[论文解读] Nonlinear Model Predictive Control for 3D Formation of Multirotor Micro Aerial Vehicles with Relative Sensing in Local Coordinates

I. Kagan Erunsal, Rodrigo Ventura+1 more|arXiv (Cornell University)|Apr 7, 2019

Distributed Control Multi-Agent Systems参考文献 23被引用 6

一句话总结

本文提出一种集中式非线性模型预测控制（NMPC）策略，用于仅依赖局部坐标系中相对感知的多旋翼微型飞行器（MAVs）三维领航-跟从队形飞行。通过在局部机器人中心坐标系中构建控制问题，并采用改进的实时迭代（RTI）算法，该方法在存在模型不确定性、传感器噪声和动态干扰的情况下，实现了鲁棒的队形稳定性和轨迹跟踪性能，队形误差始终低于0.068 m，单次控制周期的CPU时间低于0.05 s。

ABSTRACT

The complex tasks such as surveillance, construction, search and rescue can benefit of the maneuverability of multirotor Micro Aerial Vehicles (MAVs) to obtain robust, cooperative system behavior and formation control is a prominent component of the these complex tasks. This work focuses on the problem of three-dimensional formation control of multirotor MAVs by using exclusively relative sensory information. It proposes a centralized Nonlinear Model Predictive Control (NMPC) approach in a leader-follower scheme. A realistic six degrees of freedom mathematical model of a multirotor MAVs is introduced and leveraged in the control laws. The formulation of the problem is performed based on NMPC and relative sensing framework with respect to local coordinate frames of the robots. This type of formulation makes the formation independent of the full knowledge of global or common reference frames and the utilization of expensive global localization sensors. Real-time Iteration (RTI) based solution to optimal control problem (OCP) is proposed by taking the novel formulation into account. An extensive scenario is designed to test and validate the strategy. Evaluation of the results suggests that satisfactory robust performance is achieved and maintained under model uncertainty and noise in local sensors and even in cases where the dynamics of the formation suddenly changes.

研究动机与目标

• 为解决现有基于NMPC的队形控制策略中缺乏仅依赖局部坐标系中相对感知、不依赖全局定位传感器的方法的问题。
• 开发一种集中式NMPC公式，仅利用机间相对测量实现队形稳定性与视场角合规性。
• 通过改进的实时迭代（RTI）算法实现实时可行性，具备一致的热启动机制与低计算开销。
• 在三维多架飞行器场景中，验证该方法在模型不确定性、传感器噪声和动态干扰下的鲁棒性。
• 通过仿真验证其实际可行性，包括CPU时间、KKT容差和误差范数等性能指标。

提出的方法

• 该方法采用六自由度非线性动力学模型，预测每架飞行器在其局部坐标系中的完整状态轨迹。
• 控制公式基于带有滚动时域的NMPC，利用各飞行器在其自身局部坐标系中测量的相对位置与姿态信息。
• 通过状态变量选择与控制约束设计，定义感知图以确保相对传感器视场角（FOV）约束在公式中被内在满足。
• 最优控制问题（OCP）采用改进的实时迭代（RTI）算法求解，实现热启动并保证单次控制周期内计算时间低于0.05 s，具备实时可行性。
• 代价函数中的权重矩阵优先考虑队形精度而非轨迹跟踪，从而增强对干扰和噪声的鲁棒性。
• 该公式不依赖全局或公共参考坐标系，使其适用于GPS拒止环境（如室内场景）。

实验结果

研究问题

• RQ1 集中式NMPC策略能否仅使用局部坐标系中的相对感知，实现多旋翼MAVs的稳定三维队形飞行？
• RQ2 所提出的公式如何在不依赖全局坐标的情况下，确保相对传感器视场角约束的满足？
• RQ3 基于RTI的OCP求解在实时约束及噪声或不确定动力学条件下的性能如何？
• RQ4 该方法如何在保持低队形误差与控制输入稳定性的同时，处理模型不确定性和传感器噪声？
• RQ5 在高速机动与突发动态变化过程中，该方法在多大程度上保持了队形质量？

主要发现

• 队形误差范数平均保持在0.068 m以下，稳态最大误差为0.015 m，表明在动态条件下具备高精度队形控制。
• 在高速转弯与队形重构阶段，目标函数出现瞬态峰值，但得益于NMPC的预测能力，迅速收敛。
• 与非热启动方案相比，改进的RTI算法显著降低了目标函数值，尤其在高动态阶段表现更优。
• KKT容差平均保持在较低水平，表明序列二次规划（SQP）求解器能持续收敛至最优解。
• CPU时间始终低于0.05 s的控制采样周期，大多数控制周期仅需两次SQP迭代即可满足收敛容差。
• 螺旋桨转速保持在物理极限范围内，仅表现出适度的抖动，表明在传感器噪声下仍具备稳定且可行的控制输入。