VisGeo-PipeTrack: A Visual Geometric Servo Control Framework with MPC-RCAPID Control for UAV-Based Dynamic Pipes Tracking

📄 arXiv: 2610.35342v1 📥 PDF

作者: Zhenyang Gao, Jianlin Chen, Yang Yu, Honghao Shan, Jiale Gao, Ziyan Jia

分类: cs.RO

发布日期: 2026-10-26

备注: Submit to IEEE Transactions on Intelligent Transportation Systems IEEE TITS

💡 一句话要点

提出VisGeo-PipeTrack以解决动态管道跟踪问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机 动态跟踪 模型预测控制 自适应PID YOLOv5 几何约束 管道检测 控制系统

📋 核心要点

  1. 现有研究主要集中在静态管道的跟踪，忽视了动态环境下的挑战，如管道振动对无人机控制的影响。
  2. 本文提出的VisGeo-PipeTrack框架结合几何约束与YOLOv5检测，提升了无人机在动态管道环境中的跟踪能力。
  3. 实验结果表明，MPC-RCAPID控制器在模拟和实际测试中显著降低了跟踪误差，提升了响应速度。

📝 摘要（中文）

随着无人机在管道检查中的应用日益增多，现有研究主要假设管道为静态。然而，在实际工业环境中，管道常常会出现动态运动，如振动，这对无人机的自适应控制和计算效率提出了更高的要求。为此，本文提出了一种名为VisGeo-PipeTrack的伺服控制框架，利用几何约束实现无人机对动态管道的跟踪。通过YOLOv5检测管道上的标签，基于这些检测到的标签推导出位置，以实现精确定位。为解决跟踪控制挑战，提出了一种基于模型预测控制的实时修正自适应PID控制器（MPC-RCAPID），该控制器采用递归最小二乘法进行实时模型估计，并结合滚动时域优化动态调整PID参数。实验结果验证了该框架的有效性。

🔬 方法详解

问题定义：本文旨在解决无人机在动态管道环境中的跟踪控制问题，现有方法多假设管道为静态，无法应对管道振动等动态因素带来的挑战。

核心思路：通过引入几何约束和YOLOv5进行实时检测，结合模型预测控制（MPC）与自适应PID控制，设计出高效的跟踪控制框架，以适应动态环境的变化。

技术框架：VisGeo-PipeTrack框架主要包括三个模块：管道标签检测模块（使用YOLOv5）、位置推导模块（基于几何约束）和控制模块（MPC-RCAPID控制器）。

关键创新：MPC-RCAPID控制器的设计是本文的核心创新，结合了递归最小二乘法和滚动时域优化，能够实时调整PID参数，显著提升了动态跟踪性能。

关键设计：在控制器设计中，采用递归最小二乘法进行模型估计，PID参数通过滚动优化动态调整，确保在动态环境中保持高效的跟踪精度。实验中还对比了标准PID、分数阶PID、自适应PID和模糊PID等多种控制策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MPC-RCAPID控制器在AirSim模拟器和Tello无人机平台上均表现优异，最短稳定时间为3.26秒，平均跟踪误差为3.52%。在实际测试中，相较于标准PID控制，MPC-RCAPID在三个测试维度上平均跟踪误差分别降低了55.52%、26.72%和26.52%。

🎯 应用场景

该研究的潜在应用领域包括石油、天然气等行业的管道监测与维护，能够提高无人机在复杂环境中的自主作业能力，降低人工成本，提升安全性。未来，该框架还可扩展至其他动态目标的跟踪与控制任务。

📄 摘要（原文）

While unmanned aerial vehicles (UAVs) are increasingly deployed for pipeline inspection, prevailing research predominantly assumes static pipes. In real-world industrial environments, pipes often exhibit dynamic movements, such as vibrations. This imposes more stringent requirements on UAVs' adaptive control and computational efficiency than in static scenarios. Therefore, this paper proposes a servo control framework named VisGeo-PipeTrack, which utilizes geometric constraints to enable UAV tracking of dynamic pipes. To achieve efficient UAV positioning, YOLOv5 is employed to detect labels on the pipe. The positions are derived from visual geometric constraints based on these detected labels to enable precise localization. To address tracking control challenges, a model predictive control based real-time corrected adaptive PID (MPC-RCAPID) controller is proposed. This controller employs the Recursive Least Squares method for real-time model estimation and integrates rolling horizon optimization to dynamically adjust PID parameters. Experiments conducted on both the AirSim simulator and the Tello UAV platform validate the effectiveness of the proposed framework. Simulation comparisons with standard PID, fractional-order PID, adaptive PID, and fuzzy PID demonstrate that MPC-RCAPID achieves the shortest settling time (3.26 s) and the lowest average tracking error (3.52%). In physical experiments on the Tello platform, compared with standard PID control, MPC-RCAPID reduces the average tracking error by 55.52%, 26.72%, and 26.52% across the three test dimensions. These results demonstrate that VisGeo-PipeTrack facilitates efficient autonomous tracking in dynamic pipe environments.