主要目的是开发一个用于无人机动力学仿真的简单易用、功能相对齐全的仿真环境（也许是水论文环境）。这个仿真是基于python编写的，GPL开源。git的地址在：
https://github.com/linxiaobo110/QuadrotorFly
python3 + 你喜欢的编辑器
新手推荐anconda+spyder简单粗暴，入门建议anaconda+jupyter快捷稳定逼格高，想长期学习的建议anaconda+pycharm门槛高功能强大到难以想象。
这些程序在pycharm、spyder下运行通过。jupyter的测试程序是工程目录下的TestInJupyter.ipynb，模型可以运行不过gui动画不会动，暂时还没有修复。使用过程中有什么建议或者问题可以联系我729527658@qq.com.
下载解压（建议使用git克隆）后运行其中的 QuadrotorFlyTest.py文件。
git克隆指令
git clone https://github.com/linxiaobo110/QuadrotorFly.git
成功运行可以看到以下效果：
运行结束后在画面单击可以看整个过程的飞行曲线
不画图和记录数据，就是了解整个调用流程。可以在当前目录里新疆一个Test_simple.py（这个代码在Test文件夹里有），然后放入以下代码:
# 包含头文件
import numpy as np
import QuadrotorFlyModel as Qfm
# 定义无人机参数
uavPara = Qfm.QuadParas()
# 定义仿真的参数
simPara = Qfm.QuadSimOpt()
# 使用参数新建一个无人机
quad1 = Qfm.QuadModel(uavPara, simPara)
# 仿真循环开始，总共1000步
print("Simplest simulation begin!")
for i in range(1000):
# 设定目标，分别是x,y,z的位置，和偏航角的角度
ref = np.array([0., 0., 1., 0.])
# 获取无人机的状态，
# 共12个维度分别是，xyz位置，xyz速度，roll pitch yaw姿态角，roll pitch yaw 角速度
stateTemp = quad1.observe()
# 通过无人机状态计算控制量，这也是自行设计控制器应修改的地方
# 这是一个内置的控制器，返回值是给各个电机的控制量即油门的大小
action2, oil = quad1.get_controller_pid(stateTemp, ref)
# 使用控制量更新无人机，控制量是4维向量，范围0-1
quad1.step(action2)
print("Simulation finish!")
遇到“No module name ‘QuadrotorFlyGui’ ”或者 “No module name ‘QuadrotorFlyModel’”，见工程环境设置错误。
在工程下新建Test_full.py(这个代码在Test文件夹里有)，然后复制以下代码：
# 包含文件
import numpy as np
import QuadrotorFlyModel as Qfm
import QuadrotorFlyGui as Qfg
import MemoryStore
import matplotlib.pyplot as plt
# 角度到弧度的转换
D2R = Qfm.D2R
# 仿真参数设置
simPara = Qfm.QuadSimOpt(
# 初值重置方式（随机或者固定）；姿态初值参数（随机就是上限，固定就是设定值）；位置初值参数（同上）
init_mode=Qfm.SimInitType.rand, init_att=np.array([5., 5., 5.]), init_pos=np.array([1., 1., 1.]),
# 仿真运行的最大位置，最大速度，最大姿态角（角度，不是弧度注意），最大角速度（角度每秒）
max_position=8, max_velocity=8, max_attitude=180, max_angular=200,
# 系统噪声，分别在位置环和速度环
sysnoise_bound_pos=0, sysnoise_bound_att=0,
#执行器模式，简单模式没有电机动力学，
actuator_mode=Qfm.ActuatorMode.dynamic
)
# 无人机参数设置，可以为不同的无人机设置不同的参数
uavPara = Qfm.QuadParas(
# 重力加速度；采样时间；机型plus或者x
g=9.8, tim_sample=0.01, structure_type=Qfm.StructureType.quad_plus,
# 无人机臂长（米）；质量（千克）；飞机绕三个轴的转动惯量（千克·平方米）
uav_l=0.45, uav_m=1.5, uav_ixx=1.75e-2, uav_iyy=1.75e-2, uav_izz=3.18e-2,
# 螺旋桨推力系数（牛每平方（弧度每秒）），螺旋桨扭力系数（牛·米每平方（弧度每秒）），旋翼转动惯量，
rotor_ct=1.11e-5, rotor_cm=1.49e-7, rotor_i=9.9e-5,
# 电机转速比例参数（度每秒），电机转速偏置参数（度每秒），电机相应时间（秒）
rotor_cr=646, rotor_wb=166, rotor_t=1.36e-2
)
# 使用参数新建无人机
quad1 = Qfm.QuadModel(uavPara, simPara)
# 初始化GUI，并添加无人机
gui = Qfg.QuadrotorFlyGui([quad1])
# 初始化记录器，用于记录飞行数据
record = MemoryStore.DataRecord()
# 重置系统
# 当需要跑多次重复实验时注意重置系统，
quad1.reset_states()
record.clear()
# 仿真过程
print("Simplest simulation begin!")
