Model Predictive Control Approach to Autonomous Formation Flight

📄 arXiv: 2312.01907v1 📥 PDF

作者: Harun Celik, Dilara Kilinc

分类: cs.RO, eess.SY

发布日期: 2023-12-04

备注: in Turkish language

💡 一句话要点

提出基于模型预测控制的无人机编队飞行自主控制方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机编队飞行 模型预测控制 自主控制 轨迹跟踪 避碰

📋 核心要点

  1. 现有无人机编队控制方法在复杂环境下的避障和协同控制方面存在挑战。
  2. 采用模型预测控制（MPC）方法，通过预测模型和优化算法实现无人机编队飞行轨迹跟踪和避碰。
  3. 仿真结果验证了MPC在无人机编队飞行中的有效性，能够处理约束和避免碰撞。

📝 摘要（中文）

本文研究了模型预测控制（MPC）方法在无人机自主编队飞行中的应用。针对多无人机协同飞行问题，提出了一种能够执行编队飞行、保持轨迹跟踪、同时避免无人机之间以及无人机与障碍物之间发生碰撞的MPC控制器。该方法实现了具有六自由度的三维无人机模型自主编队飞行，主要以三角形队形为例。通过MPC架构，不仅可以跟踪编队飞行轨迹，还可以实现无人机的避碰策略。仿真结果表明，MPC在这两种情况下都具有足够的能力。因此，该方法能够处理约束、避免障碍物以及无人机之间的碰撞。然而，将MPC实时应用于无人机仍面临挑战。

🔬 方法详解

问题定义：论文旨在解决无人机编队飞行中的自主控制问题，特别是在保持队形、跟踪期望轨迹的同时，避免无人机之间的碰撞以及与环境中障碍物的碰撞。现有方法可能难以同时兼顾这些约束条件，尤其是在动态和复杂的环境中。

核心思路：论文的核心思路是利用模型预测控制（MPC）的预测能力和优化能力。MPC通过预测未来一段时间内的系统状态，并优化控制输入，从而在满足约束条件的同时，实现期望的控制目标。这种方法能够显式地处理约束，并根据环境变化动态调整控制策略。

技术框架：该方法使用MPC作为控制器，控制具有六自由度的无人机模型在三维环境中进行编队飞行。整体流程包括：1）建立无人机动力学模型；2）设计MPC控制器，包括定义状态变量、控制输入、约束条件和目标函数；3）利用优化算法求解MPC问题，得到最优控制序列；4）将控制序列应用于无人机，并重复上述过程。主要模块包括无人机模型、MPC控制器和优化求解器。

关键创新：该方法的关键创新在于将MPC应用于无人机编队飞行，并同时考虑了轨迹跟踪、队形保持和避碰等多个目标。通过在MPC的目标函数中加入相应的项，可以实现对这些目标的优化。此外，该方法能够显式地处理无人机的运动约束和环境约束，提高了控制的鲁棒性和可靠性。

关键设计：MPC控制器的关键设计包括：1）状态变量的选择，例如无人机的位置、速度和姿态；2）控制输入的选择，例如无人机的推力和力矩；3）约束条件的定义，例如无人机的速度限制、加速度限制和避碰距离；4）目标函数的定义，例如轨迹跟踪误差、队形保持误差和控制输入能量。优化算法的选择也会影响MPC的性能，常用的算法包括二次规划（QP）和序列二次规划（SQP）。

📊 实验亮点

仿真结果表明，基于MPC的无人机编队飞行方法能够有效地跟踪期望轨迹，保持队形，并避免无人机之间的碰撞以及与障碍物的碰撞。虽然论文中没有给出具体的性能数据，但强调了MPC在处理约束和实现多目标优化方面的能力。实验验证了该方法在自主编队飞行中的可行性。

🎯 应用场景

该研究成果可应用于无人机集群表演、协同搜索救援、环境监测、农业植保等领域。通过自主编队飞行，可以提高无人机的工作效率和安全性，降低人工操作成本。未来，该技术有望在物流配送、交通管理等领域发挥重要作用。

📄 摘要（原文）

Formation flight is when multiple objects fly together in a coordination. Various automatic control methods have been used for the autonomous execution of formation flight of aerial vehicles. In this paper, the capacity of the model predictive control (MPC) approach in the autonomous execution of formation flight is examined. The MPC is a controller that capable of performing formation flight, maintaining tracking desired trajectory while avoiding collisions between aerial vehicles, and obstacles faced. Through this approach, aerial vehicle models with six degrees of freedom in a three-dimensional environment are performed formation flight autonomously, mostly in a triangle order. Not only the trajectory for the formation flight can be tracked through the MPC architecture, also the collision avoidance strategies of the aerial vehicles can be performed by this architecture. Simulation studies show that MPC has sufficient capability in both cases. Therefore, it is concluded that this method can deal with constraints, avoid obstacles as well as collisions between aerial vehicles. However, implementation of MPC to aerial vehicles in real time holds challenges.