[论文解读] LOONG: Online Time-Optimal Autonomous Flight for MAVs in Cluttered Environments

Xin Guan, Fangguo Zhao+4 more|arXiv (Cornell University)|Jan 12, 2026

Biomimetic flight and propulsion mechanisms被引用 0

一句话总结

LOONG 在未知、拥挤环境中提出一个学习加速的在线时最优规划与控制框架，用于高速度 MAV 飞行，达到 18 m/s 峰值速度、100 Hz 再规划并基于 LiDAR 的感知。

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.

研究动机与目标

• 在未知拥挤环境中激励并实现时间关键的自主 MAV 飞行。
• 开发一个高频率（100 Hz）再规划循环，生成时最优多项式参考轨迹。
• 将时最优轨迹规划与安全的全动力学 MPCC 与 SFC 约束整合。
• 利用学习加速多项式轨迹的时间分配。
• 在基于 LiDAR 的四旋翼中通过仿真和真实世界实验验证框架。

提出的方法

• 前端路径规划使用 A* 与通过安全飞行走廊（SFC）实现的安全感知路点细化。
• 时最优多项式轨迹生成使用微分平坦性将平坦输出 (p, ψ) 参数化并使用分段多项式，时间分配 T 通过两层优化（外层 T，内层系数 c）求解。
• 模仿学习通过 MLP 预测当前状态和路点来实现对时间分配的加速，从而得到近似最优 T。
• 时最优模型预测轮廓控制（MPCC）结合完整四旋翼动力学跟踪参考轨迹，增添进度状态 (θ, vθ) 并在局部 SFC 内保证安全。
• 一个滚动时域的策略，将前 G 步限制在 SFC 内以权衡进攻性与安全性，并在各规划循环中使用轨迹重用策略以保持一致性。
• MPCC 在 acados 上以 SQP-RTI 运行，更新频率 100 Hz，时域长度 N=20，dt=0.03 s，并集成全动力学与推力及转子级输入。

实验结果

研究问题

• RQ1 在线规划是否能够为未知拥挤环境中的高速度 MAV 飞行快速生成时最优参考？
• RQ2 将时最优 MPCC 与局部 SFC 约束结合是否能在实时实现具侵略性又安全的避障？
• RQ3 基于学习的时间分配是否能在低计算时延下提供接近时最优的参考？
• RQ4 跨规划循环的轨迹重用如何影响未知动态环境中的安全性与性能？
• RQ5 与在仿真和真实飞行中的先进规划相比，在速度与安全性方面的实际提升有哪些？

主要发现

Configuration	Number of Success	Average Velocity (m/s)	Average Maximum Velocity (m/s)	Average Flight Time (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 框架在现实世界实验中实现 20 m 拥挤飞行的峰值速度 18 m/s。
• 100 Hz 的再规划结合时最优多项式参考使高速度飞行既具侵略性又具安全性。
• 基于学习的时间分配将前端模块的参考生成延迟降低至 1 ms 以内。
• 在安全视界 G（G<N）内的带 SFC 约束的 MPCC 维持安全性，同时实现对未知环境中的高速度推进。
• 消融研究显示轨迹重用与通过 SFC 相交点选择路点显著提升成功率与侵略性。
• 在仿真中，LOONG 在侵略性方面超越 SUPER 与 IPC，同时在匹配执行约束下保持避障能力。