动力学建模是飞控的基础，什么样的基础决定了什么样的上层建筑
即使是单变量PID控制也需要MIMO SS模型并解耦得到单通道SISO模型，并且要加上耦合项参数，必要时要应用Gain Scheduling或者Look-up Table调节这些参数。盲目的无模型PID控制只适合参数少的简单SISO系统，如果在UAV上，只能让对象飞起来了，很难更进一步，因为一旦进行大机动飞行，不同通道间耦合影响比重将急剧加大，孤立的单通道PID控制无法消除这些耦合，因此多变量PID控制就十分必要了，模型也就十分重要了。
鲁棒控制（Robust Control）是针对参数不确定或有扰动（但都有界）的线性系统，包括H_2、H_∞、LQR/LQG控制在内的这类多变量线性控制（Multi-Variable Linear Control）方法在航空航天领域已经应用了，数学计算不是问题，问题是模型要能反映对象特性，能否建立准确模型，并基于模型设计鲁棒控制方法，是有无真的核心飞控技术的关键。
数学计算是指计算实时性问题，还有是否每次都能得到解，实验室高性能计算机和机载飞控的计算能力是有很大差距的，而飞控机又是典型的高安全性实时系统，必须考虑新控制方法的实现问题。至于自适应控制（Adaptive Control），是应对大范围参数变化的，既可用于线性系统也可用于非线性系统，有波音和NASA验证应用报道，算是有前景的，也是应航空航天发展而生的。这里需要明确自适应应用的条件是参数变化大，针对小型UAV，尤其是多旋翼，没必要强而用之
非线性方法林林总总有许多，常见反馈线性化（Feedback Linearization）、滑模控制（Sliding Mode Control）、反步控制（Back-Stepping）、模型预测控制（MPC）、非线性动态规划（NDP）等，是学术派的热衷，多见于论文，但即使在非线性控制方法里，自适应方法也是有用的工具。神经网络（NN）是智能控制方法，这类方法还包括学习控制（Learning Control）、模糊逻辑（Fuzzy Logic）等，在AI领域火，也是基础的方法工具，有飞控方面的论文，但是这类方法的一个共同点是需要长时间的data training、iterative computing，对飞控很难在线实时应用，可以当做离线调参的工具，即使这样，工程人员也多不相信。
