⚡ electrical engineering

Coordinated Trajectory Control Algorithm for Quadcopter Motion along a Smooth Spatial Trajectory

Dieser Beitrag stellt einen robusten, geometrisch synthetisierten Regelalgorithmus für Quadrocopter vor, der durch den Einsatz eines erweiterten Beobachters und einer vereinfachten Abstimmungsmethodik eine stabile 3D-Trajektorienverfolgung trotz nicht gemessener Störungen und unvollständiger Zustandsinformationen gewährleistet.

Ursprüngliche Autoren: Stanislav Kim, Anton Pyrkin, Oleg Borisov

Veröffentlicht 2026-05-18

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Stanislav Kim, Anton Pyrkin, Oleg Borisov

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Quadcopter (eine Drohne mit vier Propellern) nicht nur als fliegendes Spielzeug vor, sondern als einen sehr empfindlichen Hochgeschwindigkeitszug, der perfekt an einer unsichtbaren, gewundenen Spur haften muss, die im dreidimensionalen Raum schwebt. Diese Spur ist nicht einfach nur eine Linie auf einer Karte; es ist ein glatter, sich krümmender Pfad, der sich nach oben, unten und um Hindernisse herum winden kann.

Der Artikel von Kim, Pyrkin und Borisov ist im Wesentlichen ein Bauplan für ein neues „Autopilot"-System, das diese Drohne auch dann auf dieser unsichtbaren Spur hält, wenn die Dinge chaotisch werden. Hier ist, wie sie es geschafft haben, aufgeteilt in einfache Konzepte:

1. Das Problem: „Kürzester Weg" versus „Auf der Spur bleiben"

Normalerweise sagen wir einem Roboter, wenn er von Punkt A nach Punkt B soll, dass er den kürzesten Weg nehmen soll, wie eine Krähe, die geradeaus fliegt. Aber wenn Wände oder Hindernisse im Weg sind, funktioniert diese gerade Linie nicht.

Die Autoren schlagen einen anderen Ansatz vor, der als koordinierte Steuerung bezeichnet wird. Anstatt nur zu sagen „Gehe zu diesem spezifischen Punkt", sagen sie: „Folge dieser spezifischen, kurvigen Linie, mit dieser spezifischen Geschwindigkeit und in dieser spezifischen Ausrichtung."

Die Analogie: Stellen Sie sich einen Rennfahrer vor. Ein „Verfolgungs"-System sagt dem Auto: „Fahre so schnell wie möglich zum Ziel." Ein „koordiniertes" System sagt dem Auto: „Bleibe genau in der Mitte der Spur, selbst wenn die Spur scharf kurvt, und halte deine Geschwindigkeit konstant." Das Ziel ist nicht nur, dort anzukommen; es geht darum, perfekt mit dem Pfad ausgerichtet zu bleiben, selbst wenn das bedeutet, viele Kurven zu fahren, um eine Wand zu vermeiden.

2. Die Herausforderung: Die Drohne ist eine „chaotische" Maschine

Die Steuerung einer Drohne ist schwierig, weil es ein „nichtlineares" System ist. Das ist eine ausgefallene Art zu sagen, dass sich die Drohne nicht wie ein Auto auf einer Straße in einer geraden, vorhersehbaren Linie bewegt. Wenn Sie die Drohne nach vorne neigen, geht sie nicht nur nach vorne; sie ändert auch, wie sie sich dreht und wie sie auf die Schwerkraft reagiert. Alle ihre Bewegungen (hoch/runter, links/rechts, Drehen) sind wie ein Wollknäuel miteinander verwickelt.

Frühere Versuche, Drohnen zu steuern, ignorierten oft das „Gieren" (die Drehbewegung der Drohne) oder gingen davon aus, dass die Ingenieure jeden einzelnen inneren Teil des „Gehirns" der Drohne (den vollständigen Zustandsvektor) sehen können. Die Autoren wollten dies lösen, indem sie nur die Informationen verwendeten, die eine Standarddrohne leicht sehen kann: ihre Position (x, y, z) und ihren Drehwinkel (Gieren).

