⚡ electrical engineering

Efficient Collision-Avoidance Constraints for Ellipsoidal Obstacles in Optimal Control: Application to Path-Following MPC and UAVs

本文提出了一种模块化最优控制框架，该框架具有一种针对椭球障碍物的计算高效且连续可微的避障条件，并通过在 Crazyflie 四旋翼无人机上的仿真及真实 3D 实验进行了验证，并采用一种新颖的两阶段优化方法来解决数值挑战。

原作者： David Leprich, Mario Rosenfelder, Markus Herrmann-Wicklmayr, Kathrin Flaßkamp, Peter Eberhard, Henrik Ebel

发布于 2026-08-19

📖 1 分钟阅读☕ 轻松阅读

原作者： David Leprich, Mario Rosenfelder, Markus Herrmann-Wicklmayr, Kathrin Flaßkamp, Peter Eberhard, Henrik Ebel

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在机器人领域，一台机器能够正常工作与另一台机器发生碰撞之间的区别，往往取决于它如何感知周围的空间。为了安全移动，机器人必须不断计算它所处的位置、它的去向以及什么可能会阻碍它。对于像无人机这样在充满无形气流和突发障碍的三维世界中飞行的飞行器来说，这一点尤为重要。虽然工程师们早已知道如何规划从 A 点到 B 点的路线，但在实时避开意外物体进行导航是一项艰巨的挑战。如果无人机依赖预设路线，它可能会直接撞向新出现的障碍物；如果它试图在没有稳固计划的情况下反应过快，则可能会变得不稳定或坠毁。核心难点在于创建一个既能快速做出瞬间决策，又足够聪明以理解复杂世界形状及机器自身物理极限的控制系统。

这正是由一组研究人员解决的问题，他们开发了一种让无人机实时规避碰撞的新方法。他们的工作专注于一种特定类型的障碍物：椭球体，本质上是一种拉长或压扁的球体，类似于橄榄球或扁平的蛋。通过将无人机和障碍物都视为这些光滑的圆润形状，该团队创建了一种数学方法，可以快速判断两者是否即将接触。与那些在处理复杂计算时可能陷入困境或在距离过近时卡顿的旧方法不同，这种新方法提供了一种平滑且连续的方式来检测危险。它允许无人机的计算机不断询问：“如果我朝这个方向移动，会撞到那个物体吗？”并获得一个清晰、即时的答案，用于立即调整其飞行路径。

研究人员将这种方法应用于模型预测控制器（一种类似于具有前瞻性飞行员的软件）。该控制器不仅仅是针对正在发生的情况做出反应，而是会向前观察，模拟几种可能的未来路径，以查看哪条路径最安全且最高效。团队在名为 Crazyflie 2.1 的小型轻量化无人机上测试了该系统，这种无人机的大小大约只有人手那么大。在实验中，无人机被要求遵循特定路径，但一个静态的蛋形障碍物被放置在了它的正前方。该障碍物是在运行时被检测到的，无人机的控制系统任务是规避与该障碍物的碰撞。结果非常成功：无人机平滑地偏离了原始航线，绕过障碍物，然后返回原路径，整个过程既没有发生碰撞也没有失去稳定性。

为了在计算机速度有限的现实世界中实现这一目标，研究人员引入了一个巧妙的两步走过程。第一步涉及寻找测量无人机与障碍物之间距离的最佳方式，本质上是调整一个定义无人机安全接近距离的变量。第二步利用该信息来解决转向无人机所需的复杂数学运算。通过将这些任务分离，该系统避免了因困难计算而导致的滞后，使其运行速度足以满足实时控制的需求。在测试中，该系统在大多数情况下能在不到两毫秒内完成计算，完全符合保持无人机稳定的时间限制。这种速度至关重要，因为无人机的电机需要每秒调整数百次才能维持飞行。

该团队还证明了这种方法不仅适用于静态障碍物，也适用于移动障碍物。在一次模拟中，他们引入了一个在空中缓慢漂移的障碍物。无人机成功追踪了移动物体，调整了速度和方向以避开碰撞，并继续沿着预定路线行驶。这种能力具有重要意义，因为它表明该系统可以处理不断变化的变化环境。研究人员指出，虽然他们的方法非常有效，但它确实要求将无人机近似为一个简单的形状。在特定的测试中，他们根据无人机的物理尺寸将其建模为椭球体，由于无人机在飞行过程中保持相对水平，因此这种建模效果良好。

这项成就之所以特别值得关注，是因为它首次在实际硬件上演示了如此复杂的控制系统在完全三维任务中的应用。此前的尝试通常依赖于简化的二维场景或仅限于模拟环境。通过证明这种方法可以在真实的房间里由真实的无人机完成，研究人员展示了复杂的安全性关键计算可以快速执行到足以投入实际使用的程度。系统不仅避开了障碍物，而且在避障的同时还努力尽可能贴近原始路径，在安全性与效率之间取得了平衡。这种平衡对于需要执行交付或检查等任务的机器人至关重要，因为偏离计划路线过远可能会浪费时间或能量。

这些实验的成功为更自主的机器人指明了前进的方向。该方法具有模块化特征，这意味着它有可能被适配到不同类型的机器或不同种类的障碍物上。研究人员计划探索如何处理更复杂的形状，并提供更强的数学保证，以确保系统始终按预期工作。目前，通过 Crazyflie 无人机的演示，为实现先进的实时避障提供了具体的证据。它将该领域从理论模型推向了实用的机器，表明只要拥有正确的数学工具，机器人就能以全新的信心和安全性在杂乱且不可预测的世界中穿行。

