Robust Trajectory Generation and Control for Quadrotor Motion Planning with Field-of-View Control Barrier Certification
作者: Lishuo Pan, Mattia Catellani, Lorenzo Sabattini, Nora Ayanian
分类: cs.RO
发布日期: 2025-02-03 (更新: 2025-11-02)
备注: 8 pages, 8 figures, 3 tables, accepted to RA-L 2025
💡 一句话要点
提出基于控制屏障函数的四旋翼鲁棒轨迹生成与控制方法，保障视场内目标追踪。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 四旋翼 多机器人协同 控制屏障函数 轨迹生成 视场控制
📋 核心要点
- 多机器人协同容易因通信丢失和估计不确定性而失效，需要更鲁棒的导航方法。
- 利用控制李雅普诺夫-屏障函数，设计通信自由的分布式导航算法，维持邻居在视场内。
- 提出连续时间鲁棒轨迹生成与控制方法，并用MPC-CBF近似认证控制器，提高效率。
📝 摘要（中文）
本文提出了一种实时的、无需通信的分布式导航算法，该算法通过控制屏障函数进行认证，能够建模和控制机载传感行为，从而将邻近无人机保持在有限的视场范围内，以进行位置估计。该方法对临时跟踪丢失具有鲁棒性，并直接综合控制，通过控制李雅普诺夫-屏障函数来稳定视觉接触。本文的主要贡献是一种连续时间的鲁棒轨迹生成和控制方法，该方法通过控制屏障函数进行认证，适用于分布式多机器人系统；以及一种离散优化程序，即MPC-CBF，用于逼近经过认证的控制器。此外，我们提出了一种高阶控制屏障函数约束的线性替代，并使用序列二次规划来有效地求解MPC-CBF。
🔬 方法详解
问题定义：现有方法在多机器人协同中，容易受到通信丢失和估计不确定性的影响，导致任务失败。尤其是在依赖视觉信息的协同任务中，如何保证目标始终位于无人机的视场范围内，是一个关键问题。传统的轨迹规划方法往往忽略了视场约束，或者难以在实时性要求下进行优化。
核心思路：本文的核心思路是利用控制屏障函数（CBF）来保证无人机在运动过程中，始终将邻近无人机保持在自身的视场范围内。通过将视场约束转化为CBF约束，可以将安全性和任务目标同时纳入优化框架中。此外，利用控制李雅普诺夫函数（CLF）来保证无人机的稳定性，并将CLF和CBF结合，实现鲁棒的轨迹生成和控制。
技术框架：该方法主要包含以下几个模块：1) 轨迹生成：基于任务目标生成初始轨迹。2) 视场约束建模：将无人机的视场范围建模为约束条件。3) 控制屏障函数设计：设计CBF，将视场约束转化为控制约束。4) 控制李雅普诺夫函数设计：设计CLF，保证无人机的稳定性。5) 优化求解：利用MPC-CBF框架，将轨迹生成、视场约束和稳定性约束整合到一个优化问题中，并使用序列二次规划（SQP）求解。
关键创新：该方法的主要创新点在于：1) 提出了一种基于CBF的视场约束建模方法，能够有效地保证无人机在运动过程中始终将目标保持在视场范围内。2) 将CBF和CLF结合，实现了鲁棒的轨迹生成和控制，能够应对临时跟踪丢失等情况。3) 提出了MPC-CBF框架，能够实时地生成满足视场约束和稳定性要求的轨迹。4) 提出了高阶控制屏障函数约束的线性替代，并使用序列二次规划来有效地求解MPC-CBF，提高了计算效率。
关键设计：在CBF的设计中，关键在于选择合适的屏障函数，使得当无人机超出视场范围时，CBF的值会迅速增大，从而迫使无人机调整姿态。在MPC-CBF框架中，需要仔细调整各个约束的权重，以平衡任务目标、视场约束和稳定性约束。此外，线性替代的引入可以显著降低计算复杂度，但需要保证替代的精度，避免引入过大的误差。
🖼️ 关键图片
📊 实验亮点
论文提出了一种基于控制屏障函数的四旋翼鲁棒轨迹生成与控制方法，通过实验验证了该方法在保持目标在视场内以及应对跟踪丢失方面的有效性。虽然摘要中没有给出具体的性能数据和对比基线，但强调了该方法对临时跟踪丢失的鲁棒性，并能直接综合控制以稳定视觉接触，表明其在实际应用中具有潜在优势。
🎯 应用场景
该研究成果可应用于多无人机协同搜索、协同监控、编队飞行等领域。通过保证无人机始终将目标保持在视场范围内，可以提高协同任务的效率和鲁棒性。例如，在灾难救援中，多架无人机可以协同搜索幸存者，并利用视觉信息进行定位和识别。在农业领域，无人机可以协同监测农作物生长情况，并及时发现病虫害。
📄 摘要（原文）
Many approaches to multi-robot coordination are susceptible to failure due to communication loss and uncertainty in estimation. We present a real-time communication-free distributed navigation algorithm certified by control barrier functions, that models and controls the onboard sensing behavior to keep neighbors in the limited field of view for position estimation. The approach is robust to temporary tracking loss and directly synthesizes control to stabilize visual contact through control Lyapunov-barrier functions. The main contributions of this paper are a continuous-time robust trajectory generation and control method certified by control barrier functions for distributed multi-robot systems and a discrete optimization procedure, namely, MPC-CBF, to approximate the certified controller. In addition, we propose a linear surrogate of high-order control barrier function constraints and use sequential quadratic programming to solve MPC-CBF efficiently.