3. Die Lösung: Ein „Schatten"-System und ein „glatter" Regler

Um die verwickelte Mathematik zu beheben, entwickelten die Autoren eine neue Art, das Problem zu betrachten.

Das Schatten-System: Anstatt zu versuchen, die rohe Position der Drohne direkt zu steuern, erfanden sie ein „Schatten"-Koordinatensystem. Stellen Sie sich die Drohne als einen Hund an der Leine vor, und die Leine ist die unsichtbare Spur. Sie schufen eine mathematische Methode, um genau zu messen, wie weit der Hund von der Leine entfernt ist (der Fehler) und wie schnell er davon abdriftet. Sie verwandelten dieses komplexe 3D-Problem in ein einfacheres, geradliniges Problem, das viel leichter zu lösen ist.
Der glatte Regler: Sie entwickelten einen Steuerungsalgorithmus, der wie ein sehr geschickter Fahrer wirkt.
- Die „Integratoren": Sie fügten dem Regler zusätzliche „Gedächtnis"-Schritte (Integratoren) hinzu. Denken Sie daran, dass der Fahrer nicht nur auf die Straße im Moment reagiert, sondern sich auch daran erinnert, wie sich die Straße eine Splittersekunde zuvor und eine Splittersekunde davor angefühlt hat. Dies ermöglicht weichere, stabilere Anpassungen.
- Die „Sättigungs"-Sicherheit: Sie fügten einen „Geschwindigkeitsbegrenzer" (Sättigungsfunktion) in die Mathematik ein. Genau wie ein Auto eine Höchstgeschwindigkeit hat, stellt diese Mathematik sicher, dass die Befehle der Drohne niemals zu extrem werden, was ein Durchdrehen oder Brechen verhindert.

4. Das „Black Box"-Problem: Sehen ohne zu Sehen

Der beeindruckendste Teil ihrer Lösung ist, wie sie mit fehlenden Informationen umgehen. In der realen Welt kann man nicht immer genau messen, wie schnell sich die Drohne in jedem winzigen Bruchteil einer Sekunde beschleunigt oder dreht.

Der Beobachter: Die Autoren bauten einen mathematischen „Beobachter". Das ist wie ein Detektiv, der die Hinweise betrachtet, die die Drohne gibt (ihre Position und Drehung), und die verborgenen Hinweise (Beschleunigung, Störungen) errät.
Das Ergebnis: Selbst ohne die „verborgenen" Variablen zu sehen, nutzt der Regler diese Schätzungen, um die Drohne auf der Spur zu halten. Es ist wie das Fahren eines Autos mit einer nebligen Windschutzscheibe; man kann die Straße nicht perfekt sehen, aber das Gehirn (der Beobachter) füllt die Lücken, damit man nicht crasht.

5. Das Ziel

Der Artikel behauptet, dass mit diesem neuen Algorithmus:

Die Drohne sehr nahe an der unsichtbaren Spur bleibt (innerhalb eines winzigen Fehlerspielraums).
Sie die gewünschte Geschwindigkeit entlang der Spur einhält.
Sie sich in die richtige Richtung ausrichtet, während sie sich bewegt.
Sie all dies sogar dann tun kann, wenn es kleine, unvorhersehbare Stöße oder Winde gibt (Robustheit), und zwar nur mit einfachen Positions- und Winkelsensoren.

Kurz gesagt: Die Autoren haben ein sehr kompliziertes, verwickeltes mathematisches Problem des Fliegens einer Drohne im dreidimensionalen Raum entwirrt. Sie schufen einen „intelligenten Autopiloten", der einen klugen mathematischen Trick verwendet, um ein 3D-Labyrinth in eine gerade Linie zu verwandeln, einen „Detektiv" verwendet, um fehlende Informationen zu erraten, und die Drohne wie einen Zug auf einer Spur an ihrem Pfad haften lässt, und das alles ohne teure oder komplexe Sensoren.

