Terminal Constraint Model Predictive Control for Image-Based Visual Servoing of UAVs with Kalman Filter-Based Moment Loss Compensation

📄 arXiv: 2605.22443v1 📥 PDF

作者: X. Wang, Y. Cao, W. L. W. Leong, Y. R. Tan, S. Huang, S. H. R. Teo, C. Xiang

分类: cs.RO

发布日期: 2026-05-21

💡 一句话要点

提出基于终端约束MPC的IBVS方法，解决无人机视觉伺服中的约束和特征丢失问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机 视觉伺服 模型预测控制 终端约束 卡尔曼滤波 图像型控制 鲁棒控制

📋 核心要点

  1. 传统IBVS方法在无人机视觉伺服中易受约束影响，并在剧烈运动时因图像特征丢失而失效。
  2. 本文提出TC-MPC框架，结合卡尔曼滤波预测，在满足约束的同时，补偿视觉特征丢失。
  3. 实验验证表明，该方法能有效提升无人机视觉伺服的稳定性和鲁棒性。

📝 摘要（中文）

本文提出了一种基于终端约束模型预测控制(TC-MPC)的图像型视觉伺服(IBVS)框架，用于解决无人机(UAV)视觉伺服中的关键问题。传统IBVS控制器容易在目标附近因输入和状态约束而失去闭环稳定性，并且在剧烈运动下，基于图像矩的视觉特征可能间歇性丢失，导致控制失效。为了解决这些挑战，本文将TC-MPC与基于卡尔曼滤波(KF)的状态预测机制相结合。TC-MPC显式地将终端状态约束和终端代价纳入IBVS误差动态模型中，确保递归可行性、改善收敛行为，并在控制和状态约束下保持闭环稳定性。同时，卡尔曼滤波器预测图像矩在短期视觉退化期间的时序演化，使控制器能够在矩测量部分不可用时保持控制连续性。通过实时无人机视觉伺服实验验证了所提方法的有效性。

🔬 方法详解

问题定义：本文旨在解决无人机图像型视觉伺服(IBVS)中两个主要问题：一是由于输入和状态约束，传统IBVS控制器在目标附近容易失去闭环稳定性；二是当无人机进行剧烈运动时，基于图像矩的视觉特征可能间歇性丢失，导致控制失效。现有方法难以同时解决这两个问题，限制了IBVS在实际无人机应用中的性能和可靠性。

核心思路：本文的核心思路是将模型预测控制(MPC)与终端约束相结合，并利用卡尔曼滤波(KF)进行状态预测。通过在MPC中显式地考虑终端状态约束和终端代价，确保递归可行性和闭环稳定性。同时，利用KF预测图像矩在视觉特征丢失期间的演化，从而维持控制的连续性。这种结合使得系统能够在满足约束的同时，对视觉特征丢失具有鲁棒性。

技术框架：该方法的技术框架主要包括两个核心模块：TC-MPC控制器和基于KF的状态预测器。首先，TC-MPC控制器基于IBVS误差动态模型，在考虑输入和状态约束的情况下，优化无人机的控制输入。其次，KF状态预测器用于预测图像矩在视觉特征丢失期间的演化，并将预测结果反馈给TC-MPC控制器，以补偿视觉特征丢失的影响。整个框架通过实时数据交互，实现无人机的稳定和鲁棒视觉伺服。

关键创新：本文的关键创新在于将终端约束MPC应用于IBVS，并结合KF进行状态预测。与传统IBVS方法相比，TC-MPC能够显式地处理约束，并保证闭环稳定性。同时，KF状态预测器能够有效地补偿视觉特征丢失，提高系统的鲁棒性。这种结合是现有方法所不具备的。

关键设计：TC-MPC的关键设计包括：1) 终端状态约束的设置，确保无人机最终能够到达目标位置；2) 终端代价函数的设计，引导无人机快速收敛到目标；3) KF状态预测器的参数调整，使其能够准确地预测图像矩的演化。此外，还需要根据具体的无人机平台和视觉系统，调整MPC的优化参数和约束条件。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过实时无人机视觉伺服实验验证了所提方法的有效性。实验结果表明，与传统IBVS方法相比，该方法能够在满足约束的条件下，更快速、更稳定地将无人机引导至目标位置。此外，该方法还能够有效地补偿视觉特征丢失，提高系统的鲁棒性。具体的性能数据（如收敛速度、稳定性指标等）在论文中进行了详细的展示。

🎯 应用场景

该研究成果可应用于多种无人机视觉伺服任务，例如自主着陆、目标跟踪、精准农业和基础设施巡检等。通过提高无人机视觉伺服的稳定性和鲁棒性，可以降低操作员的干预，提高任务效率和安全性。未来，该方法有望推广到其他类型的机器人和视觉导航系统。

📄 摘要（原文）

Image-Based Visual Servoing (IBVS) provides an efficient vision-guided control paradigm for unmanned aerial vehicles (UAVs) by directly regulating image-space errors. However, conventional IBVS controllers are vulnerable to two critical issues: loss of closed-loop stability near the target due to input and state constraints, and control failure caused by intermittent loss of moment-based visual features under aggressive motion. To address these challenges, this paper proposes a terminal-constraint model predictive control (TC-MPC) framework for IBVS, integrated with a Kalman filter (KF)-based state-prediction mechanism. The TC-MPC explicitly incorporates terminal-state constraints and a terminal cost into the IBVS error dynamics, ensuring recursive feasibility, improved convergence behavior, and closed-loop stability under control and state constraints. In parallel, the Kalman filter predicts the temporal evolution of image moments during short-term visual degradation, enabling the controller to preserve control continuity when moment measurements are partially unavailable. The proposed approach is validated through real-time UAV visual servoing experiments.