四旋翼是一种强耦合的非线性欠驱动系统，存在着模型参数摄动、外界扰动大等不确定因素，但其结构简单、具备垂直起降和定点悬停能力，因而得到了广泛的研究与关注。

串级PID、自抗扰控制、滑膜控制和反步法等控制方法，在四旋翼飞行控制上取得良好效果的同时也存在其局限性。基于串级PID的飞行控制器易于工程实现，能够很好应对姿态小角度变化的场景^[1-2]，对于系统中存在的状态耦合和内外扰动虽然可以通过增大控制器增益进行抑制，但是放大控制增益也会带来对噪声敏感、引起超调和抖动等问题。获得系统精确模型的条件下，基于反步法的飞行控制器能够取得良好控制效果^[3-5]，缺点是对于模型参数摄动和未知外部扰动等情况没有明确的补偿或抑制措施。滑膜控制能够消除内外扰动和参数变化带来的影响，具有很强的鲁棒性，但实际应用中存在抖振难以消除等现象^[6]。

不同方法相互融合是飞行控制的发展趋势，提高鲁棒性和自适应能力则是飞行控制的发展目标。在此背景下，自抗扰控制(active disturbance rejection control, ADRC)思想于20世纪90年代被提出，近年来理论基础逐步充实、应用逐年增多^[7-9]。应用ADRC实现四旋翼的飞行控制也得到广泛关注^[10-15]，取得成果的同时，存在2个主要缺点：1)大部分研究局限于实现四旋翼的姿态控制；2)对姿态运动进行小角度假设依然是控制器设计的基础，这些都限制了四旋翼自抗扰飞行控制器的应用。

本文首先分析自抗扰控制原理，总结其参数整定基本原则，针对X模式的四旋翼动力学模型，设计了基于自抗扰技术的双闭环四旋翼飞行控制器整体框架，研究了位置和姿态自抗扰控制器，通过引入虚拟控制量和应用扩张状态观测器实现无人机的解耦控制。采用仿真实验证明控制器的解耦能力、抗干扰性能及鲁棒性。

1 自抗扰控制基本原理

自抗扰控制的核心思想是将控制对象视为“积分串联”标准型系统，实际系统状态与标准型不一致的部分视为扰动，以扩张状态观测器(extend state observer, ESO)为工具实时估计，并对扰动进行动态补偿，从而在近似程度上将被控系统线性化为标准型系统^[6-8]。

非线性自抗扰控制(nonlinear ADRC, NLADRC)和线性自抗扰控制(linear ADRC, LADRC)是ADRC的两大分支，主要区别在于LADRC将NLADRC的非线性部分应用线性环节代替，使控制输出更为平滑的同时简化算法的理论分析和参数整定难度，当然也舍弃了非线性环节带来的良好特性。

ADRC由跟踪微分器(tracking differentiator, TD)、ESO和状态误差反馈率(state error feedback, SEF)这3部分组成。下面以二阶ADRC为例介绍这几个组成部分。

1) TD的二阶离散化表达式可以由式(1)描述。

$ \left\{ \begin{array}{l} {f_h} = {\rm{fhan}}\left( {{v_1}\left( k \right) - {v_0}\left( k \right),{v_2}\left( k \right),r,h} \right)\\ {v_1}\left( {k + 1} \right) = {v_1}\left( k \right) + T{v_2}\left( k \right)\\ {v_2}\left( {k + 1} \right) = {v_2}\left( k \right) + T{f_h} \end{array} \right. $

(1)

式中：v₁跟踪输入v₀，(v₂, f_h)分别是v₁的一二阶导数，T是离散系统采样周期，sign为符号函数，fhan由式(2)表述，该式中(r, h)为可调参数，(x₁, x₂)对应式(1)中的(v₁-v₀, v₂)。

$ \left\{ \begin{array}{l} d = rh,{d_0} = hd,y = {x_1} + h{x_2}\\ {a_0} = \sqrt {{d^2} + 8r\left| y \right|} \\ a = \left\{ {\begin{array}{*{20}{c}} {{x_2} + 0.5\left( {{a_0} - d} \right){\rm{sign}}\left( y \right)}&{\left| y \right| > {d_0}}\\ {{x_2} + y/h}&{\left| y \right| \le {d_0}} \end{array}} \right.\\ {\rm{fhan}} = \left\{ {\begin{array}{*{20}{c}} { - r \times {\rm{sign}}\left( a \right),}&{\left| a \right| > d}\\ {ra/d,}&{\left| a \right| \le d} \end{array}} \right. \end{array} \right. $

