⚡ electrical engineering

Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight

本文提出了一种保持微分平坦性的物理信息残差学习框架，旨在实现计算高效、实时的四旋翼机编队飞行，在显著降低跟踪误差的同时，以少一个数量级的计算量并利用极少的训练数据，达到了与最先进的非线性模型预测控制性能相匹配的效果。

原作者： Pei-An Hsieh, Fengjun Yang, Nikolai Matni, M. Ani Hsieh

发布于 2026-07-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Pei-An Hsieh, Fengjun Yang, Nikolai Matni, M. Ani Hsieh

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

想象一群嗡嗡作响的小型无人机正试图进行极其紧密的编队飞行，就像一群蜜蜂试图挤过一个钥匙孔一样。问题在于，当它们靠得这么近时，空气会变得非常混乱。上方的无人机会向下吹气（就像吹叶机一样），这会冲击下方的无人机，使其偏离航线。如果无人机不知道正在发生这种情况，它们可能会互相碰撞或失控旋转。

长期以来，处理这一问题的最聪明方法是使用一种被称为“非线性模型预测控制”（Nilear Model Predictive Control, NMPC）的超级大脑程序。把 NMPC 想象成一位天才棋手，他在走下一步棋之前，会计算未来一小时内所有可能的走法。它效果极佳，但由于过于沉重且运行缓慢，需要一台庞大的计算机来驱动。大多数小型无人机并没有那么大的计算机。

核心创意：“平坦”捷径
研究人员想出了一个聪明的窍门。他们意识到，如果他们教给无人机大脑一种特定的“课程类型”——即严格遵循关于位置和速度的物理规则——他们就能保持数学上的“平坦”。

在无人机物理学领域，“平坦”并不意味着躺在地上；它意味着数学逻辑足够简单，以至于不需要超级计算机来求解。这就像是意识到，你不需要计算整个天气系统来决定是否需要带伞，你只需要观察头顶上方的天空即可。通过强制他们的学习模型仅关注无人机所处的位置及其移动速度（以及除此之外的其他任何变量），他们保持了数学结构的简洁。

混合大脑：物理 + 学习
为了实现这一点，他们给了无人机一个“混合大脑”：

物理部分： 他们首先建立了一个关于空气如何从一个无人机流向另一个无人机的基本手工规则（类似于知道热空气上升）。这就是“物理先验”。
学习部分： 然后，他们让神经网络去学习那些基本规则所遗漏的、杂乱且奇特的细节。

因为他们将学习部分构建在物理规则之上，无人机可以预测邻居产生的风会如何推挤自己。这使得他们能够使用一种更简单的控制器（类似于标准的定速巡航），从而在风力冲击发生之前就瞬间抵消掉它。

结果：快速、轻量且精准
团队在真实硬件上测试了这一技术——即让真实的微型无人机飞过一个小窗口。以下是他们的发现：

更少的错误： 与不使用这种额外辅助的标准飞行方式相比，他们的方法将平均跟踪误差降低了 31%。
速度： 它达到了沉重且缓慢的 NMPC “天才”控制器的性能水平，但所需的计算能力减少了 7 倍。
训练： 他们仅需 30 秒 的飞行数据就能教会系统如何应对风力。
循环频率： 系统每 5 毫秒 就能做出决策并调整电机。

他们没有做的事情（以及为什么这很重要）
论文非常谨慎地说明了这“不是”什么。他们明确排除了在这些小型无人机上使用“天才型”NMPC 方法的可能性，因为其负载太重。他们也没有仅仅凭猜测认为这行得通；他们通过真实的硬件实验证明了这一点，而非仅仅依靠计算机模拟。

他们也没有试图教无人机去学习关于空气的“一切”。如果他们让无人机去学习所有可能的变量，数学逻辑就会崩溃，而“平坦性”也会随之消失，从而使简单的控制器变得毫无用处。通过坚持“风力仅取决于位置和速度”这一特定规则，他们保持了系统的稳定与快速。

底线
这并不是一个能解决所有飞行问题的万能药，但这是一个重大的进步。它表明，无需在机载设备上配备超级计算机，也能实现高保真、无碰撞的紧密编队飞行。这就像是教赛车手通过感受路面来预判弯道，而不是依靠卫星为他们计算赛道的每一寸细节。结果是？一个即使拥有“小脑瓜”，也能飞得紧凑、快速且安全的无人机集群。

