💻 computer science

RVC-NMPC: Nonlinear Model Predictive Control with Reciprocal Velocity Constraints for Mutual Collision Avoidance in Agile UAV Flight

本文引入了 RVC-NMPC，这是一种高频（100 Hz）非线性模型预测控制框架，它通过仅使用可观测数据集成了时变互惠速度约束，旨在无需过度通信的情况下，使无人机在密集、高速场景中实现安全的、敏捷的相互避障。

原作者： Vit Kratky, Robert Penicka, Parakh M. Gupta, Ondrej Prochazka, Martin Saska

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Vit Kratky, Robert Penicka, Parakh M. Gupta, Ondrej Prochazka, Martin Saska

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

想象一下一个繁忙的天空，那里没有云朵，而是充满了密密麻麻、嗡嗡作响的小型无人机。多年来，这些飞行机器人大多是“独奏艺术家”，在空旷的房间里独自工作。但现在，我们希望它们能在现实世界中协同工作——递送包裹、巡逻城市以及在车流中穿梭。大问题在于：如果它们都飞得又快又近，可能会发生碰撞。为了阻止这种情况，科学家们结合了“大脑”与“反射”。“大脑”是一个规划系统，负责计算前往目的地的最佳路径；而“反射”则是安全规则，当另一个机器人靠得太近时，这些规则会立即启动，指挥无人机进行转向或减速。挑战在于，如何让这些无人机既足够快以发挥作用，又足够聪明以确保永不碰撞，同时仅依靠它们此时此刻能看到或听到的信息，而不需要通过超高速的网络连接去与每一台其他无人机进行交谈。

这篇论文介绍了一种名为 RVC-NMPC 的新型无人机飞行方式。把它想象成在教无人机玩一场高速版的“胆小鬼游戏”（game of chicken），但有一个转折：它不是在猜测对方会做什么，而是根据对方此时此刻的位置和速度，计算出一个“安全区”。作者称之为“互惠速度约束”（Reciprocal Velocity Constraint）。用通俗的话说，这就像是两台无人机之间达成的一项共同协议：“如果我按现在的方向走，你也按现在的方向走，我们就会相撞。所以，让我们都稍微调整一下路径，以保持安全。” 与以往那些试图预测每台其他无人机整个未来飞行路径（这需要大量的通信和计算能力）的方法不同，这种新方法只关注当前的速率和位置。随后，它将这一安全规则直接输入到无人机的主飞行计算机中，后者利用复杂的数学运算来精确计算如何驱动电机，从而在保持安全的同时依然能高速飞行。

研究人员通过两种方式测试了这个想法：首先是在详细的计算机模拟中，其次是在实验室中使用真实的无人机飞行。在模拟实验中，他们让10台无人机在一个紧密的圆圈内，同时尝试飞向圆圈的另一侧。这种新方法速度极快，完成任务的速度比现有最优秀的方法快了31%，同时确保了所有无人机都没有发生碰撞。他们甚至测试了在速度高达每秒18米（约每小时40英里）且加速度达到每秒30平方米的真实无人机。该系统运行效率极高，每秒可以进行100次决策。这意味着无人机可以对变化做出瞬时反应，比如朋友突然改变了方向。论文表明，通过使用这些基于时间的安全性规则，无人机可以比以前飞得更加激进且高效，而无需知道邻近无人机的未来计划。虽然该方法在数学上无法保证在每一种可能的极端情况下都绝不失败，但测试显示，在类现实场景中它极其可靠，能够处理通信延迟甚至数据中的一些“噪声”，而不会发生碰撞。

技术摘要：用于敏捷无人机飞行的 RVC-NMPC 互惠碰撞规避技术

问题陈述
无人驾驶飞行器（UAV）在包裹递送和区域监测等任务中的快速部署，要求其能够在密集且共享的空域中运行。由于通信延迟和可扩展性问题，集中式规划在高速场景下往往难以实现，而现有的分布式方法则面临显著局限。目前最先进的方法通常需要交换完整的未来轨迹，这带来了极高的带宽需求；或者依赖于简化的运动学模型，忽略了无人机的非线性动力学特性。此外，许多现有方法受限于低速运行（通常低于 10 m/s），无法发挥能够实现更高速度和加速度的商用无人机的敏捷性。因此，迫切需要一种能够以高频率运行、考虑全非线性动力学、且仅依赖于可观测当前状态（位置和速度）而非预测未来路径的分布式碰撞规避策略。

