💻 computer science

High-level spatial Dubins airplane-based reference smoothing with low-level geometric tracking for quadrotor control

本文提出了一种层级化四旋翼无人机控制方法，该方法结合了高层基于空间 Dubins 飞机的参考平滑步骤与底层几何跟踪控制器，旨在通过离线或在线收缩时界规划，实现高效且受约束的路径跟踪（例如跟随障碍物轮廓）。

原作者： Mogens Plessen

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Mogens Plessen

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，你正试图教会一个只有四片旋翼的小型飞行机器人（四旋翼无人机）穿梭于迷宫之中。问题在于？你给它的地图是一团由锐利的 90 度转弯和点与点之间宽大间隙组成的、锯齿状且杂乱无章的涂鸦。如果你告诉机器人完全按照这个涂鸦飞行，它会撞上墙壁或危险地切过弯角。如果你试图把路径平滑得太过头，它又可能会偏离原本需要到达的位置。

这篇论文提出了一种巧妙的两步走“大脑”来解决这个问题，它就像是一个由**战略规划师（Strategic Planner）和飞行员（Pilot）**组成的团队。

战略规划师：“杜宾飞机”（The Dubins Airplane）

首先，论文引入了一个高层规划器。该规划器并没有试图去计算真实机器人每一个微小的抖动（这在数学上非常沉重且缓慢），而是使用了一个被称为**杜宾飞机（Dubins airplane）**的简化模型。

你可以把真实的四旋翼无人机想象成一台复杂的、拥有 12 个部分的机器：它可以倾斜、旋转，并以四种不同的方式产生推力。而“杜宾飞机”就像是这台机器的一个卡通版本：它只关心机器在三维空间中的位置（ $x, y, z$ ）以及它的朝向（偏航角 yaw）。它忽略了为了达到这些位置，旋翼是如何旋转的那些繁琐细节。

利用这个简化模型，规划器求解了一个**线性规划（LP）**问题。你可以把这个 LP 看作是一个非常快速、微小的数学谜题。其目标是将那条锯齿状、边缘化的“涂鸦”转化为一条平滑的曲线，这条曲线既能紧贴原始路径，又能保持在障碍物（例如左侧的墙壁）的正确一侧。

神奇之处： 作者发现，通过使用这种简化模型，他们求解这个谜题时几乎不需要调节任何“旋钮”。大多数其他方法都需要你反复调试数十个复杂的设置（超参数）才能让路径正确。而在本文中，数学会自动完成这项工作。
结果： 在他们的模拟中，即使面对包含数百个点的路径，这一步的求解时间也低于 0.02 秒。

飞行员：“几何追踪器”（The Geometric Tracker）

一旦战略规划师画出了一条平滑且安全的线，飞行员就会接管控制权。这是负责实际操控复杂真实机器人的底层控制器。

论文明确反对使用标准的“级联 PID”（Cascades PID）控制器（一种常见的旧方法，它将三个简单的控制回路堆叠在一起）。在测试中，PID 控制器的误差大约是新方法的两倍：相比于新方法 0.16 到 0.17 米的偏差，PID 控制器会偏离目标约 0.32 到 0.35 米。

相反，他们使用的是一种几何追踪控制器（Geometric Tracking Controller）。这位“飞行员”很特别，因为它理解机器人的完整 12 状态物理特性。它不仅仅关注“左/右”和“上/下”；它还理解机器人在三维空间中的姿态，且不会因为使用标准角度而陷入数学上的“奇异性（singularities）”困境。至关重要的是，这位飞行员高度依赖前馈项（feedforward terms）——它会预先观察规划器制作的平滑路径，并预先计算出为了完美跟随路径究竟需要多少推力。

两种飞行方式：“一次性地图”与“实时 GPS”

