虑不同频率参数之间的干扰。　　同样地，对于调节飞行器速度和飞行高度，为了实现无人机的纵向运动（通过调节发动机和俯仰角），使用有限状态自动机获得最优的调节高度。　　无人机控制的研究最初需要测试每个回路的性质和性能。章节的结尾对不同的飞行任务进行了测试（没有气体扰动的影响）。为了测试自动驾驶在大气扰动的影响下，在一个控制机动的形式提供测试信号。这个信号是测试飞机的所有状态，并给出自动驾驶仪给的完整的评估。控制机动研究工作已经表明，自动驾驶仪能够很好的优化所需的参数。此外，比较了自动驾驶仪选定的增益系数和直观地选择的增益系数。系数的建议表明系统动态过渡可以减少误差。　　（4）在第4章，分别组成设计状态评估MAV系统和传感器模型。传感器建议使用加速度计（加速度传感器），陀螺（角速度传感器），压力传感器（测量空气速度和飞行高度），GPS传感器（确定飞机，其空气的速度和方位角的位置）。对于每个传感器是简要回顾的操作和简单地建立了数学模型并考虑到测量和传感器的噪声不确定性。此外，通过考虑高斯马尔科夫过程，讨论了位置误差因素对GPS传感器精度的影响。通过自动驾驶仪对仿真模型的开发，为每个传感器型号进行测试。　　早期开发的自动驾驶仪，例如侧倾角和俯仰的状态可以用于反馈。然而，MAV控制问题在于对于俯仰角和横滚角不能直接通过传感器测量。因此，在测量传感器的基础上对飞行器子系统参数估计是一个重要的任务。　　所以在这一章考察了两种参数评估方法，对于可以通过传感器采集的数据（高度，空速，角速度），使用低通滤波器（LPF）剔除噪声。对于不能直接测量（侧倾角和俯仰），或者使用较低的频率（GPS传感器）测量，或者使用离散连续扩展卡尔曼滤波（EKF）。系统环路评价体系如下。同样在参数中使用卡尔曼滤波器来对底层系统的动态评估，可能对控制器带来负的评价结果。每个回路的选择要使得误差协方差矩阵（RMSE）最小。首先是建立了横滚角和俯仰角的估计，第二，GPS传感器（评估北部和东部坐标，地面速度，偏航率，风的北部和东部，偏航角）的滤波，最后建立的飞行高度，飞行速度的回路。当选择低通滤波器的带宽是考虑到对系统的闭环稳定性的影响。本章所有的模拟自动驾驶仪研究都是并行操作，并且对系统状态评估另行制定，不影响彼此的工作。滤波器结果评价既包括没有大气扰动也包括存在大气扰动的。完整评估系统显示，工作的预期质量，大气干扰几乎没有对于飞机参数的质量评估没有太大的影响。　　（5）在工作的第五章调查了完整的系统，即系统中的数据全部传输到自动驾驶状态评估体系。系统整体的分析采用以下的方法。最初在没有大气扰动时，分析系统调整了控制回路中不稳定的自动驾驶仪的参数，改善回路动态特性。他们的速度明显放缓，及改善系统的动态特性，也使得对自动驾驶仪大气扰动不敏感。　　此外，建立参数模型和参数调节过程（高度，速度，航向角）。第三点确定控制特性（过渡进程和过冲量）。分别计算的稳定飞行模式（控制机动结束后）的控制系统的操作错误。状态估计系统应用第四章提出的方法。对于每一个估计的参数计算误差的协方差。所得到的值与自动驾驶仪的独立测试和状态评估系统获得的值进行比较。在本章的结尾中以相同的方式分析在不同强度的大气干扰对整个系统的影响。　　在气体扰动大的时候，需要分析气体扰动的分量。在一般情况下，整个系统的工作在大气扰动不是十分恶劣的情况下。因此，我们可以说，提出的控制系统和控制方法需要考虑设计控制系统的参数和随大气扰动的参数变化。因此，对于所有的问题进行了全面的研究，并将结果符合预期。