Multirotor Nonlinear Model Predictive Control based on Visual Servoing of Evolving Features

📄 arXiv: 2409.16665v1 📥 PDF

作者: Sotirios N. Aspragkathos, Panagiotis Rousseas, George C. Karras, Kostas J. Kyriakopoulos

分类: cs.RO, eess.SY

发布日期: 2024-09-25

💡 一句话要点

提出基于视觉伺服的非线性模型预测控制，用于多旋翼无人机自主跟踪演化特征的移动目标。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 视觉伺服 非线性模型预测控制 多旋翼无人机 目标跟踪 动态特征

📋 核心要点

  1. 现有方法在复杂环境下，难以保证无人机跟踪移动目标时，同时满足输入、状态约束和系统安全。
  2. 该方案核心在于结合视觉伺服和非线性模型预测控制，利用目标特征的动态模型进行预测控制，并加入障碍函数保证安全。
  3. 通过实时仿真和四旋翼无人机实验，验证了所提策略在跟踪演化特征移动目标时的有效性。

📝 摘要（中文）

本文提出了一种基于视觉伺服的非线性模型预测控制（NMPC）方案，用于多旋翼无人机（UAV）自主跟踪移动目标。该方案专为监视和跟踪具有演化特征的基于轮廓的区域而设计。NMPC用于管理输入和状态约束，同时结合额外的障碍函数，以确保系统安全和最佳性能。所提出的控制方案基于提取和实现描述目标的特征的完整动态模型以及状态变量而设计。使用配备摄像头的四旋翼无人机进行的实时仿真和实验证明了该策略的有效性。

🔬 方法详解

问题定义：论文旨在解决多旋翼无人机在复杂环境中自主跟踪具有演化特征的移动目标的问题。现有方法在处理非线性动力学、输入和状态约束以及保证系统安全方面存在不足，尤其是在目标特征随时间变化时，跟踪精度和鲁棒性面临挑战。

核心思路：论文的核心思路是将视觉伺服与非线性模型预测控制（NMPC）相结合。视觉伺服利用图像信息驱动控制，NMPC则通过预测模型优化控制序列，同时考虑约束条件。通过提取和利用目标特征的动态模型，可以更准确地预测目标运动，提高跟踪性能。此外，引入障碍函数以确保无人机在安全范围内运行，避免碰撞。

技术框架：该方案主要包含以下模块：1) 目标特征提取：从无人机载摄像头获取的图像中提取目标的关键特征（例如轮廓点）。2) 目标特征动态建模：建立目标特征随时间变化的动态模型，用于预测未来时刻的特征位置。3) 非线性模型预测控制（NMPC）：基于无人机的动力学模型和目标特征的动态模型，设计NMPC控制器，优化无人机的控制输入，使其跟踪目标特征。4) 障碍函数：在NMPC的优化目标中加入障碍函数，以约束无人机的状态，保证其在安全区域内飞行。

关键创新：该论文的关键创新在于将视觉伺服与NMPC相结合，并针对具有演化特征的移动目标，设计了相应的动态模型和控制策略。与传统的基于位置或速度控制的方法相比，该方法直接利用视觉信息进行控制，能够更好地适应目标特征的变化。此外，障碍函数的引入增强了系统的安全性。

关键设计：目标特征的动态模型是关键。论文需要详细描述如何提取和建模目标特征，例如使用卡尔曼滤波或其他方法估计特征的运动状态。NMPC控制器的设计需要考虑无人机的非线性动力学模型、目标特征的动态模型以及各种约束条件。障碍函数的选择和参数设置也会影响系统的性能和安全性。具体的损失函数形式、预测时域长度、控制频率等参数需要在实验中进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过实时仿真和四旋翼无人机实验，验证了所提方案的有效性。实验结果表明，该方案能够准确跟踪具有演化特征的移动目标，同时满足输入和状态约束，并保证系统安全。具体的跟踪误差、控制输入范围以及障碍函数的约束效果等数据，可以进一步量化该方案的性能。

🎯 应用场景

该研究成果可应用于多种场景，例如：环境监测（跟踪污染源）、搜救行动（跟踪移动目标）、安防巡逻（跟踪可疑人员或车辆）以及体育赛事直播（跟踪运动员）。通过自主跟踪移动目标，无人机可以提供持续的视觉信息，为决策提供支持，并降低人工操作的风险和成本。未来，该技术有望与更高级的感知和决策算法相结合，实现更智能化的无人机应用。

📄 摘要（原文）

This article presents a Visual Servoing Nonlinear Model Predictive Control (NMPC) scheme for autonomously tracking a moving target using multirotor Unmanned Aerial Vehicles (UAVs). The scheme is developed for surveillance and tracking of contour-based areas with evolving features. NMPC is used to manage input and state constraints, while additional barrier functions are incorporated in order to ensure system safety and optimal performance. The proposed control scheme is designed based on the extraction and implementation of the full dynamic model of the features describing the target and the state variables. Real-time simulations and experiments using a quadrotor UAV equipped with a camera demonstrate the effectiveness of the proposed strategy.