MorphoMove: Bi-Modal Path Planner with MPC-based Path Follower for Multi-Limb Morphogenetic UAV

📄 arXiv: 2407.09625v2 📥 PDF

作者: Muhammad Ahsan Mustafa, Yasheerah Yaqoot, Mikhail Martynov, Sausar Karaf, Dzmitry Tsetserukou

分类: cs.RO

发布日期: 2024-07-12 (更新: 2024-08-21)

备注: Accepted in IEEE International Conference on Systems, Man, and Cybernetics (SMC 2024)

💡 一句话要点

针对多肢变体无人机的双模态路径规划与MPC路径跟踪

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多肢无人机 变体机器人 路径规划 模型预测控制 混合导航 自主探索

📋 核心要点

  1. 现有方法难以实现无人机在空中和地面两种模式间的平滑切换与复杂环境下的自主导航。
  2. 提出一种基于A*算法的混合路径规划方法，结合MPC实现无人机在不同导航模式间的无缝过渡。
  3. 实验结果表明，该方法在Unity仿真环境中实现了精确的路径跟踪，RMSE误差为0.91厘米。

📝 摘要（中文）

本文介绍了一种多肢变体无人机MorphoGear的研发进展，该无人机能够进行空中飞行和地面移动。开发了一种基于A*算法的混合路径规划算法，实现了空中到地面导航模式之间的无缝转换，从而增强了机器人在复杂环境中的移动性。此外，通过基于模型预测控制（MPC）的架构，实现了其新型行走行为在地面移动过程中的精确路径跟踪。在Unity仿真环境中，利用Python脚本计算控制值，进行了实验验证。结果表明，该算法的性能通过均方根误差（RMSE）为0.91厘米和最大误差为1.85厘米得到了验证。这些进展突出了MorphoGear在复杂环境中导航的适应性，使其成为空中和地面自主探索中可用的工具。

🔬 方法详解

问题定义：现有的无人机路径规划方法通常只关注单一的飞行模式，难以应对需要空中和地面移动相结合的复杂环境。在地面移动时，传统的控制方法难以适应多肢变体无人机的新型行走行为，导致路径跟踪精度不足。

核心思路：本文的核心思路是设计一种混合路径规划算法，该算法能够根据环境特点在空中和地面导航模式之间进行切换。同时，利用模型预测控制（MPC）来精确控制多肢变体无人机的行走行为，从而实现高精度的地面路径跟踪。

技术框架：该方法包含两个主要模块：混合路径规划器和基于MPC的路径跟踪器。首先，混合路径规划器使用A*算法生成全局路径，并根据环境信息选择合适的导航模式（空中或地面）。然后，基于MPC的路径跟踪器根据规划的路径和无人机的当前状态，计算控制指令，驱动无人机进行精确的地面移动。

关键创新：该方法的主要创新点在于混合路径规划算法和MPC控制器的结合，实现了无人机在空中和地面模式之间的无缝切换，并能够精确控制多肢变体无人机的行走行为。这种结合使得无人机能够更好地适应复杂环境，完成更复杂的任务。

关键设计：A*算法用于全局路径规划，考虑了无人机的运动学和动力学约束。MPC控制器基于无人机的动力学模型，通过优化控制序列来最小化路径跟踪误差。控制器的参数需要根据无人机的具体特性进行调整，以获得最佳的控制性能。仿真环境使用Unity，控制指令通过Python脚本计算并发送到无人机模型。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的路径规划和控制方法能够实现精确的地面路径跟踪，均方根误差（RMSE）为0.91厘米，最大误差为1.85厘米。这些数据验证了该方法在复杂环境中导航的有效性和鲁棒性，为多肢变体无人机的实际应用奠定了基础。

🎯 应用场景

该研究成果可应用于复杂环境下的自主探索、搜索与救援、以及工业巡检等领域。多肢变体无人机能够克服地形障碍，在传统无人机难以到达的区域执行任务，具有重要的实际应用价值。未来，该技术有望进一步拓展到农业、物流等领域，提升自动化水平。

📄 摘要（原文）

This paper discusses developments for a multi-limb morphogenetic UAV, MorphoGear, that is capable of both aerial flight and ground locomotion. A hybrid path planning algorithm based on the A* strategy has been developed, enabling seamless transition between air-to-ground navigation modes, thereby enhancing robot's mobility in complex environments. Moreover, precise path following is achieved during ground locomotion with a Model Predictive Control (MPC) architecture for its novel walking behaviour. Experimental validation was conducted in the Unity simulation environment utilizing Python scripts to compute control values. The algorithm's performance is validated by the Root Mean Squared Error (RMSE) of 0.91 cm and a maximum error of 1.85 cm, as demonstrated by the results. These developments highlight the adaptability of MorphoGear in navigation through cluttered environments, establishing it as a usable tool in autonomous exploration, both aerial and ground-based.