Distributed UAV Formation Control Robust to Relative Pose Measurement Noise

本文提出了一种基于图刚性理论的分布式无人机编队控制新方法，通过将梯度下降指令分解并根据相对定位噪声分布进行修正，有效解决了传感器噪声导致的编队振荡与漂移问题，显著提升了无人机在真实环境下的紧密编队性能。

要点

这篇论文讲述了一个关于如何让一群无人机（UAV）在嘈杂、不完美的大自然中，依然能像训练有素的舞团一样，整齐划一地飞行的故事。

想象一下，你让一群无人机排成一个完美的三角形或正方形飞行。这听起来很酷，但在现实中，它们就像一群在迷雾中跳舞的人，手里拿着的“眼睛”（传感器）总是看东西有点模糊、有点抖动。

1. 核心问题： noisy 的“眼睛”导致“手舞足蹈”

• 现实困境：无人机通常依靠机载传感器（比如论文中提到的 UVDAR 系统，利用紫外线摄像头）来互相“看”对方，从而知道彼此的位置。但是，这些传感器不是完美的。它们会受到光线、距离和电子干扰的影响，产生噪声（就像你透过有雾的窗户看人，位置总是有点偏）。
• 传统方法的失败：以前的控制方法就像是一个急躁的指挥官。一旦传感器报告“嘿，你离我远了 1 厘米！”，指挥官立刻命令无人机猛冲过去修正。
  • 后果：因为传感器的读数本身就有误差（可能是真的远了，也可能是看错了），这种“猛冲”会导致无人机冲过头，然后传感器又报告“哎呀，你太近了！”，指挥官又命令它猛退。
  • 结局：无人机们开始在目标位置附近疯狂地抖动、震荡，像喝醉了酒一样，不仅飞不稳，还容易撞在一起或丢失目标。

2. 论文的创新方案：聪明的“刹车”与“犹豫”

这篇论文提出了一种名为**“克制”（Restraining）的新技巧。我们可以把它想象成给无人机装上了一个“智能犹豫机制”**。

• 核心思想：
  当无人机发现它离目标位置很近，但传感器的读数又很模糊（噪声很大）时，它不再盲目行动。

  • 比喻：想象你在黑暗中试图把钥匙插进锁孔。如果离锁孔还远，你会大步走过去（快速修正）；但当你已经感觉就在锁孔旁边时，如果手有点抖（噪声），你最好的策略不是猛捅，而是停下来，或者只微调一点点，以免把锁孔捅坏或把钥匙弄歪。

• 具体做法：

  1. 计算“犹豫区”：系统会计算当前传感器读数的“不确定性”有多大。如果无人机离目标很近，且不确定性很大，系统就会划定一个“犹豫区”（Dead Zone）。
  2. 概率性刹车：在这个区域内，如果无人机觉得“我可能已经够准了，只是传感器在撒谎”，它就会主动抑制自己的动作，甚至完全不动。
  3. 结果：无人机不再因为传感器的微小抖动而疯狂调整。它们学会了“静观其变”，直到确认真的需要移动时才行动。

3. 为什么这很厉害？（实验结果）

作者不仅在电脑里模拟了这种算法，还真的把三架无人机飞到了户外进行测试。

• 对比实验：
  • 没有“克制”时：无人机飞得摇摇晃晃，像喝醉了一样，甚至因为抖动太厉害导致互相“看不见”对方（传感器丢失目标），队形散乱。
  • 有了“克制”后：无人机飞得平稳多了。它们减少了不必要的加速和旋转，队形保持得非常紧密和稳定。即使在距离很远、传感器信号很差的情况下，它们也能成功保持队形，而传统方法早就失败了。

4. 总结：从“盲目反应”到“智慧判断”

这篇论文的本质是教会机器**“三思而后行”**。

• 以前的无人机：听到什么就做什么，哪怕那是噪音。
• 现在的无人机：会分析“这个噪音是不是真的？如果是噪音，我就忍一忍，别乱动。”

通过这种基于统计学的“克制”策略，作者让无人机团队在充满干扰的真实世界中，也能像训练有素的交响乐团一样，演奏出和谐、稳定的飞行乐章。这对于未来无人机编队执行搜救、运输或表演任务来说，是一个巨大的进步。

技术摘要

这是一份关于论文《Distributed UAV Formation Control Robust to Relative Pose Measurement Noise》（抗相对位姿测量噪声的分布式无人机编队控制）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战：多无人机（UAV）编队飞行需要精确的相对定位信息来维持队形。然而，机载相对定位传感器（如基于视觉的 UVDAR 系统）不可避免地存在测量噪声。
• 现有方法的局限性：
  • 传统的基于图刚性理论（Graph Rigidity Theory）的编队保持控制（Formation-Enforcing Control, FEC）通常假设测量是完美的或连续时间的。
  • 当直接将这些控制律应用于带有噪声的离散时间采样系统时，噪声会导致无人机产生不必要的振荡、漂移和速度突变。
  • 这种剧烈的运动不仅影响飞行稳定性，还会导致机载视觉传感器图像模糊、目标丢失或超出视场，从而形成恶性循环，进一步恶化定位精度。
  • 现有的抗噪方法（如简单的比例控制或滤波）往往以牺牲收敛速度为代价，或者无法从根本上解决噪声引起的随机游走（Random Walk）问题。

2. 方法论 (Methodology)

论文提出了一种名为**"Restraining"（抑制/约束）**的新型分布式控制策略，旨在利用传感器噪声的统计特性来抑制振荡，同时保持快速收敛。

2.1 理论基础

• 控制框架：基于图刚性理论，将编队控制定义为最小化当前相对位姿与期望相对位姿之间误差的梯度下降过程。
• 噪声建模：假设相对位姿测量（位置和航向）服从高斯分布，且其协方差矩阵（$C_{ij}$）和方差（$\sigma^2_{\psi ij}$）是已知或可估计的。