(2)

TD参数(r, h)分别是快速因子和滤波因子。h越大，TD的滤波效果越好，但是也会带来更大的相位延迟。r越大，TD跟踪输入信号的速度越快，并且跟踪值从初值0到达输入值v₀的时间T₀与r存在以下近似关系：

$ r \approx 4{v_0}/{T_0}^2 $

TD用于安排过渡过程时，由于期望信号中不包含噪声，参数h与系统采样时间T相同即可，而参数r的取值与系统响应时间相关。应用TD对实际信号进行跟踪与滤波时，h应该根据信号噪声取值，而r应该尽可能大，即T₀应尽可能小。

2) ESO是ADRC的核心部分，作用是根据系统输入输出实时估计系统状态及影响输出的“总扰动”，估计所得扰动称为扩张状态，该状态按一定比例与SEF的输出叠加得到自抗扰控制器的输出，使被控对象得以动态反馈线性化，成为近似“积分串联型”系统。

ESO由于包含扩张状态，阶数比ADRC高一阶，三阶ESO离散化表达式可由式(3)描述。

$ \left\{ \begin{array}{l} e = {z_1}\left( k \right) - y\left( k \right)\\ {z_1}\left( {k + 1} \right) = {z_1}\left( k \right) + T\left[ {{z_2}\left( k \right) - {\beta _{01}}e} \right]\\ {z_2}\left( {k + 1} \right) = {z_2}\left( k \right) + T\left[ {{z_3}\left( k \right) - {\beta _{02}}{\rm{fal}}\left( {e,{\alpha _1},\delta } \right) + bu\left( k \right)} \right]\\ {z_3}\left( {k + 1} \right) = {z_3}\left( k \right) - T{\beta _{03}}{\rm{fal}}\left( {e,{\alpha _2},\delta } \right) \end{array} \right. $

(3)

(z₁, z₂)分别跟踪被控系统输出y及其导数，z₃即扩张状态，u是控制器输出的控制量，(α₁, α₂, β₀₁, β₀₂, β₀₃, b)为可调参数，前6个参数的调节方法在下面具体叙述，参数b为SEF参数。式中fal有如下表达式：

$ {\rm{fal}}\left( {e,\alpha ,\delta } \right) = \left\{ {\begin{array}{*{20}{c}} {{\delta ^{1 - \alpha }}e,}&{\left| e \right| \le \delta }\\ {{\rm{sign}}\left( e \right){{\left| e \right|}^\alpha },}&{\left| e \right| > \delta } \end{array}} \right. $

(4)

值得一提的是，当α小于1时，该函数具有“大误差，小增益，小误差，大增益”的特点。

ESO待整定的6个参数中，(α₁, α₂)为fal函数非线性部分幂级数的幂次，一般取小于1，例如常取α₁=0.5, α₂=0.25, δ是fal线性部分的区间宽度，一般取δ=0.02，(β₀₁, β₀₂, β₀₃)可以理解为误差反馈增益，主要影响ESO收敛速度。

3) SEF根据状态误差，产生虚拟控制量u₀，用于控制近似“积分串联型”系统。SEF具有多种形式，可以根据实际需要选用。u₀与扰动估计量按式(5)组合得到ADRC的控制输出。

$ u = {u_0} - {z_3}/b $

(5)

式中参数b本质为控制对象模型的控制通道增益，由于实际系统中该增益测量不方便或不准确，这里也作为可调参数。ADRC常见应用结构如图 1所示。

2 自抗扰飞行控制器设计 2.1 控制器设计总体描述

本文以X模式四旋翼为被控对象，各电机旋转方向、机体坐标系O_bx_by_bz_b和大地坐标系O_Ex_Ey_Ez_E定义如图 2所示。根据牛顿欧拉运动定律，可得被控对象动力学模型如式(6)与式(7)，式(6)表述的是牛顿运动等式，式(7)为欧拉转动方程。为了公式的简洁，本文约定C_ϕ=cos ϕ, S_ϕ=sin ϕ, T_ϕ=tan ϕ，对应θ, ψ也作相同约定。

