Nonlinear Model Predictive Control via Sequential Convex Programming for Drone-to-Drone Docking
作者: Neeraj Balachandar, Shriram Hari, Vishnu R. Unni
分类: cs.RO
发布日期: 2026-08-11
备注: Accepted at IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM) 2026
💡 一句话要点
通过序列凸优化实现无人机间的非线性预测控制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 无人机对接 非线性控制 序列凸优化 轨迹优化 鲁棒控制 状态估计 高保真仿真 动态环境
📋 核心要点
- 现有方法在多旋翼飞行器的自主空中对接中面临非线性轨迹优化和干扰影响的挑战。
- 本文提出基于序列凸优化的框架，通过递归视野策略解决对接任务的最优控制问题。
- 实验结果显示，该方法在不同目标运动下实现了高效、安全的对接，且对干扰具有良好的鲁棒性。
📝 摘要（中文）
在干扰驱动的目标运动下，实现多旋翼飞行器的自主空中对接是一个受限的非线性轨迹优化挑战。本文将对接任务形式化为基于增强干扰状态的降阶非线性模型的有限时域最优控制问题。采用序列凸优化方法，在递归视野框架内求解该问题，以生成动态可行的对接轨迹。通过高保真刚体MuJoCo仿真环境验证轨迹执行，结果表明该方法在静止和匀速目标运动下均能可靠收敛至对接接口，且满足几何捕获约束。定量分析显示，该方法在对接锥违规和终端状态误差方面保持在规定容差内，并在锥半角低至10度时实现一致、安全的对接性能。对于标准差为0.5的风干扰水平，系统表现出鲁棒性，同时保持有限的接近速度和稳定的控制努力。
🔬 方法详解
问题定义：本文旨在解决多旋翼飞行器在干扰驱动的目标运动下的自主空中对接问题。现有方法在处理非线性轨迹优化时，难以有效应对外部干扰和状态估计的不确定性。
核心思路：论文提出将对接任务形式化为有限时域的最优控制问题，利用降阶非线性模型并增强干扰状态，以便在动态环境中生成可行的对接轨迹。
技术框架：整体架构包括状态估计、轨迹生成和执行三个主要模块。首先，通过状态估计模块处理噪声测量，接着利用序列凸优化方法生成动态可行的轨迹，最后在高保真仿真环境中验证轨迹执行的有效性。
关键创新：最重要的技术创新在于采用序列凸优化方法解决非线性轨迹优化问题，特别是在干扰和状态估计不确定性下，显著提高了对接的鲁棒性和安全性。
关键设计：在参数设置上，本文对干扰状态进行了增强，并在控制策略中引入了几何捕获约束，以确保在不同的目标运动下，系统能够保持稳定的接近速度和控制努力。具体的损失函数和优化目标也经过精心设计，以适应动态环境的需求。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在静止和匀速目标运动下实现了可靠的对接，且对接锥违规保持在极小范围内，终端状态误差在规定容差内。此外，系统在风干扰标准差为0.5的情况下仍能保持稳定的接近速度和控制努力，展现出良好的鲁棒性。
🎯 应用场景
该研究的潜在应用场景包括无人机编队、空中物流运输和灾害救援等领域。通过实现高效的空中对接技术，可以提升无人机在复杂环境中的自主操作能力，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Autonomous mid-air docking of multi-rotor vehicles under disturbance-driven target motion poses a constrained non-linear trajectory optimization challenge. This work formulates the docking task as a finite-horizon optimal control problem based on a reduced-order nonlinear model augmented with disturbance states. The resulting problem is solved using sequential convex programming within a receding-horizon framework to generate dynamically feasible docking trajectories. State estimation with noisy measurements is incorporated to enable robust relative motion prediction, while trajectory execution is validated in a high-fidelity rigid-body MuJoCo simulation environment. The proposed framework is evaluated for stationary and constant-velocity target motions, demonstrating reliable convergence to the docking interface while satisfying geometric capture constraints. Quantitatively, the method maintains negligible docking-cone violations and terminal state errors within prescribed tolerances, and achieves consistent, safe docking performance for cone half-angles as low as 10 degrees. Robust operation is observed for wind disturbance levels up to a standard deviation of 0.5, while preserving bounded approach velocities and stable control effort. These results demonstrate the effectiveness of the SCP-based trajectory optimization framework for disturbance-robust aerial docking under estimation uncertainty.