⚡ electrical engineering

Coordinated Incremental Trajectory Tracking of a Tailsitter Drone

Dieses Paper präsentiert ein analytisches Framework zur differentiellen Flachheit basierend auf Rotationsmatrizen für Tailsitter-UAVs, welches die modernsten Fähigkeiten zur Trajektorienverfolgung auf Flugregime mit signifikanter Vertikalgeschwindigkeit erweitert und durch experimentelle Ergebnisse validiert wird.

Ursprüngliche Autoren: Evangelos Ntouros, Ewoud J. J. Smeur

Veröffentlicht 2026-07-14

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Evangelos Ntouros, Ewoud J. J. Smeur

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 eine Drohne vor, die zwei sehr unterschiedliche Dinge tun kann: wie ein Kolibri vollkommen still in der Luft schweben und dann wie ein schneller Jet nach vorne sausen. Dieser spezielle Typ von Drohne wird als „Tailsitter“ bezeichnet. Sie beginnt ihr Leben, auf ihrem Schwanz stehend, und kippt dann um, um horizontal zu fliegen. Es ist ein cooles Gadget für Rettungseinsätze oder die Auslieferung von Paketen, aber sie ist auch eine kleine Diva in der Steuerung.

Das Problem, das die Autoren dieser Arbeit gelöst haben, ist vergleichbar mit dem Versuch, einem Tänzer beizubringen, sich zu drehen, während er einen steilen Hügel hinaufrennt. Frühere Methoden zur Steuerung dieser Drohnen funktionierten hervorragend, wenn sie flach und stabil flogen. Aber sobald die Drohne versuchte, mit einer großen vertikalen Geschwindigkeit zu fliegen – etwa beim Sturzflug nach unten oder beim Aufstieg nach oben während einer Kurve – gerieten die alten Kontrollmethoden ins Straucheln. Sie stützten sich auf einen Satz von Regeln (genannt Euler-Winkel), die verwirrt werden und versagen, wenn die Drohne nicht mehr eben fliegt. Es ist, als würde man versuchen, einen Kompass zu benutzen, der wild herumwirbelt, sobald man den Kopf neigt; die Drohne würde die Orientierung verlieren oder abstürzen.

Die große Idee: Eine neue Karte für die Drohne
Das Team unter der Leitung von Evangelos Ntouros und Ewoud J. J. Smeur von der Technischen Universität Delft hat einen völlig neuen Weg entwickelt, um den Pfad der Drohne zu berechnen. Anstatt die verwirrenden „Neigungs- und Drehregeln“ zu verwenden, die bei unebenem Flug versagen, nutzten sie ein mathematisches Werkzeug namens „Rotationsmatrizen“. Denken Sie daran als den Wechsel von einer Papierkarte, die reißt, wenn man sie falsch faltet, zu einem stabilen, 3D-holografischen Globus, der funktioniert, egal wie man ihn dreht.

Sie haben mathematisch bewiesen, dass diese neue Methode es der Drohne ermöglicht, „koordinierte“ Pfade zu fliegen. Auf Deutsch gesagt: Die Drohne kann eine sanfte, bankende Kurve fliegen (wie ein Flugzeug in einem Film), selbst während sie sich schnell nach oben oder unten bewegt. Die alte Methode konnte das nicht handhaben; sie stieß auf eine mathematische Wand (eine Singularität) und hörte auf zu funktionieren. Die neue Methode hingegen bleibt ruhig und berechnet weiterhin die richtige Richtung, selbst wenn die Drohne komplizierte Manöver vollführt.

Wie sie es getestet haben
Um zu sehen, ob ihre neue Mathematik in der realen Welt tatsächlich funktioniert, haben sie nicht nur Computersimulationen durchgeführt. Sie nahmen eine echte Drohne, die Parrot Swing, mit in einen großen Innenraum von 10 x 10 x 5 Metern Größe. Dieser Raum war mit Kameras gefüllt, um jede Bewegung der Drohne mit extremer Präzision zu verfolgen.

Sie programmierten die Drohne, um ein „Halbkreisflug“-Manöver (Half-Loop) auszuführen. Stellen Sie sich vor, die Drohne fliegt vorwärts, macht dann eine Schlaufe nach oben und über sich selbst, wie bei einer Achterbahn, und kommt wieder zurück.