for i in range(1000):
# 模型更新
# 设置目标
ref = np.array([0., 0., 1., 0.])
# 获取无人机的状态，共12维的向量
# 分别是，xyz位置，xyz速度，roll pitch yaw姿态角，roll pitch yaw 角速度
stateTemp = quad1.observe()
# 通过无人机状态计算控制量，这也是自行设计控制器应修改的地方
# 这是一个内置的控制器，返回值是给各个电机的控制量即油门的大小
action2, oil = quad1.get_controller_pid(stateTemp, ref)
# 使用控制量更新无人机，控制量是4维向量，范围0-1
quad1.step(action2)
# 记录数据
record.buffer_append((stateTemp, action2))
# 渲染GUI
gui.render()
# 输出结果
## 获取记录中的状态
bs = np.array([_[0] for _ in record.buffer])
## 获取记录中的控制量
ba = np.array([_[1] for _ in record.buffer])
## 生成时间序列
t = range(0, record.count)
## 画图
fig1 = plt.figure(2)
plt.clf()
## 姿态图
plt.subplot(3, 1, 1)
plt.plot(t, bs[t, 6] / D2R, label='roll')
plt.plot(t, bs[t, 7] / D2R, label='pitch')
plt.plot(t, bs[t, 8] / D2R, label='yaw')
plt.ylabel('Attitude $(\circ)$', fontsize=15)
plt.legend(fontsize=15, bbox_to_anchor=(1, 1.05))
## 位置图(xy)
plt.subplot(3, 1, 2)
plt.plot(t, bs[t, 0], label='x')
plt.plot(t, bs[t, 1], label='y')
plt.ylabel('Position (m)', fontsize=15)
plt.legend(fontsize=15, bbox_to_anchor=(1, 1.05))
## 高度图
plt.subplot(3, 1, 3)
plt.plot(t, bs[t, 2], label='z')
plt.ylabel('Altitude (m)', fontsize=15)
plt.legend(fontsize=15, bbox_to_anchor=(1, 1.05))
print("Simulation finish!")
