[논문 리뷰] LOONG: Online Time-Optimal Autonomous Flight for MAVs in Cluttered Environments

Xin Guan, Fangguo Zhao외 4명|arXiv (Cornell University)|2026. 01. 12.

Biomimetic flight and propulsion mechanisms인용 수 0

한 줄 요약

LOONG은 미지의 혼잡한 환경에서 고속 MAV 비행을 위한 학습 가속 온라인 시간 최적 계획 및 제어 프레임워크를 제시하며, 100 Hz 재계획 및 LiDAR 기반 인식을 통해 18 m/s의 피크 속도를 달성한다.

ABSTRACT

Autonomous flight of micro air vehicles (MAVs) in unknown, cluttered environments remains challenging for time-critical missions due to conservative maneuvering strategies. This article presents an integrated planning and control framework for high-speed, time-optimal autonomous flight of MAVs in cluttered environments. In each replanning cycle (100 Hz), a time-optimal trajectory under polynomial presentation is generated as a reference, with the time-allocation process accelerated by imitation learning. Subsequently, a time-optimal model predictive contouring control (MPCC) incorporates safe flight corridor (SFC) constraints at variable horizon steps to enable aggressive yet safe maneuvering, while fully exploiting the MAV's dynamics. We validate the proposed framework extensively on a custom-built LiDAR-based MAV platform. Simulation results demonstrate superior aggressiveness compared to the state of the art, while real-world experiments achieve a peak speed of 18 m/s in a cluttered environment and succeed in 10 consecutive trials from diverse start points. The video is available at the following link: https://youtu.be/vexXXhv99oQ.

연구 동기 및 목표

• 미지의 혼잡한 환경에서 시간 결정적 자율 MAV 비행을 동기부여하고 가능하게 한다.
• 시간 최적 다항식 참조를 생성하는 고주파수(100 Hz) 재계획 루프를 개발한다.
• 시간 최적 궤적 계획을 안전한 완전 역학 MPCC 및 SFC 제약과 통합한다.
• 다항 궤적의 시간 할당을 가속하기 위해 학습을 활용한다.
• 시뮬레이션 및 실제 실험에서 LiDAR 기반 쿼드로터에 프레임워크를 검증한다.

제안 방법

• 전면 경로 계획은 A* 및 Safe Flight Corridors(SFC)를 통한 안전 인식 제 waypoint 정제를 사용한다.
• 시간 최적 다항 궤적 생성은 미분 평탄성으로 매개변수화하여 평탄 출력(p, ψ)와 조각 다항식으로 표현하고, 시간 할당 T를 외부(T)와 내부 계수 c의 이중 계층 최적화로 해결한다.
• 모방 학습은 MLP를 통해 현재 상태와 경유점을 바탕으로 최적 T를 예측하여 시간 할당을 가속한다.
• 시간 최적 MPCC는 전역 쿼드로터 다이나믹스와 함께 참조를 추적하며, 진행 상태(θ, vθ) 및 안전을 위한 지역 SFC를 보강한다.
• 재발시계 구간은 첫 G 스텝을 SFC로 제한하여 공격성과 안전의 균형을 맞추고, 계획 루프 간 궤적 재사용 전략으로 일관성을 유지한다.
• MPCC는 acados에서 SQP-RTI를 사용해 100 Hz로 실행되며, 수평선 N=20, dt=0.03 s이고, 추진력 및 로터 수준 입력을 포함한 전체 다이나믹스를 통합한다.

실험 결과

연구 질문

• RQ1 온라인 계획이 미지의 혼잡한 환경에서 고속 MAV 비행을 위한 시간 최적 참조를 충분히 빠르게 생성할 수 있는가?
• RQ2 로컬 SFC 제약과의 결합으로 시간 최적 MPCC를 실시간으로 통합하면 공격적이면서도 안전한 장애물 회피가 가능한가?
• RQ3 학습 가속 시간 할당이 계산 지연이 낮은 거의 시간 최적의 참조를 제공하는가?
• RQ4 계획 루프 간 궤적 재사용이 안전성과 동적 미지 환경에서의 성능에 어떤 영향을 미치는가?
• RQ5 시뮬레이션 및 실제 비행에서 상태-아작화 한계와 비교했을 때 속도와 안전성에 어떤 실험적 이득이 있는가?

주요 결과

구성	성공 수	평균 속도 (m/s)	평균 최대 속도 (m/s)	평균 비행 시간 (s)
Default (G=10)	10/10	26.89	42.77	3.72
G=1	6/10	26.61	40.46	3.76
G=N=20	5/10	18.24	29.76	5.56
w/o Trajectory Reuse	2/10	26.92	45.41	3.71
w/o Passing SFC Intersection	1/10	24.65	37.88	4.05

• LOONG 프레임워크는 실제 환경 실험에서 20m 혼잡 구간에서 최고 속도 18 m/s를 달성한다.
• 100 Hz 재계획이 시간 최적 다항 참조로 공격적이면서도 안전한 고속 비행을 가능하게 한다.
• 학습 기반 시간 할당은 프런트 엔드 모듈의 지연을 1 ms 이하로 참조 생성 가속화한다.
• SFC 제약이 있는 MPCC가 안전한 수평선에서 안전을 유지하면서 미지 환경에서 고속 진행 가능하게 한다.
• 추가 연구는 궤적 재사용과 SFC 교차점으로 경로를 선택하는 방식이 성공률과 공격성을 크게 향상시킨다.
• 시뮬레이션에서 LOONG은 타깃과 맞춘 작동 한계 하에서 SUPER 및 IPC를 능가하는 공격성 while 장애물 회피를 유지한다.