Die Herausforderung: Sie ließen die Drohne mit 2 m/s in die Schlaufe eintreten und auf 3,2 m/s beschleunigen, während sie daraus herauskam.
Das Ergebnis: Die Drohne folgte dem Pfad perfekt. Der Fehler zwischen der Soll-Position und der tatsächlichen Position blieb die ganze Zeit über winzig – weniger als 0,4 Meter.

Sie versuchten auch eine schwierigere Version: eine Schlaufe bei gleichzeitiger Seitwärtsbewegung (Cross-Track-Bewegung) mit Geschwindigkeiten von bis zu 2,5 m/s, wobei eine Gesamtgeschwindigkeit von 3,6 m/s erreicht wurde. In diesem Test wäre die alte Methode komplett gescheitert, da die Mathematik für den „Gierwinkel“ (Yaw – wohin die Nase zeigt) unmöglich zu definieren ist, wenn sich die Drohne gleichzeitig seitwärts und aufwärts/abwärts bewegt. Die neue Methode? Sie hielt die Drohne auf Kurs, ohne ins Schwitzen zu geraten.

Was sie nicht getan haben (und warum das wichtig ist)
Es ist wichtig zu wissen, was diese Arbeit nicht behauptet. Die Autoren geben explizit an, dass ihre Methode auf einem vereinfachten Modell basiert, wie die Luft gegen die Drohne drückt. Sie haben nicht versucht, jeden einzelnen winzigen Windstoß oder komplexe aerodynamische Effekte abzubilden, was eine Ewigkeit dauern würde, um alles zu messen. Stattdessen verwendeten sie ein Modell, das „gut genug“ und schnell zu berechnen ist.

Sie geben auch zu, dass ihre neue Mathematik an ihre Grenzen stößt, wenn die Drohne im freien Fall ist (fällt, ohne Antriebskraft) oder wenn die Luftgeschwindigkeit null ist (perfektes Schweben). Sie argumentieren jedoch, dass ein intelligenter Pilot (oder ein intelligenter Computer, der den Flug plant) genau diese spezifischen Situationen einfach vermeiden sollte. Sie haben nicht das Problem gelöst, wie man „im freien Fall fliegt“; sie haben das Problem gelöst, wie man „sanft fliegt, während man kurvt und steigt“.

Das Fazit
Die Autoren haben erfolgreich gezeigt, dass ihr neuer mathematischer „Globus“ besser funktioniert als die alte „Papierkarte“ für diese spezifischen, schwierigen Flugpfade. Sie haben es mit echten Flügen in einem Labor bewiesen und gezeigt, dass die Drohne vertikale Geschwindigkeiten und Schrägkurven bewältigen kann, die bisherige Steuerungen verwirrt hätten.

Obwohl sie nicht alle möglichen Flugprobleme gelöst haben, haben sie die Tür für diese Tailsitter-Drohnen für spannendere, Hochgeschwindigkeits-Akrobatik geöffnet. Der nächste Schritt, sagen sie, besteht darin, diese schwierigen Pfade automatisch zu planen, damit die Drohne sie eigenständig ausführen kann, und dies alles im Freien bei echtem Wind zu testen. Aber für den Moment haben sie gezeigt, dass eine Drohne mit der richtigen Mathematik tanzen kann, ohne über ihre eigenen Füße zu stolpern.

Technisches Resümee: Koordinierte inkrementelle Trajektorienverfolgung eines Tailsitter-Drohnen-Modells

Problemstellung
Hybride unbemannte Luftfahrzeuge (UAVs), insbesondere Tailsitter, bieten die Möglichkeit des Übergangs zwischen Schwebeflug und Vorwärtsflug. Die Steuerung dieser Fahrzeuge über ihr gesamtes Flugspektrum hinweg ist jedoch anspruchsvoll, insbesondere bei koordinierten Flugregimen mit signifikanten vertikalen Geschwindigkeitskomponenten. Bestehende State-of-the-Art-Controller auf Basis der differentiellen Flachheit, wie etwa der von Tal et al. [3] vorgeschlagene, stützen sich auf Annahmen, die primär für den Horizontalflug gültig sind. Bei Anwendung auf Trajektorien mit signifikanten vertikalen Geschwindigkeiten stoßen diese Ansätze auf Singularitäten oder Mehrdeutigkeiten, insbesondere bei der Definition des Gierwinkels oder wenn die vertikale Komponente der spezifischen Kraft gegen Null geht. Darüber hinaus erfordern alternative Formulierungen unter Verwendung des $\pi$ -Theorie-Aerodynamikmodells [6] oft aufwendige Windkanalidentifikationen und führen nahe dem Schwebeflug zu Singularitäten, da Anströmwinkel (Angle of Attack) und Schräganströmung (Sideslip) dort nicht definiert sind.