论文在两种不同的场景下测试了这个系统，它们分别被称为方法 M1 和 方法 M2：

方法 M1（一次性地图）：
想象你正在一片安静的农场上空飞行，这里的障碍物永远不会移动。你在启动引擎之前，就在离线状态下绘制好了一条平滑路径。然后，你全程遵循这条预先计算好的线进行飞行。
- 性能： 在模拟中，这种方法表现得非常出色。对于一条有 300 个点的路径，机器人的平均偏差仅为 0.16 米。
方法 M2（实时 GPS）：
现在想象你在一个动态变化的城市中飞行，障碍物可能会移动，或者路径可能会发生变化。在这里，战略规划器不再只是画一张图，而是每当机器人更新位置时（每 0.05 秒一次），它都会重新绘制一小段路径。它会向前看大约 20 米（有时是 10 米）并即时平滑路径。
- 权衡： 论文发现，较长的预见距离（20 米）比短距离（10 米）效果更好，但计算时间也稍长（0.008 秒 vs 0.003 秒）。
- 一个小技巧： 当规划器只向前看很短的距离时，机器人在转弯结束时有时会“冲过头”或感到困惑，因为它还没看到终点线。作者提出了一个解决方法：不要在每一次跳动（tick）时都重新绘制地图，而是每隔一次跳动重新绘制一次，并仅仅将旧计划向前平移。这可以在不损失太多精度的情况下节省计算能力。

本文对哪些做法说“不”

了解该方法不做什么同样重要：

拒绝复杂的样条拟合（Spline Fitting）： 论文反对使用复杂的 B-样条（B-splines）或贝塞尔曲线（Bezier curves）来进行平滑处理，指出这些方法往往无法紧贴原始的“锯齿状”参考路径，或者需要过多的调节旋钮。
拒绝全物理建模规划： 他们明确排除了尝试使用完整的 12 状态四旋翼模型来解决平滑问题的做法。他们认为这会导致初始化过于困难且计算成本过高。他们坚持在规划阶段使用简化的杜宾模型，仅在实际飞行时使用完整的物理模型。
拒绝“魔法”调参： 他们拒绝了那种需要花费数小时去调整具有不同单位的复杂矩阵的想法。他们的方法使用了一组极简的调参矩阵（仅四个对角矩阵），可以在不同场景下直接使用而无需重新调优。

总结

作者通过计算机模拟（而非真实的飞行测试）证明了，将任务拆分为简化规划器和智能全物理飞行员是行之有效的。这使得四旋翼无人机能够平滑且精确地跟随一条充满障碍物的锯齿状路径，且几乎不需要手动调优，计算量也非常小。

在测试中，根据路径长度的不同，机器人大约在 25 到 45 秒内到达了目的地（例如在 50m, 50m, 10m 的位置悬停），在保持紧贴目标线的过程中，成功避开了路径左侧的“危险区”。这是一个旨在实现高效、鲁棒且具备实战能力的系统，尽管目前它还仅仅存在于模拟环境中。

问题定义

本文解决了控制四旋翼飞行器追踪“棱角状”（edgy）参考路径的挑战——这类路径被定义为具有大间距航点和剧烈航向变化（例如 90° 转弯）的稀疏航点集——同时需满足横向约束（例如避开路径一侧的障碍物）。

作者指出，现有文献中存在一个差距，即现有方法通常要么：

需要复杂的、高维度的非线性模型预测控制（NMPC），这涉及困难的超参数调优和较短的预测时界；
使用基于样条曲线的平滑方法（如 B-样条、贝塞尔曲线），但这些方法可能无法紧密追踪稀疏航点，或缺乏对特定应用的适用性；
依赖低层控制器直接追踪棱角状参考路径，这可能导致“切角”现象并违反横向安全约束。

目标是开发一种方法，通过分层降低从规划到追踪的复杂度，在整个路径上保持轨迹整形能力（而非仅在控制点处），并最大限度地减少超参数的数量。

方法论

所提出的方案是一个结合了高层参考平滑与低层几何追踪的两层架构。

1. 高层参考平滑 (HLRS)

此步骤从初始的棱角状航点生成一条平滑且可行的参考轨迹。

模型： 它利用了一个具有四个状态（位置 $(x, y, z)$ 和偏航角 $\psi$ ）的 Dubins 飞机模型。该模型允许进行降维处理并实现 $z$ 轴动力学的解耦。
优化： 该问题被构建为一个使用空间建模方法的 线性规划 (LP) 问题。其目标是在满足约束的情况下最小化横向误差：
- 横向约束（例如，为了避开障碍物而保持在路径右侧）。
- 横滚角限制（ $\phi_{min} \leq \phi_k \leq \phi_{max}$ ）。
- 该 LP 规模较小；对于 10m 的时界和 1m 的间距，仅涉及约 21 个优化变量。
滤波： 对 LP 输出应用后处理滤波步骤（Savitzky-Golay 或指数移动平均 EMA），以确保满足低层控制器所需的代数平滑性。
速度剖面分配： 根据以下因素分配速度剖面：
- 巡航速度。
- 基于 Dubins 模型导出的基于横滚角的限速 ( $v_{roll}^{max}$ )。
- 基于牛顿第二定律导出的制动剖面 ( $v_{brake}^{max}$ )，以确保四旋翼能在目标位置停止。
- 最终参考速度为 $v_{ref}(s) = \min(v_{cruise}, v_{roll}^{max}, v_{brake}^{max})$ 。这允许进行非均匀的空间插值，对于低层控制器的前馈项至关重要。

