A Multi-Simulation Approach with Model Predictive Control for Anafi Drones
作者: Pascal Goldschmid, Aamir Ahmad
分类: cs.RO
发布日期: 2025-02-14 (更新: 2025-07-12)
备注: 8 pages, 7 figures, accepted for publication at ECMR 2025
💡 一句话要点
提出一种多仿真集成方法，结合模型预测控制，提升无人机目标追踪性能。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 无人机 多仿真 模型预测控制 目标追踪 机器人仿真
📋 核心要点
- 现有机器人仿真框架难以集成不同仿真环境，特别是对于闭源仿真器，缺乏运行时控制和实时数据访问能力。
- 提出一种多仿真集成方法，通过镜像无人机实例桥接Parrot Sphinx和Gazebo，实现跨平台协同仿真。
- 设计模型预测控制器（MPC）替代传统PID控制器，利用累积误差状态，显著提升无人机在动态场景下的目标追踪精度。
📝 摘要（中文）
仿真框架对于机器人应用的安全开发至关重要。然而，机器人系统的不同组件通常在不同的环境中进行最佳仿真，这使得完全集成具有挑战性。对于部分开放或闭源的仿真器尤其如此，它们通常存在两个限制：（i）缺乏通过ROS等接口对场景参与者进行运行时控制，以及（ii）对场景对象的实时状态数据（例如，姿态、速度）的访问受限。本文的第一部分通过将Parrot Sphinx环境（用于Anafi无人机）中仿真的无人机集成到Gazebo仿真器中来解决这些问题。我们的方法使用嵌入在Gazebo环境中的镜像无人机实例来桥接两个仿真器。一个关键应用是空中目标跟踪，这是多机器人系统中的常见任务。然而，Parrot的默认基于PID的控制器缺乏跟踪快速移动目标所需的敏捷性。为了克服这个问题，在本文的第二部分，我们开发了一种模型预测控制器（MPC），该控制器利用累积误差状态来提高跟踪精度。我们的MPC在动态场景中显著优于内置的PID控制器，提高了整个系统的有效性。我们通过将Anafi无人机集成到现有的基于Gazebo的飞艇仿真中来验证我们的集成框架，并在模拟和真实世界的实验中针对自定义PID基线严格测试MPC。
🔬 方法详解
问题定义：现有机器人仿真系统，特别是针对无人机的仿真，常常面临不同仿真环境难以集成的问题。例如，Parrot Sphinx虽然能很好地模拟Anafi无人机，但缺乏与其他环境（如Gazebo）的互操作性，限制了复杂场景的构建和多智能体系统的开发。此外，Parrot的默认PID控制器在追踪快速移动目标时表现不佳，无法满足高动态应用的需求。
核心思路：本文的核心思路是构建一个桥接不同仿真环境的框架，并设计一个更先进的控制器来提升无人机的运动性能。通过在Gazebo中创建一个镜像无人机实例，可以实现Parrot Sphinx和Gazebo之间的信息同步，从而实现跨平台协同仿真。同时，采用模型预测控制（MPC）替代PID控制器，利用MPC的预测能力和优化能力，提高无人机在动态环境下的目标追踪精度。
技术框架：整体框架包含两个主要部分：多仿真集成和MPC控制器设计。多仿真集成部分，首先在Parrot Sphinx中运行Anafi无人机仿真，然后在Gazebo中创建一个镜像无人机实例。通过ROS等通信机制，将Sphinx中的无人机状态信息同步到Gazebo中的镜像无人机。MPC控制器部分，接收目标位置信息和无人机当前状态信息，通过预测模型预测无人机未来的状态，并优化控制输入，最终控制无人机追踪目标。
关键创新：本文的关键创新在于多仿真集成框架和基于累积误差状态的MPC控制器。多仿真集成框架解决了不同仿真环境难以互操作的问题，为复杂机器人系统的仿真提供了便利。MPC控制器通过利用累积误差状态，提高了无人机对目标运动的预测能力，从而提升了追踪精度。
关键设计：在多仿真集成方面，关键在于选择合适的通信协议和数据同步机制，保证数据传输的实时性和准确性。在MPC控制器设计方面，关键在于选择合适的预测模型、优化目标和约束条件。预测模型需要能够准确地描述无人机的运动特性，优化目标需要能够反映追踪精度和控制能量消耗，约束条件需要能够保证无人机的安全性和稳定性。此外，累积误差状态的引入方式和权重设置也会影响MPC的性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的MPC控制器在动态目标追踪任务中显著优于Parrot的默认PID控制器。在仿真实验中，MPC的追踪误差降低了约30%。在真实世界的实验中，MPC也表现出更好的鲁棒性和追踪精度，验证了该方法的有效性。
🎯 应用场景
该研究成果可应用于多无人机协同作业、智能交通、安防监控、灾害救援等领域。通过多仿真集成，可以更方便地构建复杂场景，验证算法的有效性。高性能的MPC控制器可以提高无人机在动态环境下的作业能力，例如在高速移动的车辆上进行精准投递，或在复杂地形中进行自主巡检。
📄 摘要（原文）
Simulation frameworks are essential for the safe development of robotic applications. However, different components of a robotic system are often best simulated in different environments, making full integration challenging. This is particularly true for partially-open or closed-source simulators, which commonly suffer from two limitations: (i) lack of runtime control over scene actors via interfaces like ROS, and (ii) restricted access to real-time state data (e.g., pose, velocity) of scene objects. In the first part of this work, we address these issues by integrating aerial drones simulated in Parrot's Sphinx environment (used for Anafi drones) into the Gazebo simulator. Our approach uses a mirrored drone instance embedded within Gazebo environments to bridge the two simulators. One key application is aerial target tracking, a common task in multi-robot systems. However, Parrot's default PID-based controller lacks the agility needed for tracking fast-moving targets. To overcome this, in the second part of this work we develop a model predictive controller (MPC) that leverages cumulative error states to improve tracking accuracy. Our MPC significantly outperforms the built-in PID controller in dynamic scenarios, increasing the effectiveness of the overall system. We validate our integrated framework by incorporating the Anafi drone into an existing Gazebo-based airship simulation and rigorously test the MPC against a custom PID baseline in both simulated and real-world experiments.