Methodik
Die Autoren schlagen ein Framework für die analytische Ableitung einer differentiellen Flachheits-Transformation für einen Quadrotor-Tailsitter unter koordinierten Flugbedingungen vor. Die Methodik stützt sich auf folgende Säulen:

Aerodynamische Modellierung: Die Arbeit nutzt die $\phi$ -Theorie-Parametrisierung [4], die ein globales Modell für das gesamte Flugspektrum bietet, einschließlich Transition- und Post-Stall-Regimen. Im Gegensatz zur $\pi$ -Theorie vermeidet dieser Ansatz Singularitäten nahe dem Schwebeflug und ermöglicht eine Parameteridentifikation direkt aus Flugdaten ohne explizite Auftriebs- und Widerstandskoeffizienten. Die resultierende spezifische Kraft wird als Summe aus aerodynamischen Kräften und spezifischem Schub modelliert, vollständig ausgedrückt in der Körperfesten (Body Frame).
Rotationsmatrix-Formulierung: Um die Singularitäten und Mehrdeutigkeiten zu vermeiden, die mit Euler-Winkeln einhergehen, werden die Orientierung und die Rotationsdynamik ausschließlich mittels Rotationsmatrizen formuliert. Die Orientierung des Fahrzeugs wird durch die Rotationsmatrix $R^i_b \in SO(3)$ repräsentiert.
Ableitung der differentiellen Flachheit:
- Flacher Ausgang: Die Position $p$ des Fahrzeugs wird als der flache Ausgang gewählt.
- Rekonstruktion der Orientierung: Für den koordinierten Flug müssen die Geschwindigkeit relativ zur Luftmasse ( $v_a$ ) und die spezifische Kraft ( $f$ ) in der Körper-XZ-Ebene liegen. Die Körper-Y-Achse ( $b_y$ ) wird analytisch als normiertes Kreuzprodukt von $v_a$ und $f$ abgeleitet. Ein Zwischenrahmen $E$ wird konstruiert, um die Berechnung der Rotation vom Inertialsystem zum Körpersystem zu erleichschen.
- Analytische Transformation: Das Paper leitet geschlossene analytische Ausdrücke für die Orientierung ( $R^i_b$ ), die Winkelgeschwindigkeiten ( $\Omega$ ) und die Winkelbeschleunigungen ( $\dot{\Omega}$ ) basierend auf dem flachen Ausgang und dessen Ableitungen bis zur vierten Ordnung ab. Dies ermöglicht die direkte Berechnung von Feedforward-Signalen.
- Wiederherstellung der Steuerbefehle: Die Steuerbefehle (Propellergeschwindigkeiten) werden analytisch aus den erforderlichen Winkelbeschleunigungen und dem spezifischen Schub unter Verwendung einer Kontrolleffektivitätsmatrix zurückgewonnen.
Controller-Architektur: Die abgeleitete Flachheits-Transformation wird in einen Incremental Nonlinear Dynamic Inversion (INDI) Controller integriert. Der Controller nutzt die analytische Transformation, um Feedforward-Winkelgeschwindigkeits- und Beschleunigungssignale zu generieren, die mit Feedback-Termen kombiniert werden, um Referenztrajektorien zu verfolgen.
Singularitätshandhabung: Die Autoren räumen ein, dass die Formulierung Singularitäten aufweist, wenn $\|v_a \times f\| = 0$ (z. B. nahe dem Schwebeflug, im freien Fall oder bei Ausrichtung von Geschwindigkeit und Kraft). Während die primäre Strategie darin besteht, dies auf Ebene der Trajektoriengenerierung zu handhaben, wird für den Controller ein heuristischer Ansatz gewählt: In der Nähe von Singularitäten wird die kommende Körper-Y-Achse basierend auf dem vorherigen Zeitschritt konstant gehalten. Für Bedingungen nahe dem Schwebeflug wechselt das System zur unkoordinierten Flachheits-Transformation aus [3].

