A Robust Neural Control Design for Multi-drone Slung Payload Manipulation with Control Contraction Metrics

📄 arXiv: 2510.01489v1 📥 PDF

作者: Xinyuan Liang, Longhao Qian, Yi Lok Lo, Hugh H. T. Liu

分类: eess.SY, cs.RO

发布日期: 2025-10-01

备注: Submit to the 2026 American Control Conference (ACC)

💡 一句话要点

提出一种基于控制收缩度量的多无人机吊索负载操纵鲁棒神经控制方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多无人机协同 吊索负载 鲁棒控制 控制收缩度量 不确定性扰动估计 神经控制 轨迹跟踪

📋 核心要点

  1. 现有方法在多无人机吊索负载操纵中难以兼顾鲁棒性和控制约束，尤其是在存在外部扰动时。
  2. 利用控制收缩度量（CCM）设计神经指数收敛控制器，并结合不确定性和扰动估计器（UDE）动态补偿扰动。
  3. 仿真结果验证了该控制设计在复杂轨迹跟踪和抵抗外部扰动方面的有效性，实现了零轨迹跟踪误差。

📝 摘要（中文）

本文提出了一种鲁棒的神经控制设计，用于三无人机吊索负载运输系统，以在外部扰动下跟踪参考路径。控制收缩度量（CCM）用于生成神经指数收敛基线控制器，同时满足控制输入饱和约束。我们还结合了不确定性和扰动估计器（UDE）技术，以动态补偿持续扰动。所提出的框架产生模块化设计，允许控制器和估计器执行各自的任务，并在扰动满足某些假设时实现零轨迹跟踪误差。本文还介绍了包含CCM控制器和UDE补偿器的完整系统的稳定性和鲁棒性。仿真结果表明，所提出的控制设计能够在外部扰动下跟踪复杂的轨迹。

🔬 方法详解

问题定义：本文旨在解决多无人机协同吊索负载运输系统在存在外部扰动和控制输入饱和约束下的轨迹跟踪问题。现有方法通常难以同时保证系统的鲁棒性、稳定性和满足控制约束，尤其是在面对持续扰动时，性能会显著下降。

核心思路：论文的核心思路是将控制收缩度量（CCM）与不确定性和扰动估计器（UDE）相结合。CCM用于设计一个保证指数收敛的基线控制器，同时显式地考虑控制输入饱和约束。UDE则用于动态估计和补偿外部扰动，从而提高系统的鲁棒性。

技术框架：整个控制框架由两部分组成：CCM控制器和UDE补偿器。CCM控制器根据参考轨迹和系统状态生成控制输入，保证系统在理想情况下的稳定性和收敛性。UDE则根据系统状态和控制输入估计外部扰动，并将估计结果反馈给CCM控制器进行补偿。这种模块化的设计使得控制器和估计器可以独立地执行各自的任务。

关键创新：该方法最重要的创新在于将CCM和UDE相结合，实现了对多无人机吊索负载系统的鲁棒控制。CCM保证了系统的稳定性和控制约束，而UDE则提高了系统对外部扰动的抵抗能力。这种结合使得系统能够在复杂环境下实现精确的轨迹跟踪。

关键设计：CCM控制器的设计需要选择合适的收缩度量和控制律，以保证指数收敛和满足控制约束。UDE的设计需要选择合适的滤波器和估计增益，以保证扰动估计的准确性和稳定性。论文中具体使用了神经网络来近似CCM控制器，并设计了相应的训练方法。UDE部分则采用了线性滤波器进行扰动估计。

📊 实验亮点

仿真结果表明，所提出的控制设计能够在外部扰动下跟踪复杂的轨迹，并实现零轨迹跟踪误差。通过与传统控制方法进行对比，验证了该方法在鲁棒性和抗扰动能力方面的优势。具体的性能数据（例如跟踪误差、收敛速度等）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物流运输、基础设施巡检、灾害救援等领域。多无人机协同吊索负载运输系统能够高效地完成复杂环境下的物资运输和设备部署任务。鲁棒控制设计能够保证系统在恶劣环境下的稳定性和可靠性，提高任务完成的效率和安全性。未来可进一步扩展到更大规模的无人机集群和更复杂的负载类型。

📄 摘要（原文）

This paper presents a robust neural control design for a three-drone slung payload transportation system to track a reference path under external disturbances. The control contraction metric (CCM) is used to generate a neural exponentially converging baseline controller while complying with control input saturation constraints. We also incorporate the uncertainty and disturbance estimator (UDE) technique to dynamically compensate for persistent disturbances. The proposed framework yields a modularized design, allowing the controller and estimator to perform their individual tasks and achieve a zero trajectory tracking error if the disturbances meet certain assumptions. The stability and robustness of the complete system, incorporating both the CCM controller and the UDE compensator, are presented. Simulations are conducted to demonstrate the capability of the proposed control design to follow complicated trajectories under external disturbances.