Technische Zusammenfassung: Koordinierter Trajektorienregelungsalgorithmus für die Bewegung eines Quadcopters entlang einer glatten räumlichen Trajektorie

Problemstellung
Der Beitrag adressiert die Herausforderung der Regelung eines Quadcopters, der sich entlang einer glatten, dreidimensionalen räumlichen Trajektorie bewegen soll. Die Autoren unterscheiden zwischen zwei primären Regelungsparadigmen: der Verfolgungsregelung (tracking control), bei der der Roboter versucht, eine bestimmte Position zu einem bestimmten Zeitpunkt zu erreichen (was häufig zu Lösungen des kürzesten Weges führt, die in umgebungsreichen Umgebungen mit Hindernissen versagen können), und der koordinierten Regelung. Bei der koordinierten Regelung sind die Trajektorie und das Geschwindigkeitsprofil entlang dieser Kurve vorab festgelegt. Das Regelungsziel besteht darin, die Abweichung vom Pfad zu minimieren, anstatt die Distanz zu einem bestimmten Zeitpunkt, wodurch das Fahrzeug Hindernisse umfahren kann, indem es seine Geschwindigkeit entlang der Kurve anpasst.

Das spezifische Problem, das hier behandelt wird, umfasst ein nichtlineares dynamisches Modell eines Quadcopters, bei dem der relative Grad der Regelkanäle nicht identisch ist, was die Modellzerlegung erschwert. Darüber hinaus muss die vorgeschlagene Lösung ausschließlich auf Ausgangsmessungen (lineare Koordinaten $x, y, z$ und Gierwinkel $\psi$ ) basieren und nicht auf Messungen des vollständigen Zustandsvektors, was eine erhebliche Einschränkung im Vergleich zu bestehenden zustandsrückgeführten Ansätzen darstellt.

Methodik
Die Autoren entwickeln eine Regelungssynthese, die auf einem geometrischen Ansatz und einer robusten Ausgangsrückführung basiert:

Dynamische Modellierung und Definition der Abweichung:
Ein vollständiges nichtlineares Modell des Quadcopters wird aufgestellt, das lineare Koordinaten und Orientierung (Gieren, Nicken, Rollen) berücksichtigt. Die Abweichung von der gewünschten Trajektorie $S$ wird mittels einer Koordinatentransformation definiert. Dies umfasst:
- Eine Pfadkoordinate $s$ , die den nächsten Punkt auf der Kurve darstellt.
- Zwei lineare Fehlerkoordinaten ( $e_1, e_2$ ), die den Abstand zu zwei Ebenen darstellen, die sich im gewünschten Geschwindigkeitsvektor schneiden.
- Winkelabweichungen ( $\delta\phi, \delta\theta, \delta\psi$ ), wobei das gewünschte Nicken und Rollen als null angenommen werden und der gewünschte Gierwinkel aus der Projektion der Trajektorie abgeleitet wird.
Transformation in Normalform:
Um das Regelungsdesign zu erleichtern, wird das System durch eine Sequenz von Differentiationen und Koordinatenänderungen in eine „Normalform" transformiert. Die Autoren führen Hilfsvariablen und Integratoren ein, um die Sättigung des Schubregelungseingangs ( $u_1$ ) zu handhaben. Diese Transformation führt zu einem System, bei dem die geregelten Variablen ( $\xi_1$ ) und ihre Ableitungen ( $\xi_2, \xi_3, \xi_4$ ) einen erweiterten Zustandsvektor bilden. Das System wird als invertierbar nachgewiesen, was die Rekonstruktion der ursprünglichen Regelgrößen aus den Normalformvariablen ermöglicht.
Robuste Ausgangsrückführungs-Regelungssynthese:
- Ideale Zustandsrückführung: Zunächst wird eine Regelgesetz unter der Annahme vollständiger Zustandsverfügbarkeit synthetisiert. Dieses Gesetz verwendet eine lineare Rückführungsstruktur mit Verstärkungen ( $\gamma_1$ bis $\gamma_4$ ), die so gewählt werden, dass sie ein Hurwitz-Polynom bilden und damit die lokale asymptotische Stabilität der Fehlerdynamik gewährleisten.
- Implementierung der Ausgangsrückführung: Unter Berücksichtigung, dass eine vollständige Zustandsmessung nicht verfügbar ist, wenden die Autoren eine Methode des erweiterten Beobachters an. Ein Beobachter mit hoher Verstärkung wird entworfen, um die nicht gemessenen Zustände ( $\hat{\xi}_2, \hat{\xi}_3, \hat{\xi}_4$ ) und den unbekannten Störterm ( $\hat{\sigma}$ ) zu schätzen.
- Regelgesetz: Das finale Regelgesetz nutzt diese geschätzten Zustände und enthält eine glatte Sättigungsfunktion, um sicherzustellen, dass die Regelgrößen innerhalb physikalischer Grenzen bleiben. Die Schubkräfte für die vier Propeller werden durch Invertieren der aus der Normalform abgeleiteten Transformationsmatrix berechnet.