Zentrale Beiträge

Analytische differentielle Flachheits-Transformation: Das Paper leitet eine analytische differentielle Flachheits-Transformation speziell für den koordinierten Flug von Tailsitter-UAVs unter Verwendung der $\phi$ -Theorie-Parametrisierung her.
Exklusivität der Rotationsmatrix: Die Formulierung verzichtet vollständig auf Euler-Winkel und nutzt stattdessen Rotationsmatrizen, um Robustheit gegenüber Singularitäten und Mehrdeutigkeiten in der Orientierungsrepräsentation zu gewährleisten.
Erweiterung der Anwendbarkeit: Das Framework erweitert die Anwendbarkeit bestehender inkrementeller Steuerungsarchitekturen auf Flugregime mit signifikanten vertikalen Geschwindigkeitskomponenten, in denen bisherige Methoden (z. B. [3]) versagen oder singulär werden.
Experimentelle Validierung: Der Ansatz wird experimentell an einem Parrot Swing Quadrotor-Tailsitter validiert. Die Experimente demonstrieren die erfolgreiche Verfolgung komplexer Manöver, einschließlich Halbschleifen mit vertikalen und Querbewegungen, bei denen unkoordinierte Methoden auf Singularitäten stoßen würden.

Ergebnisse
Experimentelle Versuche wurden in einer Indoor-Arena unter Verwendung eines Motion-Capture-Systems durchgeführt. Zwei primäre Szenarien wurden getestet:

Halbschleifen-Manöver: Eine Trajektorie bestehend aus einem 4m-Eintritt, einer Halbschleife mit 1,5m Radius und einem symmetrischen Austritt. Der vorgeschlagene Controller verfolgte die Trajektorie erfolgreich mit einer Fehlernorm unter 0,4 m. Das Experiment verdeutlichte, dass die unkoordinierte Methode am Ende der Schleife, wenn die vertikale Komponente der spezifischen Kraft gegen Null geht, versagt hätte, was eine Singularität in der Gierberechnung verursacht hätte. Die vorgeschlagene Methode blieb wohldefiniert.
Halbschleife mit Querbewegung: Ein 3D-Manöver, das eine Halbschleife mit einer lateralen Bewegung kombiniert. Dieses Szenario demonstrierte weiter die Unfähigkeit unkoordinierter Methoden, einen sinnvollen Gierwinkel für den koordinierten Flug im 3D-Raum zu definieren. Die vorgeschlagene Transformation blieb stabil, wenngleich eine geringfügige Sensitivität in der Nähe der Bedingung $v_a \parallel f$ beobachtet wurde, was auf verrauschte Geschwindigkeitsmessungen des Positionierungssystems zurückzuführen ist.

Bedeutung und Ansprüche
Die Autoren positionieren diese Arbeit als ergänzende Weiterentwicklung des unkoordinierten Flugsteuerungs-Frameworks aus [3]. Während [3] den unkoordinierten Flug behandelt, adressiert dieses Paper das koordinierte Flugregime und ermöglicht dadurch höhere Geschwindigkeiten und komplexere Trajektorien, die für differenzielle Flachheits-basierte Controller auf Tailsittern zuvor unzugänglich waren.

Das Paper stellt bescheiden den Anspruch, dass das vorgeschlagene Framework:

Die Notwendigkeit kostspieliger Windkanalidentifikationen durch die Nutzung von aus Flugdaten identifizierten $\phi$ -Theorie-Parametern eliminiert.
Die mit Euler-Winkeln und der $\pi$ -Theorie-Modellierung verbundenen Singularitäten sowie Singularitäten nahe dem Schwebeflug vermeidet.
Eine wohldefinierte analytische Lösung für die Orientierung und die Steuerbefehle im koordinierten Flug bietet, selbst wenn die vertikale Geschwindigkeit signifikant ist.

Die Autoren merken an, dass die Trajektoriengenerierung aufgrund der geringen Leistungsreserve des Fahrzeugs und der Notwendigkeit, Aktorsättigung zu vermeiden, weiterhin eine Herausforderung darstellt, und identifizieren Online-Trajektoriengenerierung sowie die Validierung im Außenbereich als notwendige zukünftige Arbeiten. Sie schlagen zudem das Potenzial für ein vereinheitlichtes Framework vor, das sowohl koordinierte als auch unkoordinierte Transformationen kombiniert, um ein breiteres Spektrum an akrobatischen Manövern zu ermöglichen.

Mehr davon