$ \left\{ \begin{array}{l} \ddot x = - \left( {{C_\varphi }{S_\theta }{C_\psi } + {S_\varphi }{S_\psi }} \right)\frac{{{U_1}}}{m}\\ \ddot y = - \left( {{C_\varphi }{S_\theta }{S_\psi } - {S_\varphi }{C_\psi }} \right)\frac{{{U_1}}}{m}\\ \ddot z = g - {C_\varphi }{C_\theta }\frac{{{U_1}}}{m} \end{array} \right. $

(6)

$ \left\{ \begin{array}{l} \dot p = qr\frac{{{I_y} - {I_z}}}{{{I_x}}} + \frac{{{U_2}}}{{{I_x}}}\\ \dot q = pr\frac{{{I_z} - {I_x}}}{{{I_y}}} + \frac{{{U_3}}}{{{I_y}}}\\ \dot r = pq\frac{{{I_x} - {I_y}}}{{{I_z}}} + \frac{{{U_4}}}{{{I_x}}} \end{array} \right. $

(7)

(x, y, z)是大地坐标系下四旋翼的位置，m为机身质量，U₁为4个旋翼提供的总推力，(I_x, I_y, I_z)和(U₂, U₃, U₄)分别为绕O_bx_by_bz_b的3个坐标轴的转动惯量和力矩。(p, q, r)为四旋翼在O_bx_by_bz_b下的角速度，(ϕ, θ, ψ)是四旋翼的姿态角，它们之间存在如下关系：

$ \left[ {\begin{array}{*{20}{c}} p\\ q\\ r \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} 1&0&{ - {S_\theta }}\\ 0&{{C_\varphi }}&{{S_\varphi }{C_\theta }}\\ 0&{ - {S_\varphi }}&{{C_\varphi }{C_\theta }} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\dot \varphi }\\ {\dot \theta }\\ {\dot \psi } \end{array}} \right] $

(8)

飞行控制器采用内外环控制策略，内环为姿态控制，外环为位置控制。位置ADRC输入量为实际位置(x, y, z)与期望位置(x_d, y_d, z_d)，输出量是期望姿态角(ϕ_d, θ_d)和期望总推力U₁。姿态ADRC根据期望姿态与实际姿态关系得到期望力矩(U₂, U₃, U₄)。

由X工作模式四旋翼无人机的特点，根据式(9)得到各电机期望转速(ω₁, ω₂, ω₃, ω₄)，式中k_F为旋翼升力系数，k_m为反扭矩系数。

$ \left[ {\begin{array}{*{20}{c}} {{\omega _1}^2}\\ {{\omega _2}^2}\\ {{\omega _3}^2}\\ {{\omega _4}^2} \end{array}} \right] = \frac{1}{4}\left[ {\begin{array}{*{20}{c}} {\frac{1}{{{k_F}}}}&{\frac{{ - 1}}{{{k_F}L}}}&{\frac{1}{{{k_F}L}}}&{\frac{1}{{{k_m}}}}\\ {\frac{1}{{{k_F}}}}&{\frac{1}{{{k_F}L}}}&{\frac{1}{{{k_F}L}}}&{\frac{{ - 1}}{{{k_m}}}}\\ {\frac{1}{{{k_F}}}}&{\frac{1}{{{k_F}L}}}&{\frac{{ - 1}}{{{k_F}L}}}&{\frac{1}{{{k_m}}}}\\ {\frac{1}{{{k_F}}}}&{\frac{{ - 1}}{{{k_F}L}}}&{\frac{{ - 1}}{{{k_F}L}}}&{\frac{{ - 1}}{{{k_m}}}} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{U_1}}\\ {{U_2}}\\ {{U_3}}\\ {{U_4}} \end{array}} \right] $

(9)

至此即完成包含位置与姿态双闭环的四旋翼飞行控制器设计，控制器整体框图如图 3所示，图中ψ_d为期望偏航角，一般可设置为0。

下面将详细阐述位置和姿态ADRC设计过程。

2.2 姿态ADRC设计

对姿态进行小角度假设的条件下，(p, q, r)约等于姿态角变化率，然而这种近似忽略了式(8)引起的系统耦合所带来的误差，不能应对作业环境要求无人机具备大机动能力的情况，也不能完全发挥ADRC控制器可以估计内外扰动从而实现解耦控制的优势。下面以分析式(8)为切入点，在不进行小角度假设的条件下，设计能够实现解耦控制并且能够应对姿态角变动幅度较大情况的姿态ADRC控制器。