在spyder下的运行效果：
如果遇到spyder运行时，图片在终端里显示（就是没有弹出新窗口），见Spyder图形渲染设置。
+ 型四旋翼无人机
X 型四旋翼无人机
p
¨
x
=
[
cos
φ
sin
θ
cos
ψ
+
sin
φ
sin
ψ
]
τ
0
m
+
d
1
p
¨
y
=
[
cos
φ
sin
θ
sin
ψ
−
sin
φ
cos
ψ
]
τ
0
m
+
d
2
p
¨
z
=
cos
θ
c
o
s
φ
τ
0
m
−
g
+
d
3
φ
¨
=
φ
˙
ψ
˙
(
J
z
z
−
J
x
x
J
y
y
)
+
J
R
J
y
y
φ
˙
Ω
R
+
L
J
y
y
τ
1
+
d
4
θ
¨
=
θ
˙
ψ
˙
(
J
y
y
−
J
z
z
J
x
x
)
−
J
R
J
x
x
θ
˙
Ω
R
+
L
J
x
x
τ
2
+
d
5
ψ
¨
=
θ
˙
φ
˙
(
J
x
x
−
J
y
y
J
z
z
)
+
1
J
z
z
τ
3
+
d
6
,
\begin{aligned} \ddot{p}_x&=[\cos{\varphi}\sin{\theta}\cos{\psi}+\sin{\varphi}\sin{\psi}]\frac{\tau_0}{m} + d_1\\ \ddot{p}_y&=[\cos{\varphi}\sin{\theta}\sin{\psi}-\sin{\varphi}\cos{\psi}]\frac{\tau_0}{m} + d_2\\ \ddot{p}_z&=\cos{\theta}cos{\varphi}\frac{\tau_0}{m}-g + d_3\\ \ddot{\varphi}&=\dot{\varphi}\dot{\psi}(\frac{J_{zz}-J_{xx}}{J_{yy}}) + \frac{J_R}{J_{yy}}\dot{\varphi}\Omega_R + \frac{L}{J_{yy}}\tau_1 + d_4\\ \ddot{\theta}&=\dot{\theta}\dot{\psi} (\frac{J_{yy}-J_{zz}}{J_{xx}}) - \frac{J_R}{J_{xx}}\dot{\theta}\Omega_R +\frac{L}{J_{xx}}\tau_2 + d_5\\ \ddot{\psi}&=\dot{\theta}\dot{\varphi}(\frac{J_{xx}-J_{yy}}{J_{zz}}) + \frac{1}{J_{zz}}\tau_3 + d_6, \end{aligned}
p¨xp¨yp¨zφ¨θ¨ψ¨=[cosφsinθcosψ+sinφsinψ]mτ0+d1=[cosφsinθsinψ−sinφcosψ]mτ0+d2=cosθcosφmτ0−g+d3=φ˙ψ˙(JyyJzz−Jxx)+JyyJRφ˙ΩR+JyyLτ1+d4=θ˙ψ˙(JxxJyy−Jzz)−JxxJRθ˙ΩR+JxxLτ2+d5=θ˙φ˙(JzzJxx−Jyy)+Jzz1τ3+d6,
其中
p
x
,
p
y
,
p
z
p_x,p_y,p_z
px,py,pz 位置，
φ
,
θ
,
ψ
\varphi,\theta,\psi
φ,θ,ψ是姿态，
τ
0
，
1
,
2
,
3
\tau_{0，1,2,3}
τ0，1,2,3分别是总体推力，绕x轴、y轴，z轴的扭力。
ω
˙
=
1
T
(
−
ω
+
C
R
u
+
w
b
)
T
=
C
T
ω
2
M
=
C
M
ω
2
\begin{aligned} \dot{\omega} &=\frac{1}{T}(-\omega+C_Ru+w_b)\\ T &= C_T\omega^2\\ M &= C_M \omega^2 \end{aligned}
ω˙TM=T1(−ω+CRu+wb)=CTω2=CMω2
其中
ω
\omega
ω是电机的转速；
u
u
u是输入给电机的控制信号；
T
,
M
T,M
T,M分别是电机产生的推力和扭力。
以十型举例
τ
0
=
T
0
+
T
1
+
T
2
+
T
3
τ
1
=
T
1
−
T
0
τ
2
=
T
3
−
T
2
τ
3
=
−
M
1
−
M
2
+
M
3
+
M
4
\begin{aligned} \tau_0 &= T_0 + T_1 + T_2 + T_3\\ \tau_1 &= T_1 - T_0\\ \tau_2 &= T_3 - T_2\\ \tau_3 &= -M_1 - M_2 + M_3 + M_4 \end{aligned}
τ0τ1τ2τ3=T0+T1+T2+T3=T1−T0=T3−T2=−M1−M2+M3+M4
如果上级目录，修改import语句成
# 其他类似
import QuadrotorFly.QuadrotorFlyGui
如果是在Test里，或者不确定在哪里，直接修改程序运行目录
选择QuadrotorFly目录
选择tool->preferences
设置合适的渲染工具，不是inline
