Distributed Switching Model Predictive Control Meets Koopman Operator for Dynamic Obstacle Avoidance
作者: Ali Azarbahram, Chrystian Pool Yuca Huanca, Gian Paolo Incremona, Patrizio Colaneri
分类: eess.SY
发布日期: 2025-11-21 (更新: 2025-11-28)
💡 一句话要点
提出基于Koopman算子的分布式切换模型预测控制，用于无人机动态避障
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 无人机 动态避障 Koopman算子 模型预测控制 分布式控制 智能交通 集群控制
📋 核心要点
- 现有方法难以在动态环境中实现无人机群体的安全、实时协同导航，尤其是在障碍物运动具有非线性时。
- 利用Koopman算子将非线性障碍物动力学线性化，并融入分布式切换模型预测控制框架，实现预测和控制。
- 仿真结果验证了该框架在编队控制和实时避障方面的有效性，适用于智能交通等协作移动系统。
📝 摘要（中文）
本文提出了一种Koopman算子增强的分布式切换模型预测控制(SMPC)框架，用于四旋翼无人机(UAV)在具有移动障碍物的动态环境中进行安全且可扩展的导航。该方法集成了切换运动模式和数据驱动的预测，以实现实时的、无碰撞的协同。局部Koopman算子基于在线测量将非线性障碍物动力学近似为线性模型，从而实现精确的轨迹预测。这些预测被嵌入到分布式SMPC结构中，其中每个无人机使用局部和集群信息做出自主决策。这种计算高效的架构对于地面交通应用，包括协调的车辆流、与行人或骑自行车者共享的基础设施以及城市无人机交通，特别有前景。仿真结果表明了可靠的编队控制和实时避障，突出了该框架在智能和协作移动系统中的广泛相关性。
🔬 方法详解
问题定义：论文旨在解决多无人机在动态环境中安全避障的问题。现有方法在处理非线性障碍物运动时，预测精度不足，难以保证无人机群体的安全性和协同性，计算复杂度也较高，难以满足实时性要求。
核心思路：论文的核心思路是利用Koopman算子将非线性障碍物动力学近似为线性模型，从而简化预测过程，提高预测精度。同时，采用分布式切换模型预测控制框架，使每个无人机能够基于局部信息和集群信息进行自主决策，降低计算复杂度，提高实时性。
技术框架：整体架构包含以下几个主要模块：1) 局部感知模块：每个无人机感知周围环境信息，包括其他无人机和障碍物的位置、速度等；2) Koopman算子学习模块：基于在线测量数据，学习障碍物的Koopman算子，用于预测障碍物的未来轨迹；3) 分布式切换模型预测控制模块：每个无人机基于局部信息、集群信息和障碍物轨迹预测，进行自主决策，生成最优轨迹；4) 运动执行模块：无人机执行生成的轨迹。
关键创新：论文的关键创新在于将Koopman算子与分布式切换模型预测控制相结合。Koopman算子能够有效地处理非线性障碍物动力学，提高预测精度。分布式切换模型预测控制能够降低计算复杂度，提高实时性。与现有方法相比，该方法能够更好地处理动态环境中的避障问题。
关键设计：论文的关键设计包括：1) Koopman算子的选择和学习方法；2) 分布式切换模型预测控制的优化目标函数和约束条件；3) 集群信息的共享机制；4) 切换策略的设计。具体的参数设置和损失函数等细节在论文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
仿真结果表明，该框架能够实现无人机群体的可靠编队控制和实时避障。通过Koopman算子对障碍物运动进行精确预测，显著提高了避障的成功率和安全性。分布式SMPC结构降低了计算复杂度，使得该方法能够满足实时性要求，适用于实际应用场景。
🎯 应用场景
该研究成果可应用于智能交通系统，例如协调车辆流、与行人或骑自行车者共享的基础设施以及城市无人机交通管理。通过提高无人机在复杂动态环境中的自主导航能力，可以提升物流效率、降低交通拥堵、增强安全性，并为未来的智能城市建设提供技术支撑。
📄 摘要（原文）
This paper introduces a Koopman-enhanced distributed switched model predictive control (SMPC) framework for safe and scalable navigation of quadrotor unmanned aerial vehicles (UAVs) in dynamic environments with moving obstacles. The proposed method integrates switched motion modes and data-driven prediction to enable real-time, collision-free coordination. A localized Koopman operator approximates nonlinear obstacle dynamics as linear models based on online measurements, enabling accurate trajectory forecasting. These predictions are embedded into a distributed SMPC structure, where each UAV makes autonomous decisions using local and cluster-based information. This computationally efficient architecture is particularly promising for applications in surface transportation, including coordinated vehicle flows, shared infrastructure with pedestrians or cyclists, and urban UAV traffic. Simulation results demonstrate reliable formation control and real-time obstacle avoidance, highlighting the frameworks broad relevance for intelligent and cooperative mobility systems.