首先对等式(8)两边同时求导得到式(10)，结合式(7)得到式(11)。由该式可知系统耦合包括控制耦合(u₁, u₂, u₃)与状态耦合(s₁, s₂, s₃)，状态耦合这里不作具体列写，控制耦合与期望力矩之间的关系如式(11)所述。

$ \begin{array}{*{20}{c}} {\left[ {\begin{array}{*{20}{c}} {\dot p}\\ {\dot q}\\ {\dot r} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} 1&0&{ - {S_\theta }}\\ 0&{{C_\varphi }}&{{S_\varphi }{C_\theta }}\\ 0&{ - {S_\varphi }}&{{C_\varphi }{C_\theta }} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\ddot \varphi }\\ {\ddot \theta }\\ {\ddot \psi } \end{array}} \right] + }\\ {\left[ {\begin{array}{*{20}{c}} 0&{ - {C_\theta }}&0\\ { - {S_\varphi }}&{ - {S_\theta }{S_\varphi }}&{{C_\varphi }{C_\theta }}\\ { - {C_\varphi }}&{ - {S_\varphi }{C_\theta }}&{ - {C_\varphi }{S_\theta }} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\dot \varphi \dot \theta }\\ {\dot \theta \dot \psi }\\ {\dot \varphi \dot \varphi } \end{array}} \right]} \end{array} $

(10)

$ \left\{ \begin{array}{l} \left[ {\begin{array}{*{20}{c}} {\ddot \varphi }\\ {\ddot \theta }\\ {\ddot \psi } \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{u_1}}\\ {{u_2}}\\ {{u_3}} \end{array}} \right] + \left[ {\begin{array}{*{20}{c}} {{s_1}}\\ {{s_2}}\\ {{s_3}} \end{array}} \right]\\ \left[ {\begin{array}{*{20}{c}} {{U_1}}\\ {{U_2}}\\ {{U_3}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{I_x}}&0&{ - {I_x}{S_\theta }}\\ 0&{{I_y}{C_\varphi }}&{{I_y}{S_\varphi }{C_\theta }}\\ 0&{ - {I_z}{S_\varphi }}&{{I_z}{C_\varphi }{C_\theta }} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{u_1}}\\ {{u_2}}\\ {{u_3}} \end{array}} \right] \end{array} \right. $

(11)

ESO可以估计内外扰动，状态耦合(s₁, s₂, s₃)属于内部扰动，因此可以应用ESO进行估计，若同时引入虚拟控制量实现控制解耦，则所设计控制器可以实现无人机姿态的解耦控制，能够应对姿态角变动幅度较大的情况。

本文将(u₁, u₂, u₃)视为3个独立变量，作为引入的虚拟控制量以实现控制解耦，同时应用ESO对由状态耦合(s₁, s₂, s₃)、建模不精确部分和外部扰动组成的“系统总扰动”进行跟踪，提高系统鲁棒性和实现状态解耦。

以姿态角θ的控制为例说明姿态ADRC设计过程，设z₁=θ, $ {z_2} = \dot \theta $，式(11)关于$ \ddot \theta $的方程重写如下：

$ \left\{ \begin{array}{l} {{\dot z}_1} = {z_2}\\ {{\dot z}_2} = {s_2} + {b_0}{u_2} + {w_\theta }\\ \theta = {z_1} \end{array} \right. $

(12)

式中w_θ为俯仰通道中直接或间接对输出θ产生影响的外部扰动，w_θ、s₂和不确定性作为系统总扰动应用ESO进行估计。可以看出该系统为二阶系统，应用二阶ADRC进行控制即可。

1) TD安排过渡过程，具体计算如式(2)所述，式中v₀即此处的期望值θ_d，TD的输出为(v₁, v₂)。

2) ESO表达式及部分参数如前文所述，其中，式(3)中的y替换这里的θ，u为u₂，输出量(z₁, z₂)跟踪(θ, $ \dot \theta $)，z₃估计总扰动s₂+w_θ。