Hauptbeiträge

Vollständiges 3D-Modell: Im Gegensatz zu früheren Arbeiten, die unvollständige Modelle verwendeten, die die Gierdynamik ignorierten oder auf ebene Bewegung beschränkt waren, stellt dieser Beitrag ein vollständiges dynamisches Modell für die Quadcopter-Bewegung im 3D-Raum vor.
Koordinierte Regelung mit Ausgangsrückführung: Der Beitrag synthetisiert ein koordiniertes Regelgesetz, das ausschließlich auf Messungen linearer Koordinaten und des Gierwinkels basiert und die Schwierigkeit nicht-identischer relativer Grade in den Regelkanälen adressiert.
Vereinfachte Parametrierung: Durch die Verwendung zusätzlicher Integratoren und eines dynamischen Regelalgorithmus schlagen die Autoren eine Methodik mit vereinfachter Reglerparametrierung vor, im Vergleich zu früheren Verfolgungsregelungsalgorithmen, die eine komplexe Parametersélection zur Erfüllung von Beweisbedingungen erforderten.
Robustheit: Die Einbeziehung eines erweiterten Beobachters ermöglicht es dem System, unbekannte Terme und Störungen zu handhaben und bietet eine robuste Lösung für die Trajektorienverfolgung.

Ergebnisse und Behauptungen
Der Beitrag liefert einen theoretischen Beweis für die lokale Stabilität des geschlossenen Regelkreises. Die Autoren zeigen, dass, wenn die Reglerparameter als Koeffizienten eines Hurwitz-Polynoms gewählt werden, die Abweichungsvariablen ( $\tilde{\xi}$ ) asymptotisch gegen Null streben. Dies garantiert, dass der Quadcopter:

Die vorgeschriebene räumliche Kurve folgt.
Das vorgeschriebene Geschwindigkeitsprofil entlang der Kurve beibehält.
Orientierungsfehler innerhalb begrenzter Grenzen hält.

Die mathematische Herleitung bestätigt, dass das Regelgesetz die Ziele der Minimierung der Abweichung von der Trajektorie sowie der Aufrechterhaltung der gewünschten Geschwindigkeit und Orientierung erreicht, sofern die Krümmung der Trajektorie beschränkt ist und die Anfangsbedingungen innerhalb des Einzugsgebiets liegen.

Bedeutung
Der Beitrag beansprucht, eine Lücke in der Literatur zu schließen, indem er die koordinierte Trajektorienregelung von ebenen mobilen Robotern auf die 3D-Bewegung von Quadcoptern unter Verwendung ausschließlich von Ausgangsrückführung erweitert. Er grenzt sich von früheren Arbeiten ab, die entweder unvollständige Modelle verwendeten oder vollständige Zustandsmessungen erforderten. Die Bedeutung liegt in der Bereitstellung eines theoretisch fundierten, robusten Algorithmus für die räumliche Pfadverfolgung, der angesichts standardmäßiger Sensorbeschränkungen (Position und Gierwinkel) praktisch implementierbar ist, ohne dass eine komplexe Zustandsschätzung von Winkelgeschwindigkeiten oder vollständigen Orientierungsvektoren erforderlich ist. Die Autoren weisen darauf hin, dass, obwohl der theoretische Rahmen etabliert ist, großmaßstäbliche experimentelle Studien für zukünftige Arbeiten geplant sind, um das synthetisierte Regelgesetz zu validieren.