Onboard Wind-Preview Model Predictive Control Using Pitot-Static Sensing for Multirotor UAVs
作者: Bas Meere, Eline Wisse, Laurens Vousten, Sander Doodeman, Elena Torta, Paula Chanfreut, Duarte Antunes
分类: cs.RO
发布日期: 2026-09-25
备注: Submitted to ICRA 2027
💡 一句话要点
提出基于皮托静压传感器的风预览模型预测控制以提升无人机悬停性能
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 无人机控制 模型预测控制 风突袭拒绝 皮托静压传感器 悬停性能 自主飞行 气象监测
📋 核心要点
- 现有的风突袭拒绝方法主要是反应性的，无法在风干扰发生前进行有效补偿，导致飞行稳定性下降。
- 本文提出了一种通过皮托静压传感器进行风预览的模型预测控制方法，能够提前感知风干扰并优化无人机运动。
- 实验结果表明，所提出的控制器在悬停性能上显著优于基线，尤其是在户外实验中，误差减少了54%。
📝 摘要（中文）
有效的风突袭拒绝和稳定悬停对于自主无人机的户外操作至关重要。现有的突袭拒绝方法主要是反应性的，通常在风干扰已经影响飞行后才进行补偿。本文通过在无人机前方安装低成本、轻量的皮托静压传感器，提前测量风速，从而实现风的预览。将此信息纳入非线性模型预测控制器（MPC）中，优化无人机运动以应对风干扰。通过仿真分析，确定了最佳预览距离与风速和无人机响应速度之间的关系。室内实验验证了该控制器在悬停性能上的显著提升，户外实验显示相较于基线，沿风向的误差减少了54%。
🔬 方法详解
问题定义：本文旨在解决现有无人机在风突袭情况下的悬停稳定性问题。现有方法主要依赖于反应性控制，无法在风干扰发生前进行有效补偿，导致飞行性能下降。
核心思路：论文提出通过在无人机前方安装皮托静压传感器，提前测量风速，从而实现风的预览。这一方法使得控制器能够在风干扰发生之前进行预测性调整，提升悬停稳定性。
技术框架：整体架构包括风速测量模块、非线性模型预测控制器（MPC）和无人机运动优化模块。风速测量模块负责实时获取风速信息，MPC则根据这些信息优化无人机的运动轨迹。
关键创新：最重要的技术创新在于将风预览信息直接纳入控制决策中，区别于传统的反应性控制方法。这种前瞻性控制策略显著提高了无人机在风干扰下的悬停性能。
关键设计：关键参数包括传感器的安装位置和长度，长杆可以提供更长的预览时间，但会增加惯性并影响飞行性能。通过仿真和实验，确定了最佳的预览距离与风速和无人机响应速度之间的关系。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的控制器在悬停性能上显著优于PX4基线和相同条件下的风无关MPC。户外实验中，沿风向的误差减少了54%，验证了风预览控制策略的有效性。
🎯 应用场景
该研究的潜在应用领域包括无人机在复杂气象条件下的自主飞行、农业监测、环境监测等。通过提升无人机在风突袭情况下的悬停性能，可以扩展其在户外操作的可靠性和效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Effective wind gust rejection and stable hovering are critical for the outdoor operation of autonomous drones. However, existing gust rejection methods are primarily reactive, inferring the disturbance from the resulting motion or measuring it at the airframe. Either way, the wind has already begun to act before it can be compensated. In this work, we anticipate the gust instead by measuring the wind ahead of the drone with a low-cost, low-weight pitot-static sensor mounted on a boom. The resulting wind preview is incorporated into a nonlinear model predictive controller (MPC), which optimizes the drone motion while anticipating wind disturbances. A longer boom offers more preview time but adds inertia and degrades flight performance. We characterize this trade-off in simulation and show that the optimal preview distance is not a fixed property of the platform, but shifts with the wind speed and with how quickly the drone can respond. Indoor hardware experiments confirm the trend and show that the proposed controller substantially improves hover performance against a PX4 baseline and an otherwise identical wind-unaware MPC. Outdoor experiments show that the error along the wind direction is reduced by 54 percent with respect to the baseline, demonstrating that a single wind-aligned sensor can significantly improve hovering performance.