3) 状态误差反馈率。由于电机以及旋翼系统的响应特性较好，选用“积分串联”型系统的最速控制函数，由式(13)表述，式中c为阻尼系数。

$ \left\{ \begin{array}{l} {e_1} = {v_1} - {z_1},{e_2} = {v_2} - {z_2}\\ {u_{02}} = - {\rm{fhan}}\left( {{e_1},c{e_2},r,h} \right)\\ {u_2} = {u_{02}} - {z_3}/b \end{array} \right. $

(13)

ϕ、ψ通道的控制器设计过程与上述类似，这里不再赘述。将3个通道的控制器组合得到姿态控制器如图 4所示，fvtm进行的是式(11)描述的由虚拟控制量得到实际控制输出的过程。

2.3 位置ADRC设计

位置控制器用于实现位置闭环跟踪控制，是轨迹跟踪的基础。为了实现位置各通道的解耦控制，这里引入与(U₁, ϕ_d, θ_d)存在式(14)所描述关系的虚拟控制量(u_x, u_y, u_z)。

$ \left\{ \begin{array}{l} {u_x} = - \left( {{C_\varphi }{S_\theta }{C_\psi } + {S_\varphi }{S_\psi }} \right)\frac{{{U_1}}}{m}\\ {u_y} = - \left( {{C_\varphi }{S_\theta }{S_\psi } - {S_\varphi }{C_\psi }} \right)\frac{{{U_1}}}{m}\\ {u_z} = g - {C_\varphi }{C_\theta }\frac{{{U_1}}}{m} \end{array} \right. \\ \left\{ \begin{array}{l} {F_x} = m{u_x},{F_y} = m{u_y},{F_z} = m{u_z} - mg\\ {U_1} = \sqrt {F_x^2 + F_y^2 + F_z^2} \\ {\varphi _d} = \arcsin \frac{{{F_y}{C_\psi } - {F_x}{S_\psi }}}{{{U_1}}}\\ {\theta _d} = - \arcsin \frac{{{F_x}{C_\psi } + {F_y}{S_\psi }}}{{{U_1}{C_{{\varphi _d}}}}} \end{array} \right. $

(14)

下面以x通道为例说明位置ADRC的设计过程，设z₁=x, ${z_2} = \dot x $，x通道等式改写如下：

$ \left\{ \begin{array}{l} {{\dot z}_1} = {z_2}\\ {{\dot z}_2} = {b_0}{u_x} + {w_x}\\ x = {z_1} \end{array} \right. $

式中：w_x为该通道总扰动；u_x为虚拟控制量；b₀为控制通道增益，此处为1。

1) 与姿态控制器类似，应用TD安排过渡过程，TD的输入v₀代表此处的x_d，输出(v₁, v₂)。

2) 应用ESO估计扰动，表达式如前文式(3)所述，将式中y替换这里的位置x，u替换为虚拟控制量u_x，输出量(z₁, z₂)跟踪(x, $ \dot x$)，z₃估计总扰动w_x。

3) 状态误差反馈率，考虑到位置控制器输出的控制量主要为姿态角，为了便于姿态控制器跟踪，选用式(15)描述的控制率使控制输出更为平滑，式中(k₁, k₂)与PD控制器参数的意义相同。

$ \left\{ \begin{array}{l} {e_1} = {v_1} - {z_1},{e_2} = {v_2} - {z_2}\\ {u_{0x}} = {k_1}{e_1} + {k_2}{e_2}\\ {u_x} = {u_{0x}} - {z_3}/b \end{array} \right. $

(15)

y、z通道的控制器与x通道类似。综上所述，位置控制总体框图如图 5所示，其中fvta进行的是式(13)描述的虚拟控制量转换为总推力和期望姿态角的计算过程。

3 仿真实验与结果分析

为了验证本文所设计飞行控制器的性能，在MATLAB/Simulink中按图 3搭建仿真系统，四旋翼模型参数如表 1。姿态ADRC的ESO参数(β₀₁, β₀₂, β₀₃)取(100, 300, 630)，SEF参数(r, h)取(3, 1)，TD参数h取系统采样周期0.001，其余参数如表 2所示。位置ADRC中TD参数h取0.001，ESO参数(β₀₁, β₀₂, β₀₃)取(100, 300, 1 000)，SEF参数(k₁, k₂)取(0.5, 6)，其余参数如表 3所示。