2. 低层参考追踪

此步骤使用完整的四旋翼动力学执行对平滑参考轨迹的追踪。

模型： 使用完整的 12 状态四旋翼模型（位置、速度、欧拉角和角速率）。
控制器： 采用了一种 几何追踪控制器（基于文献 [14]）。该控制器避免了与欧拉角相关的奇异性以及四元数带来的歧义性。
实现： 控制器高度依赖于从参考轨迹的位移、速度、加速度和偏航角中提取的前馈项。高层步骤中生成的非均匀空间网格对于准确提取这些导数至关重要。
调优： 控制器使用四个对角调优矩阵 ( $K_p, K_v, K_R, K_\Omega$ )。论文指出，这些矩阵的选择是基于数量级（10 的幂）进行的，无需进行广泛的精细调优。

3. 运行模式 (M1 和 M2)

论文定义了该方法的两种变体：

方法 M1 (离线规划)： 高层平滑在整个路径上一次性在离线完成。生成的平滑参考随后在在线阶段进行追踪。这适用于静态环境（例如农业区域覆盖）。
方法 M2 (在线收缩规划)： 高层平滑以收缩时界的方式在有限的空间预测时界 $H$ 内在线执行。在每一步，当前位置都会与原始棱角路径连接，经过平滑处理后再进行追踪。这适用于动态环境或变化的航点。

核心贡献

分层复杂度降低： 该方法实现了问题的解耦，使用低维 Dubins 模型进行规划，使用全模型进行追踪，与全量 NMPC 相比显著降低了计算负载。
空间 LP 公式化： 通过利用空间建模和 Dubins 结构，规划步骤被简化为一个具有无超参数目标函数（最小化横向误差）的小规模线性规划。
横向约束处理： 该方法在整个轨迹中显式执行横向约束（例如，障碍物一侧的规避），防止切角现象。
速度剖面集成： 基于动态制动和横滚限制生成非均匀空间网格，确保低层控制器接收到的参考信号与其前馈需求相兼容。

数值结果

在笔记本电脑（Intel Core i9）上进行了三组数值实验，将 M1 和 M2 与级联 PID 控制器及不同的平滑滤波器进行了对比。

性能： 所提出的几何控制器显著优于级联 PID 方法。在示例 1 (M1) 中，几何控制器（配合 SG 滤波器）实现了 0.174 m 的 RMSE，而 PID 控制器的 RMSE 分别为 0.324 m 和 0.356 m。
滤波： Savitzky-Golay (SG) 滤波器提供的精度略高于指数移动平均 (EMA) 滤波器（RMSE 低了 9%），尽管 EMA 在代数上更简单。
M1 vs. M2：
- M1 在大时界下提供了稳定的追踪，且计算成本较低（LP 求解时间约为 0.007–0.017s）。
- M2 展示了有效的在线规划。较大的预测时界（ $H=20$ m 对比 $10$m）提升了追踪性能（更具预见性的机动），但也增加了求解时间（0.008s 对比 0.003s）。
- 过冲： 由于时界有限，M2 表现出了过冲行为。作者提出了一种缓解策略：每隔一个采样时间进行一次重新规划，而在间隔期间使用偏移后的前一个计划，这在不牺牲稳定性的情况下降低了计算负载。

意义与主张

论文声称所提出的两层方法成功实现了：

在低计算成本下，对大规划时界的棱角状参考路径进行平滑。
保持了优秀的参考追踪精度和横向轨迹整形能力。
将超参数的数量降至最低（LP 目标函数无超参数；控制器调优仅限于数量级的选择）。
为复杂的 NMPC 或基于样条的方法提供了一个可行的替代方案，特别是在需要严格横向约束的应用场景中（如障碍物轮廓追踪）。

作者也承认了局限性，指出该方法在规划时依赖于 Dubins 模型（这是对完整四旋翼动力学的一种近似），未来的工作可以探索在优化步骤中使用完整的 12 状态模型，尽管这会引入显著的复杂性和初始化挑战。