方法论
作者提出了 RVC-NMPC，这是一个将非线性模型预测控制（NMPC）与时间相关**互惠速度约束（RVCs）**相结合的框架。该系统架构包含一个在 ARM 处理器上以 100 Hz 运行的流水线，由以下部分组成：

状态估计： 处理传感器数据以估计无人机的当前位置和速度。
参考轨迹生成： 使用质点模型（PMM）生成前往目标的最小时间参考轨迹，该轨迹遵循运动学约束但忽略碰撞。
互惠速度约束生成器： 基于相邻机器人的当前位置和速度计算线性约束。与为预测时界内的每个点计算约束的方法不同，该模块根据当前状态生成一组单一的约束。
NMPC 控制器： 求解一个非线性优化问题以生成控制输入（电机推力）。其目标是使偏离参考轨迹和控制能量的代价最小化。至关重要的是，碰撞规避是通过直接集成到 NMPC 公式中的软线性约束（ $A_{m,k}v_k + s_{m,k} \ge b_{m,k}$ ）来实现的。

关键技术创新

时间相关约束： 本文引入了一种新机制，即互惠速度约束仅对特定的时间窗口（ $t_{v,m}$ ）有效。该持续时间是基于相对位置和速度向量计算的；只有当相对速度向量会导致机器人相互经过（即相对位置与相对速度之间的夹角超过 $\pi/2$ ）之前，该约束才处于激活状态。这防止了约束在整个预测时界内过于严苛，使得无人机在即时碰撞风险过去后能够更自由地进行机动。
单组约束应用： 该方法并非为 NMPC 时界内的每个转换点计算唯一的约束（这会增加计算复杂度），而是对整个时界应用一组统一的约束。由于可行速度集的凸性，任何可行速度的凸组合仍是可行的。这种方法在保持碰撞规避保证的同时，大幅降低了计算负载。
动力学的直接集成： 控制器利用完整的四旋翼非线性动力学模型（包括机体速率和四元数姿态），而非简化的运动学模型，从而实现了高加速度下的敏捷飞行。
低带宽运行： 该方法仅需要其他智能体的当前位置和速度，这些信息可以通过机载传感或低带宽通信（如远程无人机 ID）获取，消除了对高带宽轨迹共享的需求。

结果
该方法通过广泛的仿真和实物实验进行了评估：

仿真性能： 在一个具有挑战性的场景中，10 架无人机在半径为 10 米的圆周上向对跖点导航，速度限制为 20 m/s，加速度限制为 40 m/s²。RVC-NMPC 与表现最好的现有方法（HDSM）相比，实现了 31% 的飞行时间缩减，同时保持了 100% 的成功率（无碰撞）。其表现优于 MADER、EGO-SWARM-2 和 RBL 等方法。
鲁棒性： 系统展示了对高达 50 ms 的通信延迟和低至 10 Hz 的消息频率的韧性。同时，在状态估计噪声高达 $\sigma_p = 1$ m 和 $\sigma_v = 2$ m/s 的情况下，依然维持了性能。
可靠性： 在 10 架无人机导航至 50,000 个随机目标、加速度高达 40 m/s² 的 3 小时连续仿真中，碰撞次数为零。
实物验证： 在 Khadas VIM3 处理器（2 GHz ARM）上进行的 3 架无人机实验证实了该方法的可行性。系统成功实现了在加速度高达 30 m/s² 和速度高达 18 m/s 条件下的导航，并使用了平均延迟为 14 ms 的 10 Hz 通信链路。

意义与主张
论文声称 RVC-NMPC 代表了在共享环境中进行高速、敏捷无人机飞行的重大进展。其主要意义在于能够将全非线性动力学建模与实时性能（100 Hz）相结合，且无需交换未来轨迹。通过仅依赖可观测的当前状态并采用时间相关约束，该方法比现有的 ORCA-MPC 或轨迹共享方法实现了更高的效率（减少飞行时间）和鲁棒性。作者强调，尽管由于缺乏未来轨迹知识且使用了软约束，该方法缺乏理论上的绝对保证，但其在超过现有文献中速度和加速度限制的场景下，通过广泛测试证明了其实际可靠性。该方法被呈现为在通信带宽有限且需要动态敏捷性的现实部署场景下的实用解决方案。

类似论文