Robust Adaptive Predictive Control for Hook-Based Aerial Transportation Between Moving Platforms

📄 arXiv: 2605.02370v1 📥 PDF

作者: Péter Antal, Andrea Carron, Melanie Zeilinger, Roland Tóth, Tamás Péni

分类: cs.RO, eess.SY

发布日期: 2026-05-04

备注: Supplementary video: https://youtu.be/l_L7mpUYJqU

💡 一句话要点

提出一种鲁棒自适应预测控制方法，用于移动平台间基于挂钩的无人机自主运输。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 无人机 模型预测控制 鲁棒控制 自适应控制 移动平台 挂钩抓取 扩展卡尔曼滤波

📋 核心要点

  1. 现有方法难以应对无人机在移动平台间运输时，因气动影响和载荷不确定性带来的模型预测不准确问题。
  2. 该方法通过结合零阶鲁棒优化和扩展卡尔曼滤波器，实现对模型不确定性的有效处理和参数的自适应估计。
  3. 在复杂仿真和真实飞行实验中验证了该方法的有效性，证明其能保证约束满足、提升性能并兼顾计算效率。

📝 摘要（中文）

本文提出了一种新颖的模型预测控制（MPC）方法，用于配备挂钩的无人机在移动平台之间进行自主抓取和放置。首先，为了精确快速地建模复杂动力学，构建了一个基于MuJoCo的四旋翼无人机数字孪生模型，该模型配备了基于挂钩的夹具，并用作MPC的预测模型。为了处理预测模型的不确定性（例如，由于空气动力学和不确定的有效载荷），提出了一种鲁棒自适应MPC方法。通过系统地集成基于零阶鲁棒优化（zoRO）的不确定性传播和一个用于参数估计的扩展卡尔曼滤波器（EKF），MPC算法确保了鲁棒的约束满足、高性能和计算效率。所提出方法的有效性在复杂的模拟场景和真实飞行实验中得到了验证。

🔬 方法详解

问题定义：论文旨在解决无人机在移动平台之间进行自主抓取和放置任务时，由于模型预测不确定性（如空气动力学影响、有效载荷变化等）导致的控制性能下降甚至任务失败的问题。现有方法难以同时保证鲁棒性、高性能和计算效率，尤其是在复杂动态环境下。

核心思路：论文的核心思路是采用鲁棒自适应模型预测控制（MPC）框架，利用数字孪生模型进行预测，并通过零阶鲁棒优化（zoRO）进行不确定性传播，同时使用扩展卡尔曼滤波器（EKF）进行参数估计，从而实现对模型不确定性的自适应补偿，保证控制系统的鲁棒性和性能。

技术框架：整体框架包括以下几个主要模块：1) 基于MuJoCo的四旋翼无人机数字孪生模型，用于预测无人机的运动状态；2) 模型预测控制器（MPC），根据预测模型和当前状态计算最优控制量；3) 零阶鲁棒优化（zoRO）模块，用于估计不确定性对预测结果的影响；4) 扩展卡尔曼滤波器（EKF），用于在线估计模型参数，如有效载荷质量等。MPC控制器根据EKF估计的参数和zoRO计算的不确定性范围，优化控制量，以满足约束条件并实现期望的轨迹跟踪。

关键创新：该方法的主要创新在于将零阶鲁棒优化（zoRO）和扩展卡尔曼滤波器（EKF）集成到鲁棒自适应MPC框架中。zoRO能够有效地传播不确定性，而无需对不确定性分布进行假设，EKF则能够在线估计模型参数，从而实现对模型不确定性的自适应补偿。这种集成方式在保证鲁棒性的同时，提高了控制系统的性能和计算效率。

关键设计：关键设计包括：1) 数字孪生模型的精确建模，包括无人机的动力学模型、挂钩机构的模型以及环境模型；2) MPC控制器的优化目标函数，通常包括跟踪误差、控制量以及约束条件；3) zoRO的参数设置，如采样点数量等；4) EKF的状态空间模型和测量模型，以及噪声协方差矩阵的设置。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的鲁棒自适应MPC方法能够在存在模型不确定性的情况下，实现无人机在移动平台之间的精确抓取和放置。在仿真实验中，该方法能够有效地抑制由于空气动力学和有效载荷不确定性引起的误差，并保证约束条件的满足。在真实飞行实验中，无人机成功地在两个移动平台之间完成了多次自主运输任务，验证了该方法的实际可行性和鲁棒性。

🎯 应用场景

该研究成果可应用于物流运输、桥梁检测、灾后救援等领域，尤其是在需要无人机在移动或不稳定平台上进行精确操作的场景中。例如，在海上风电场维护中，无人机可以自主地在船只和风力发电机之间运输工具和设备，提高维护效率和安全性。未来，该技术有望进一步扩展到更复杂的环境和任务中，例如在建筑工地进行材料运输，或在太空环境中进行设备维护。

📄 摘要（原文）

This paper presents a novel model predictive control (MPC) approach for autonomous pick-and-place between moving platforms with a hook-equipped aerial manipulator. First, for accurate and rapid modeling of the complex dynamics, a digital twin model of the quadcopter equipped with a hook-based gripper, implemented in MuJoCo, is constructed and used as the predictive model for the MPC. To handle uncertainties of the predictive model (e.g. due to aerodynamics and uncertain payloads), a robust adaptive MPC approach is proposed. By systematic integration of zero-order robust optimization (zoRO) based uncertainty propagation and an extended Kalman filter (EKF) for parameter estimation, the MPC algorithm ensures robust constraint satisfaction, high performance, and computational efficiency. The effectiveness of the proposed method is evaluated in complex simulated scenarios and in real-world flight experiments.