技术摘要：用于最优控制的椭球体障碍物高效避障约束

问题陈述
在机器人应用中，特别是无人驾驶飞行器（UAV）领域，确保在复杂环境中的安全运行需要有效的避障机制。虽然全局路径规划器可以生成避开已知静态障碍物的几何路径，但它们往往无法处理实时发现的动态行为或先验未知的局部障碍物。持续重新规划全局路径在计算上是极其昂贵的。相反，将避障直接集成到控制回路中的局部控制器面临着重大挑战。具体而言，以既可微又具计算效率的方式将防碰撞约束纳入最优控制问题（OCP）并非易事。幼稚的实现方式往往导致求解器速度慢、可靠性差，从而阻碍了实时闭环操作。此外，现有方法在扩展到完全三维（3D）任务时，往往难以在保持数值稳定性的同时超越平面（2D）场景。

方法论
作者提出了一种模块化最优控制框架，旨在实现局部 3D 椭球体避障，并专门应用于模型预测路径跟随控制（MPC）。

椭球体表示与碰撞检测：
机器人（UAV）和障碍物均被建模为由二次型 $E(P, r) = \{x \in \mathbb{R}^3 \mid (x-r)^\top P (x-r) \leq 1\}$ 定义的椭球体。为了高效检测碰撞，该框架利用了一个基于两个椭球体交集的、计算高效且连续可微的条件。该条件依赖于一个辅助椭球体 $E_\lambda$ ，它是机器人与障碍物形状矩阵的凸组合。两个椭球体不相交的条件是：存在参数 $\lambda \in [0, 1]$ 使得标量函数 $K(\lambda)$ 为负。具体而言，条件 $K(\lambda) < 0$ 意味着椭球体不相交，而 $K(\lambda) > 0$ 则表示发生碰撞。这种公式化方法允许将碰撞约束直接作为平滑、可微的约束集成到 OCP 中。
路径跟随 MPC 公式化：
控制任务被定义为在避开局部障碍物的同时跟随一个与时间无关的几何路径 $P$ 。一个时变律 $g(z, \nu)$ 控制路径参数 $s$ 的演化，将其视为带有虚拟输入 $\nu$ 的状态变量。MPC 最小化一个惩罚项，包括路径偏差、控制量以及虚拟输入，同时受限于系统动力学和状态/输入约束。碰撞避免条件被公式化为每个预测步长内的 $K(\lambda, x) \leq 0$ 。该不等式约束涵盖了 $K=0$ （椭球体接触但不重叠）或 $K<0$ （无重叠）的情况，同时严格禁止 $K>0$ （碰撞）。
两阶段优化方法：
求解所得的 OCP 存在数值挑战，主要是由于碰撞参数 $\lambda$ 在阶段代价函数中缺失，这可能导致序列二次规划（SQP）求解器的病态问题。为了缓解这一问题，作者引入了一种两阶段优化方案：
- 第一阶段： 对于给定的状态预测，优化参数 $\lambda$ 以在整个时界内最小化 $K(\lambda, x)$ 。这是一个廉价的凸标量优化。
- 第二阶段： 将优化的 $\lambda$ 值视为主 MPC 问题中的固定参数，进而求解控制输入和状态轨迹。
  此过程是迭代的（算法 1），在 $\lambda$ 的更新与求解 MPC 之间交替进行，在实践中通常在一次迭代内即可收敛。
动力学模型：
该框架通过 Crazyflie 2.1 四旋翼飞行器进行验证。高层 MPC 以 50 Hz 运行，为快速底层姿态控制器（500 Hz）提供参考信号。系统动力学被建模为一个连续时间系统，通过一阶滞后元件将低层姿态环的影响纳入横滚和俯仰。

核心贡献

3D 扩展： 本工作将之前的 2D 避障 MPC 方法扩展到了完全的三维空间，能够处理静态和移动的椭球体障碍物。
可微碰撞约束： 采用了一种用于椭球体碰撞检测的连续可微条件，使其适用于基于梯度的最优控制求解器。
数值稳定性： 引入了一种新型的两阶段优化方法，以解决由 OCP 结构引起的数值病态问题，确保了适用于实时应用的短计算时间。
硬件演示： 该方法通过真实的实验得到了验证，标志着向实用 UAV 控制迈出了重要一步。

实验结果
所提方法在室内环境下使用运动捕捉系统（OptiTrack）进行状态估计进行了测试。

静态障碍物场景： 在真实实验中，Crazyflie 成功地在避开一个静态、未知的椭球体障碍物的同时跟随几何路径。无人机仅在维持安全距离所必需的情况下偏离路径，展示了路径跟踪与安全性之间的权衡。
动态障碍物模拟： 通过对移动障碍物的模拟，展示了控制器适应随时间变化的障碍物位置的能力。
性能： 两阶段优化算法表现出极高的计算效率。经验累积分布函数（eCDF）分析显示，75% 的优化步骤在 2 ms 内完成，最大时间为 5.6 ms，远低于 20 ms 的采样间隔。
鲁棒性： 系统通过使用软约束处理了轻微的状态估计误差，在保持安全性的同时防止了求解器崩溃。

意义与声明
作者断言，这项工作代表了首次硬件演示，即针对 UAV 在三维任务中，集成通过两阶段优化实现的椭球体避障的此类特定 MPC 控制器。论文强调，尽管该迭代算法的理论收敛保证仍是一个开放性问题，但实验结果证实了该方法在复杂 3D 环境中进行实时避障的实际可行性和可靠性。该框架被呈现为一种模块化解决方案，可以适配于除四旋翼以外的各种机器人平台。

技术摘要：用于最优控制的椭球体障碍物高效避障约束

类似论文