Distributed Connectivity Maintenance and Recovery for Quadrotor Motion Planning
作者: Yutong Wang, Yichun Qu, Tengxiang Wang, Lishuo Pan, Nora Ayanian
分类: cs.RO
发布日期: 2025-10-03
💡 一句话要点
提出基于高阶控制障碍函数的多无人机分布式连接维持与恢复框架
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多无人机系统 连接维持 连接恢复 控制障碍函数 李雅普诺夫函数
📋 核心要点
- 多机器人应用中保持连接至关重要，但易受障碍物和视觉遮挡的影响，现有方法难以兼顾连接维持与恢复。
- 论文提出统一的MPC-CLF-CBF框架，利用高阶控制障碍函数维持连接，控制李雅普诺夫函数实现连接恢复。
- 通过仿真和实际无人机实验验证了框架的有效性，展示了在复杂环境中维持和恢复连接的能力。
📝 摘要（中文）
本文提出了一种实时的分布式框架，用于多无人机导航，该框架通过高阶控制障碍函数（HOCBFs）来保证无人机间的连接，同时避免碰撞。该框架利用控制李雅普诺夫函数（CLFs）实现从初始断连状态和临时连接丢失状态的连接恢复，从而在复杂的障碍物环境中提供鲁棒的连接性。轨迹生成框架通过Bezier参数化的轨迹同时生成规划和控制，自然地提供具有任意阶导数的平滑曲线。主要贡献是统一的MPC-CLF-CBF框架，这是一种连续时间的轨迹生成和控制方法，用于多无人机系统的连接维持和恢复。通过大量的仿真和包含4个Crazyflie纳米四旋翼无人机的物理实验验证了该框架。
🔬 方法详解
问题定义：多无人机系统在复杂环境中导航时，需要维持无人机之间的连接，以保证通信和协作。然而，障碍物和视觉遮挡可能导致连接中断。现有的方法通常难以在避障的同时保证连接的鲁棒性，并且缺乏有效的连接恢复机制。
核心思路：论文的核心思路是利用高阶控制障碍函数（HOCBFs）来保证无人机之间的安全距离，从而维持连接。同时，利用控制李雅普诺夫函数（CLFs）来引导无人机向连接状态收敛，实现连接恢复。通过将MPC、CLF和CBF结合在一个统一的框架中，实现连接维持和恢复的协同控制。
技术框架：该框架包含以下主要模块：1) 基于Bezier曲线的轨迹生成器，用于生成平滑的轨迹；2) 基于HOCBF的连接维持控制器，用于保证无人机之间的安全距离；3) 基于CLF的连接恢复控制器，用于引导无人机向连接状态收敛；4) 模型预测控制器（MPC），用于优化轨迹并协调各个控制器的输出。整体流程是：首先，生成初始轨迹；然后，利用HOCBF和CLF计算控制输入；最后，利用MPC优化控制输入，并更新轨迹。
关键创新：该论文的关键创新在于提出了统一的MPC-CLF-CBF框架，将连接维持和恢复问题纳入一个统一的优化框架中。与现有方法相比，该框架能够同时保证连接的鲁棒性和安全性，并且能够有效地实现连接恢复。此外，利用Bezier曲线进行轨迹生成，能够保证轨迹的平滑性，从而提高控制器的性能。
关键设计：HOCBF的设计需要仔细选择控制增益，以保证控制器的稳定性和性能。CLF的设计需要考虑无人机之间的相对位置和速度，以保证连接恢复的效率。MPC的优化目标包括轨迹的平滑性、控制输入的最小化以及连接维持和恢复的性能。Bezier曲线的参数化需要根据无人机的动力学特性进行调整。
🖼️ 关键图片
📊 实验亮点
通过仿真实验验证了该框架在复杂环境中维持和恢复连接的能力。在包含多个障碍物的环境中，该框架能够成功地维持无人机之间的连接，并且在连接中断后能够快速恢复。物理实验使用4个Crazyflie纳米四旋翼无人机验证了该框架在实际环境中的可行性。
🎯 应用场景
该研究成果可应用于多无人机协同搜索、救援、环境监测等领域。在这些场景中，保持无人机之间的连接至关重要，可以提高任务的效率和可靠性。此外，该框架还可以扩展到其他多机器人系统，例如地面机器人和水下机器人，具有广泛的应用前景。
📄 摘要（原文）
Maintaining connectivity is crucial in many multi-robot applications, yet fragile to obstacles and visual occlusions. We present a real-time distributed framework for multi-robot navigation certified by high-order control barrier functions (HOCBFs) that controls inter-robot proximity to maintain connectivity while avoiding collisions. We incorporate control Lyapunov functions to enable connectivity recovery from initial disconnected configurations and temporary losses, providing robust connectivity during navigation in obstacle-rich environments. Our trajectory generation framework concurrently produces planning and control through a Bezier-parameterized trajectory, which naturally provides smooth curves with arbitrary degree of derivatives. The main contribution is the unified MPC-CLF-CBF framework, a continuous-time trajectory generation and control method for connectivity maintenance and recovery of multi-robot systems. We validate the framework through extensive simulations and a physical experiment with 4 Crazyflie nano-quadrotors.