需要说明的是，飞行控制器用作姿态控制器的情况下，位置ADRC的x, y通道应该开环，ϕ_d与θ_d由外部给定，z通道期望值设定为所需高度即可。以下姿态ADRC仿真过程中z通道期望值设置为1 m。

1) 图 6是四旋翼姿态解耦控制响应曲线，图中θ_d代表俯仰通道的期望值，ϕ_d与ψ_d类似，可以看出姿态ADRC控制下的3个姿态角中任意一个姿态角发生变换不会对其他2个姿态产生影响，图 7为小角度假设情况下(即没有进行fvtm计算过程)的响应曲线，具体性能指标如表 4所示，其中未引入虚拟控制量情况下的参数仅在忽略后期输出发散的条件下有效，通过响应曲线以及指标的对比，不难看出解耦算法的有效性。

2) 姿态ADRC的抗干扰能力测试。仿真过程中加入沿x_b轴方向的干扰力矩以及ESO扩张状态z₃对扰动的跟踪响应如图 8所示，其中(0, 0.5)之间扰动估计明显与实际扰动不同的原因是：这段时间内，滚转角从初始状态转移到期望值，总扰动包括加入的外部扰动和动态过程的状态耦合，并且ESO的收敛也需要一定时间。总体来说，ESO可以很好地对扰动进行近似估计。

加入干扰力矩后，对应滚转通道ϕ的响应曲线如图 9所示。可以看出，滚转通道ADRC抗干扰能力明显优于串级PID控制器，这里对照所用串级PID控制器参考了网络资源以及文献[1-2]设计，所用参数经过多次寻优，具体参数如下：x和y通道的参数一致，外环比例参数k_p^o和内环PD参数k_pⁱ, k_Dⁱ分别取1.7、5、1；z通道外环比例参数k_p^o和内环PI参数k_Pⁱ, k_Iⁱ分别取2、11、0.5；ϕ、θ、ψ各通道参数一致，外环比例参数k_P^o和内环PID参数k_Pⁱ、k_Iⁱ、k_Dⁱ分别取3、0.15、0.08、0.002 1。

3) 图 10是位置ADRC控制下，存在外部扰动的四旋翼位置跟踪响应。扰动为沿z轴方向的外部力如图 11所示，该扰动一定程度模拟四旋翼飞行过程中飞行高度较低时受到地面反向气流干扰的情况，图 11为z通道ESO扩张状态z₃跟踪扰动的波形图。由这两幅图可以看出位置控制器可以很好地抑制扰动和各通道间的控制耦合，并且ESO能够有效跟踪扰动。

4) 图 12为机体质量增加15%与质量不变2种情况下的位置阶跃响应，性能指标如表 5所示，由于不存在超调，表中没有列写超调量。由图 12和表 5可以看出，这种幅度的质量变动对控制器性能几乎没有影响。当质量发生较大改变时例如增加30%，位置z的跟踪会出现静差，如图 13所示，虽然从局部放大图可以看出位置z在逐渐靠近期望位置，但趋势非常缓慢，通过适当增大k₁即可消除静差。

4 结论

1) 从仿真结果可以看出，自抗扰控制器虽然是一种单输入单输出控制器，但是能够很好地应对状态耦合、外部扰动和被控对象参数摄动等问题；

2) 通过对比是否引入虚拟控制量进行姿态控制解耦的仿真结果，可以看出，对于ADRC控制器，由于一定程度上考虑了系统模型，若与PID控制器一样对模型进行小角度假设，反而在系统稳定性上不如PID，这是因为ADRC设计过程已经假定对象模型的控制通道增益为常量，若没有引入虚拟控制量进行解耦，会导致ESO不能正确跟踪实际系统状态及外部扰动。

通过以上也能验证以下结论：设计控制算法时，若引入的虚拟控制量与实际控制量存在可逆关系，这种方法能够有效的将多输入多输出且存在耦合的系统转换为多个不存在耦合的单输入单输出系统。

3) 位置ADRC设计过程中，曾尝试应用位置加速度减去相应控制量在输出产生的影响得到扰动估计从而代替ESO对被控对象进行动态反馈线性化，但是效果并不理想。这进一步说明了ADRC应用ESO对控制对象动态反馈线性化的有效性。

综上所述，自抗扰控制器作为一种计算过程简单和具有广泛工程应用的控制算法，在取得良好仿真效果的基础上，下一步可以考虑在实际飞行控制器中编程实现，测试其性能。