2.2 核心算法：Restraining 技术

该方法的核心思想是根据测量误差的统计分布，动态调整控制设定点（Setpoint），而不是直接根据测量值进行控制。

1. 一维模型分析：

   • 在简单的 1D 比例控制中，如果直接根据含噪测量值 $\Delta m$ 计算控制量，系统有 50% 的概率“过冲”（Overshoot）目标，导致随机振荡。
   • 抑制策略：引入一个**“死区”（Dead Zone）或“抑制区域”。当测量误差 $\Delta m$ 相对于噪声标准差 $\sigma_m$ 较小时（即 $\Delta m \ll \sigma_m$），系统认为当前的误差可能主要由噪声引起，因此抑制控制动作**（输出为 0），避免对噪声做出反应。
   • 概率约束：定义一个最大允许的过冲概率 $\ell$（例如 $\ell=0.3$）。控制律被修改为：只有当测量值超出由 $\ell$ 和 $\sigma_m$ 决定的阈值时，才执行控制动作。
   • 数学上，这相当于将设定点从测量均值向当前状态方向“回退”一段距离，距离大小取决于 $\sigma_m \Phi^{-1}(\ell)$（$\Phi^{-1}$ 为标准正态分布逆函数）。

2. 多维推广 ($R^3 \times S^1$)：

   • 将上述 1D 抑制策略推广到 3D 位置和 1D 航向的相对位姿控制中。
   • 将 FEC 控制律分解为四个可解释的向量项（$\tau_{p1}, \tau_{p2}, \tau_{\psi1}, \tau_{\psi2}$），分别对应不同的相对位姿误差分量。
   • 针对每一项，利用其特定的噪声分布（位置协方差 $C_{ij}$ 和航向方差 $\sigma^2_{\psi ij}$），通过几何投影和近似，计算出对应的抑制后设定点。
   • 最终的控制指令是这些经过“抑制”处理的向量项的加权和。

2.3 系统特性

• 分布式：每个无人机仅依赖自身的传感器观测和邻居信息，无需全局通信。
• 自适应：用户只需设定过冲概率参数 $\ell$，算法会自动根据实时估计的噪声水平调整控制强度。
• 稳定性：理论分析证明了在特定增益范围内，该系统是统计稳定的，且稳态方差小于传统比例控制。

3. 主要贡献 (Key Contributions)

1. 提出"Restraining"技术：一种新颖的分布式编队控制方法，专门用于处理带有已知统计特性的噪声的相对定位传感器。它通过概率约束机制，显著减少了由测量噪声引起的振荡。
2. 理论分析与性能预测：提供了严格的理论分析，允许用户根据系统参数（如采样率、噪声水平、增益）预测系统的稳态方差和收敛行为。
3. 实验验证：
   • 在仿真中验证了该方法在不同编队规模（2 到 6 架无人机）和不同噪声水平下的优越性。
   • 在真实世界的户外飞行实验中，使用了搭载 UVDAR（紫外方向与测距）系统的 MRS F450 无人机平台。
4. 开源代码：提供了该技术的实现代码，以促进可复现性和进一步研究。

4. 实验结果 (Results)

• 仿真结果：

  • 与传统比例控制（$\ell=0.5$）相比，使用抑制技术（$\ell < 0.5$）显著降低了稳态下的位置标准差（$\sigma_{ss}$）和速度变化率（$\Delta v$）。
  • 即使在较低的传感器采样率下，抑制技术也能实现收敛，而传统方法在低采样率下会发散或陷入混沌振荡。
  • 随着编队中无人机数量或连接边数的增加，噪声累积效应加剧，抑制技术的优势更加明显。

• 真实世界实验：

  • 场景：三架无人机在户外进行编队飞行，动态切换多种队形（包括大间距队形）。
  • 对比：
    • 无抑制：编队出现显著漂移和旋转，收敛时间长，且在最大间距队形下完全失败（无人机丢失相对定位，队形解体）。
    • 有抑制：编队保持紧密，收敛平滑。
  • 量化指标（见表 1）：
    • 角速度波动 ($v_\psi$)：减少了 39.1% - 49.8%。
    • 加速度波动 ($a_p$)：减少了 26.9% - 50.9%。
    • 收敛速度：在挑战性的大间距队形中，抑制技术使得原本无法收敛的队形得以成功保持。
  • 意义：减少的振荡直接改善了机载视觉传感器的成像质量，从而提升了定位系统的整体性能。

5. 意义与影响 (Significance)

• 解决落地瓶颈：该研究解决了多机器人系统在非结构化环境中部署的关键瓶颈——即传感器噪声与控制系统之间的不匹配。它使得基于视觉等低成本、有噪声传感器的编队飞行在现实世界中变得可行且可靠。
• 无需额外硬件：不需要昂贵的 RTK-GNSS 或动捕系统，仅利用机载传感器及其噪声统计特性即可实现鲁棒控制。
• 通用性：虽然论文主要针对相对位姿（Position + Heading），但其基于统计特性的“抑制”思想可推广至纯距离或纯方位角的编队控制，甚至其他多机器人协同任务。
• 工程价值：通过减少无人机的剧烈机动，不仅提高了飞行安全性，还延长了电池寿命，并保护了敏感的机载传感器。

总结：这篇论文提出了一种巧妙的控制策略，将“噪声”从干扰因素转化为控制逻辑的一部分。通过引入概率约束的“抑制”机制，它在保持快速收敛的同时，极大地抑制了由传感器噪声引起的振荡，显著提升了分布式无人机编队在真实复杂环境下的鲁棒性和实用性。