Nonlinear Model Predictive Control for Leaderless UAV Formation Flying with Collision Avoidance under Directed Graphs

📄 arXiv: 2505.06895v1 📥 PDF

作者: Yiming Wang, Yao Fang, Jie Mei, Youmin Gong, Guangfu Ma

分类: eess.SY

发布日期: 2025-05-11

💡 一句话要点

提出基于MRACon的分布式NMPC方法，解决有向图下无人机编队飞行与避障问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机编队 非线性模型预测控制 分布式控制 模型参考自适应一致性 碰撞避免 有向图 无人机集群

📋 核心要点

  1. 现有无人机编队方法在复杂环境下的避障能力和通信拓扑适应性方面存在挑战。
  2. 论文提出基于MRACon框架的分布式NMPC方法，利用相对测量信息，实现无人机间的协同控制。
  3. 仿真和硬件实验验证了该方法在有向图通信拓扑下，实现安全编队飞行的有效性。

📝 摘要（中文）

本文研究了无人机（UAV）集群的无领导者编队飞行问题，要求无人机在保持编队的同时，在复杂环境中导航并避免碰撞。无人机之间的通信网络被构建为包含有向生成树的有向图。提出了一种基于模型参考自适应一致性（MRACon）框架的新型分布式非线性模型预测控制（NMPC）方法。在该框架内，每个无人机跟踪由线性参考模型生成的指定参考输出，该模型利用相对测量作为输入。随后，NMPC方法惩罚参考模型输出与实际模型输出之间的跟踪误差，同时建立碰撞避免和物理限制的约束集，以实现分布式和安全的编队控制。最后，通过仿真和硬件实验验证了所提出方法的有效性。

🔬 方法详解

问题定义：论文旨在解决在有向图通信拓扑下，无人机集群在复杂环境中进行无领导者编队飞行时，如何实现安全避障并保持编队的问题。现有方法在处理非线性动力学、复杂环境和有向通信拓扑时存在局限性，难以保证编队的安全性和鲁棒性。

核心思路：论文的核心思路是利用模型参考自适应一致性（MRACon）框架，将编队控制问题转化为跟踪参考模型输出的问题。每个无人机通过分布式NMPC方法，根据相对测量信息调整自身状态，以跟踪参考模型生成的轨迹，从而实现编队控制。同时，NMPC方法考虑了碰撞避免和物理约束，保证了飞行的安全性。

技术框架：整体框架包括以下几个主要模块：1) 线性参考模型：为每个无人机生成参考输出，该输出基于相对测量信息。2) 非线性模型预测控制器（NMPC）：每个无人机配备一个NMPC，用于优化控制输入，以最小化跟踪误差，同时满足碰撞避免和物理约束。3) 通信网络：无人机之间通过有向图进行通信，传递相对测量信息。整个流程是分布式执行的，每个无人机独立计算控制输入，无需全局信息。

关键创新：论文的关键创新在于将MRACon框架与分布式NMPC方法相结合，实现了在有向图通信拓扑下的安全编队飞行。MRACon框架简化了编队控制问题，将其转化为跟踪问题，降低了计算复杂度。分布式NMPC方法保证了控制的实时性和鲁棒性。此外，论文还考虑了碰撞避免和物理约束，提高了飞行的安全性。

关键设计：参考模型选择为线性模型，其输入为相对测量信息，输出为期望状态。NMPC的目标函数包括跟踪误差项和控制输入惩罚项。约束条件包括碰撞避免约束（基于距离阈值）和物理约束（如速度和加速度限制）。NMPC采用滚动优化策略，在每个控制周期内求解一个有限时域优化问题。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，所提出的方法能够在有向图通信拓扑下实现无人机编队飞行，并有效避免碰撞。硬件实验进一步验证了该方法在实际环境中的可行性和有效性。实验结果表明，无人机能够保持稳定的编队，并成功避开障碍物。

🎯 应用场景

该研究成果可应用于无人机集群协同作业，如环境监测、搜索救援、农业植保、物流运输等领域。通过该方法，可以实现无人机在复杂环境下的安全、高效编队飞行，提高作业效率和安全性。未来，该方法有望扩展到更大规模的无人机集群，并应用于更复杂的任务场景。

📄 摘要（原文）

This paper studies the leaderless formation flying problem with collision avoidance for a group of unmanned aerial vehicles (UAVs), which requires the UAVs to navigate through cluttered environments without colliding while maintaining the formation. The communication network among the UAVs is structured as a directed graph that includes a directed spanning tree. A novel distributed nonlinear model predictive control (NMPC) method based on the model reference adaptive consensus (MRACon) framework is proposed. Within this framework, each UAV tracks an assigned reference output generated by a linear reference model that utilizes relative measurements as input. Subsequently, the NMPC method penalizes the tracking error between the output of the reference model and that of the actual model while also establishing constraint sets for collision avoidance and physical limitations to achieve distributed and safe formation control. Finally, simulations and hardware experiments are conducted to verify the effectiveness of the proposed method.