论文标题：
MPCC++: Model Predictive Contouring Control for Time-Optimal Flight with Safety Constraints
论文作者：
Maria Krinner, Angel Romero, Leonard Bauersfeld et al.
1. MPCC++：MPCC的进化
四旋翼飞行是一个极具挑战性的课题，“在操控极限下，遇到的控制权有限”是重要原因之一。模型预测轮廓控制（MPCC）已成为无人机竞赛等时间优化问题的有前途的基于模型的方法。然而，四旋翼竞赛中使用的MPCC标准公式直接在代价函数中引入了门的概念，创建了一个多目标优化，该优化在最大化进展和准确跟踪路径之间不断权衡。
本文提出了三个关键组件，以增强无人机竞赛的现有MPCC方法。首先，研究者以轨道约束和终端集的形式提供安全保证。轨道约束被设计为空间约束，防止门道碰撞，同时仅在代价函数中允许时间优化。其次，研究人员通过一个残差项增强现有的第一原理动力学，该残差项捕获从真实世界数据中直接学习到的复杂空气动力学效应和推力。第三，将使用Trust Region Bayesian Optimization（TuRBO），一种先进的全局贝叶斯优化算法，根据圈速最小化的稀疏奖励来调整MPCC控制器的超参数。研究者提出的方法在模拟和现实世界中都能一致地防止门道碰撞，成功率为100%，同时将四旋翼飞行器推向其物理极限，速度超过80公里/小时。
▲图1｜该方法能够在确保安全的前提下，使四轴飞行器在极限操作范围内飞行©️【深蓝AI】编译
2. 关键组件
本文介绍了三个关键组件，以增强无人机竞赛中现有的MPCC方式。
首先，研究人员以轨道约束和终端集的形式，提供了安全保证。轨道被设计为空间约束，以柱状隧道的形式防止门道碰撞。与以往方式不同，研究人员保留了其标准欧几里得形式中的动力学，避免了复杂的重构到Frenet-Serret框架及其相关的奇异性。终端集由一个周期性的可行轨迹组成。这种组合提供了递归可行性和固有鲁棒性的保证。其次，研究人员通过一个残差项增强现有的第一原理动力学，该残差项可以捕获从真实世界数据中直接推断出的复杂空气动力学效应和推力。第三，研究人员展示了使用Trust-Region Bayesian Optimization（TuRBO）来调整MPCC控制器的超参数。与以前的工作相比，该方式能够实现更优越的性能。在模拟和真实世界的实验中，研究人员展示了如何通过结合这些元素来提高控制器的性能和安全性，超越了现有的MPCC。此外，研究人员的方法的性能与最佳表现的RL策略一致，另外还增加了将安全性纳入该公式的比重。
3. 模型预测轮廓控制
在无人机竞速的控制领域，模型预测轮廓控制（MPCC）一直是一个热门话题。它通过预测无人机未来的状态，来实时调整飞行轨迹，确保无人机能够以最优的路径飞行。然而，传统的MPCC方法在处理高速飞行和复杂环境时，仍面临着一些挑战。
为了解决这些问题，科研人员开发了更加安全高效的MPCC++。这项技术在原有MPCC的基础上，引入了三大关键性创新：
●安全保障：通过轨道约束和终端集，MPCC++能够在保证飞行安全的同时，实现时间最优的飞行路径。这种空间约束的设计，有效避免了与障碍物的碰撞。
●动力学增强：MPCC++通过引入残差项，捕捉了从真实世界数据中学习到的复杂空气动力学效应和推力力，增强了对无人机动力学的建模。
●超参数优化：利用Trust Region Bayesian
Optimization（TuRBO），一种先进的全局贝叶斯优化算法，对MPCC控制器的超参数进行了调整，进一步提升了控制器的性能。
4. 实验验证：MPCC++的卓越性能
■4.1 模拟环境中的测试
首先，在模拟环境中，MPCC++接受了三种不同复杂度的测试：简单动力学模型、基于叶片元素动量理论（BEM）的高保真模型，以及基于真实数据驱动的模型。这些环境不仅考验了MPCC++在不同飞行条件下的适应性，也验证了其在处理未知扰动和模型不匹配时的鲁棒性。
实验结果显示，无论是在哪种模拟环境中，MPCC++都能够实现接近100%的成功率，同时保持了与最佳强化学习（RL）策略相媲美的圈速。这证明了MPCC++不仅在理论上可行，更在实际应用中表现出色。
▲图2 | 三个模拟环境下的 MPCC、 MPCC++和RL的结果©️【深蓝AI】编译
■4.2 现实世界的挑战
然而，真正的挑战在于现实世界的测试。在这里，无人机需要面对更加复杂和不可预测的环境因素，如风速、空气密度变化等。科研团队在一个高性能的竞速无人机上部署了MPCC++，并在一个配备了高精度VICON系统的实验场地中进行了测试。
▲图3 | 基线 MPCC 在Split-S轨道上的真实世界飞行轨迹， MPCC++和最有效的RL政策©️【深蓝AI】编译
■4.3 安全与速度的双重胜利
在现实世界的测试中，MPCC++再次证明了自己的实力。它不仅以超过80km/h的速度飞行，而且在所有测试中均未发生任何碰撞，实现了100%的安全记录。这一成就在无人机竞速领域中具有里程碑意义，因为它首次展示了一种能够在保证安全的同时，推动无人机达到极限速度的控制方法。
■4.4 性能对比分析
通过与基线MPCC和RL方法的对比，MPCC++在多个方面展现出了其优势。它不仅在圈速上与RL方法相当，更在安全性上远超基线MPCC。此外，MPCC++的轨迹规划更加灵活和直观，允许无人机在保证安全的前提下，自主寻找最优飞行路径。
5. 未来展望：MPCC++的潜力与挑战
本文提出的MPCC++方法，通过引入轨道约束和终端集，为无人机竞赛中的高速飞行提供了一种安全保障；同时通过动态增强和TuRBO优化，显著提升了飞行性能。在模拟和现实世界的实验中，MPCC++展现出与顶尖强化学习策略相媲美的圈速，并达成了100%的成功率，证明了其在确保安全的同时，能够有效推动四旋翼飞行器性能至极限。尽管MPCC++在训练时间、计算资源和任务设定的灵活性方面存在局限，但其在性能与安全性之间提供了直观的权衡手段，为未来无人机自主控制领域的发展奠定了坚实的基础。随着技术的不断进步和优化，MPCC++有望在更广泛的应用场景中实现其潜力。随着计算能力的提高和算法的优化，研究人员有理由相信，MPCC++将在未来无人机控制领域扮演更加重要的角色。
-end-
编译｜Scarlett
审核｜Los
移步公众号【深蓝AI】，第一时间获取自动驾驶、人工智能与机器人行业最新最前沿论文和科技动态👇
深蓝AI·赋能AI+智驾+机器人
版权归原作者 深蓝学院 所有， 如有侵权，请联系我们删除。