Accurate Trajectory Tracking with Model Predictive Contouring Control for Bird-Scale Flapping-Wing MAVs

想象一个这样的世界：天空中充斥着的不再是嗡嗡作响、螺旋桨密布的无人机，而是像鸟儿一样扇动翅膀、动作优雅且静谧的机器。这就是扑翼飞行（flapping-wing flight）的梦想——这一机器人领域有望实现与环境更安全、更安静、更自然的交互。虽然微小的昆虫级机器人已经掌握了这项艺术，但将规模扩大到鸟类大小则提出了一个独特的难题。与可以原地悬停和起飞而不必向前移动的昆虫不同，鸟类规模的飞行器就像帆船：它们需要前进的速度来产生升力，而且它们的转向、爬升或俯冲能力是紧密耦合在一起的。如果你加速，转向就会变得更好；如果你拍打得更用力，你会爬升但也同时会加速。这种“耦合”使得控制它们变得异常困难。传统的控制器试图将高度、速度和方向分开处理，就像一个驾驶员试图用三只互不沟通的手分别控制转向、刹车和加速一样。这往往会导致飞行摇晃且不准确，尤其是在鸟类需要遵循复杂的蜿蜒路径时。

本文介绍了一种教导这些鸟类规模机器人如何实现精准飞行的全新方法。研究人员开发了一种智能控制系统，称为模型预测路径跟踪控制（Model Predictive Contouring Control, MPCC）。把它想象成一个 GPS，它不仅告诉鸟在特定时间应该在哪里，还像引导火车在轨道上行驶一样引导它沿着路径飞行，让鸟在行进过程中自行决定速度。MPCC 不再遵循僵化的时间表，而是让鸟不断地向前方观察，计算其拍翅和转向将如何影响未来的位置，并实时进行调整以保持在路径线上。为了实现这一点，他们为机器人创建了一个简化但准确的“大脑”——一个数学模型，该模型能够理解速度、转向和爬升之间复杂的联系，而不会被复杂的流体物理学所困扰。当他们在真实的商业化鸟类无人机 XFly 上测试时，结果令人瞩目。该机器人可以沿着圆形和 3D 赛道以高达 3 米/秒的速度飞行，并能始终保持在预定路径的 6.5 到 9 厘米范围内。这比以往的方法提高了 8.5 倍，证明了只要拥有正确的“思考方式”，鸟类规模的无人机终于可以飞得像真实生物一样平稳。

问题所在：摇晃的鸟

想象一下，你正在骑一辆自行车，但车把、踏板和刹车都由一根缠绕在一起的绳子连接着。如果你为了爬坡而踩得更快，车把就会突然向左猛地一甩。如果你试图转弯，自行车就会减速并降低高度。这正是鸟类规模扑翼无人机的现状。它们受制于极少数的控制变量：拍打的力量大小以及尾舵（舵面）的转动程度。但这些控制并不独立工作。拍打得更用力会让鸟飞得更快且爬升更高。转弯得更快则需要更高的速度来保持稳定。

旧的控制方法试图通过将每项任务分开处理来解决这个问题。一个计算机循环负责维持高度稳定，另一个负责维持速度稳定，第三个负责维持方向稳定。但由于鸟类的物理特性是如此纠缠不清，修复一个问题往往会使另一个问题恶化。这就像试图通过一次只触碰一个积木块来平衡一叠叠高的叠叠乐；在进行复杂动作时，整个结构会摇晃并倒塌。此外，这些旧系统需要一个预先计划好的时间表，精确告知鸟在每一秒应该飞多快。如果鸟“累了”（电池耗尽）或者遇到了阵风，它就无法适应，整个计划就会崩溃。

解决方案：“路径跟随”的大脑

本文作者决定不再对抗鸟类的自然物理特性，而是顺应它们。他们基于一个名为**模型预测路径跟踪控制（MPктиv Contouring Control, MPCC）**的概念构建了一个新的控制系统。

要理解 MPCC，请想象一位在蜿蜒赛道上的赛车手。传统控制器就像一位背诵剧本的驾驶员：“在 10 秒时踩油门；在 11 秒时左转。”如果赛车因为颠簸而减速，驾驶员仍会在第 11 秒尝试左转，尽管此时他们还没到达预定的位置。

MPCC 的方法则不同。它告诉驾驶员：“留在赛道的白线上。”它不在乎你何时到达下一个弯道，只在乎你是否靠近白线。系统不断询问：“如果我现在稍微转一下，下一秒我会处于什么位置？如果我拍打得更用力一点，我会爬升得太高吗？”它每秒钟重复解决这个谜题数百次，以找到拍打和转向的最佳平衡点，从而保持在路径上。这使得鸟类可以自然地加速或减速以匹配赛道的曲线，而不是强行执行一个可能导致撞车的僵化速度。

核心秘诀：简单而智能的模型

为了让计算机能够实时解决这个谜题，它需要一个关于鸟类运动的模型。但真实的扑翼物理过程极其复杂，涉及旋转的气流和流体动力学，计算这些内容需要耗费数小时。研究人员需要一个既足够简单能即时运行，又足够准确能捕捉鸟类复杂行为的模型。

他们创建了一个九状态模型。可以将它看作是鸟类世界的简化地图。它不追踪每一个微小的空气分子，而是追踪九个关键要素：鸟的位置、前进速度、爬升速度、转向速度以及这些速度的变化率。至关重要的是，该模型包含了“耦合”关系——即转向会导致高度损失，以及拍打会导致速度增加。通过使用平滑的数学函数，他们使该模型易于被计算机快速求解，使其能够以每秒 100 次（100 Hz）的频率运行。

实测：挑战 XFly

为了证明其理念有效，团队在 XFly 上进行了测试，这是一款翼展 38 厘米、重量约 12 克的商业化鸟类无人机。他们设置了一个带有摄像头的运动捕捉室，以毫米级的精度追踪鸟的位置。

他们对鸟提出了两类挑战：

1. 圆环测试：半径为 1.5 米的简单环形路径。
2. 赛道测试：一个包含门槛、环形圈和高度变化的复杂 3D 赛道，模拟鸟类的竞赛。

结果令人印象深刻。在圆形赛道上，新的 MPCC 系统使鸟与完美路径之间的平均距离保持在 6.5 厘米以内。而之前最好的方法（使用相同的鸟和硬件）平均误差为 55 厘米。这是 8.5 倍的提升。在更困难的 3D 赛道上，即使鸟的飞行速度高达 3 米/秒，误差仍保持在 9 厘米以下。

为什么这很重要

研究人员还进行了一项“假设实验”，以观察他们新大脑中的哪些部分最为关键。他们尝试去掉了那些描述“速度影响转向”以及“转向导致高度损失”的部分。在这两种情况下，鸟都变得不稳定并坠毁了。这证明了理解鸟类自然的“耦合”关系不仅仅是一个锦上添花的功能，它是实现稳定飞行的必要条件。

虽然目前的系统需要一台笔记本电脑来进行繁重的数学运算（这使得它太重，无法直接携带在鸟身上），但这次实验的成功表明，鸟类规模的无人机终于可以实现长期以来属于直升机和螺旋桨无人机领域的精确、自主飞行。通过教会这些机器去“思考”它们的路径而非仅仅是“遵循”剧本，作者们向着一个扑翼机器人能像它们模仿的鸟类一样优雅、安全地穿梭于人类世界的未来，迈出了巨大的一步。