近年来，伴随飞控技术、通信技术和电子信息技术的快速发展，无人飞行器的种类不断增加，性能不断增强，其体型小、成本低、适用领域广等优势逐渐凸显，在军民领域的应用需求不断增加。在各类无人飞行器中，飞控系统是其核心组成部分。市面上现有飞行器在体积重量、机架结构、动力配置等方面不尽相同，现有飞控系统大多只能控制单一类型载具，对不同型号飞行器不具有通用性，并且难以适应外界环境的复杂干扰，在可靠性和稳定性方面有待进一步提高。 飞行器控制算法方面，现有的飞行控制方法，经典的PID控制算法仍然处于主导位置，该方法也是目前工业自动化控制中应用最广泛的控制方法之一，具有结构简单，易于实现等优点。除此以外，自抗扰控制器ADRC在PID控制算法的基础上引入扩张状态观测器(ESO)、跟踪微分器(TD)和非线性反馈控制律(NLSEF)，把系统的未建模动态和未知外扰归结为系统的“总扰动”进行估测和补偿，平滑控制过程，加速系统收敛，相比PID控制器具有更好的抗扰能力和更快的收敛速度。但PID控制和ADRC控制都存在高度依赖参数的问题，控制器参数取决于无人机自身的体积重量、机架结构、动力配置等特征，同时受外界环境影响。除此以外，PID控制和ADRC控制本身参数较多，存在参数整定困难，一套参数无法适配多种机型，难以适应复杂环境，难以实现高精度控制等问题。 上述无人飞行器控制器具有如下缺点： 1.现有飞控通用性较差，大多只能控制单一类型载具，且难以适应外界环境的复杂干扰。 2.现有控制器算法对不同机型和不同飞行环境的控制效果不稳定，需要频繁进行参数整定。 3.现有控制器算法本身参数较多，存在参数整定困难，难以实现高精度控制等问题。 Transformer是一种用于自然语言处理(NLP)和其他序列到序列任务的深度学习模型架构。Transformer架构引入了自注意力机制和位置编码，使模型能够同时考虑输入序列中的所有位置，并根据序列中的不同位置来赋予不同的权重，以更好的捕捉序列之间的位置关系。自注意力机制支持并行计算，相比于RNN等序列模型，能够更容易地在GPU和TPU等硬件上进行高效的训练和推理。Transformer架构由位置编码、多头自注意力模块和堆叠层等部分组成编码器和解码器，并使用了残差连接和层归一化技术以解决梯度消失和梯度爆炸问题，提高模型的训练效率。