技术摘要：用于实时紧密四旋翼编队飞行的保平坦性残差学习

问题陈述

在紧密邻近飞行中操控多架四旋翼无人机面临着严峻的挑战，尤其是由于下洗流（downwash）引起的湍流气动相互作用。如果忽略这些未建模的扰动，会导致跟踪性能下降或发生灾难性的碰撞。虽然从飞行数据中学习残差动力学提供了一种解决方案，但将通用的、非结构化的残差模型集成到控制流水线中通常需要非线性模型预测控制（NMPC）。然而，NMPC 计算成本高昂且随模型复杂度增加而扩展性变差，这使得它不适用于需要实时性能（例如 5ms 循环频率）的资源受限型飞行栈。现有的方法通过施加结构化约束（如平滑性）来解决问题，但往往缺乏处理复杂多智能体交互所需的表达能力，或者无法提供前馈补偿。

方法论

作者提出了一种物理信息驱动的残差动力学学习框架，该框架通过确保联合多四旋翼系统保持微分平坦性（differential flatness），在模型保真度与控制效率之间取得了平衡。

1. 保平坦性参数化

其核心理论贡献在于限制学习到的残差动力学严格依赖于联合位置与速度（即 $\xi = [p_1, v_1, \dots, p_N, v_N]^\top$ ）。

微分平坦性： 通过将残差依赖性限制在运动学状态上，增强后的动力学保留了标称刚体系统的微分平坦特性。这使得系统状态和控制输入可以通过平坦输出（位置和偏航角）及其导数进行代数重建。
控制器设计： 利用这种被保留的平达性，作者设计了一个计算高效的反向线性化控制器。
- 前馈补偿： 控制器利用学习到的残差，通过在推力和转矩计算中的前馈项来抵消气动扰动。
- 线性调优： 由于系统已被平坦化，反馈增益可以使用标准的线性控制技术（如 PID）进行调优，从而避免了复杂的非线性优化。
- 鲁棒性： 为了避免高阶导数（特别是残差的二阶导数）引起的噪声放大，转矩输入采用了针对角速度误差的高增益比例控制器，而非精确的动力学扩展。

2. 物理信息驱动的残差学习

为了减轻因受限的平坦性参数化导致的潜在泛化损失，残差模型被构建为基于物理的降阶模型（ROM）与学习到的神经网络项之和：
$\hat{f}(\xi) = \hat{f}_d(h_0) + \hat{f}_\Theta(h_0)$

物理先验 ( $\hat{f}_d$ )： 一个基于先前研究改进的成对下洗流模型，该模型根据相对垂直距离 ( $\Delta z$ ) 和径向距离 ( $\Delta r$ ) 来估计感应气流速度。这提供了一个具有物理依据的基础。
学习项 ( $\hat{f}_\Theta$ )： 一个神经网络，用于学习 ROM 未能捕捉到的残差误差，该网络基于由相对运动学推导出的旋转等变特征进行运算。

主要贡献

本文概述了四项主要贡献：

联合平坦性的理论证明： 作者证明了通过将标称刚体动力学增强为依赖于联合位置与速度的结构化残差参数化，可以保持多四旋翼团队的联合微分平坦性。他们明确推导了从平坦输出重建状态与输入的映射关系。
样本高效的学习框架： 提出了一种利用已知物理结构（对称性和 ROM）的残差学习框架，以实现有限数据下的学习。
高效的控制器设计： 设计了一种能够利用学习到的残差进行预测性前馈补偿，同时保持基于平坦性控制的计算优势的控制器。
实验验证： 该方法在仿真和硬件实验中均得到了评估，结果显示其性能与最先进的 NMPC 基准方法相当，但计算需求显著降低。

结果

跟踪性能： 硬件实验表明，与忽略气动效应的标称基准相比，该框架将平均跟踪误差降低了 31%。
与 NMPC 的比较： 该控制器实现了与最先进的 NMPC 基准（特别是 KNODE-MPC 框架）相当的跟踪性能，但计算量减少了一个数量级（在相同硬件设置下，计算量减少了 7 倍）。
数据效率： 该系统仅使用少于 30 秒的训练数据，即可实现稳定的紧密编队飞行（间距从 1.1m 缩小至 0.1m）。
实时能力： 该方法在 5ms 循环频率下成功运行，为计算受限的飞行栈解锁了高保真气动补偿能力。

意义与主张

本文声称是首个成功将带有学习残差的反向线性化控制器应用于紧密四旋翼编队飞行的研究。

这项工作的意义在于它弥合了高保真气动建模与实时计算约束之间的鸿沟。通过保持微分平坦性，作者使得使用简单的线性控制调优技术来处理复杂的、学习到的多智能体动力学成为可能。这种方法消除了 NMPC 的计算瓶颈，同时保持了其性能。这为“计算受限型飞行栈”提供了解决方案，证明了在极低的数据量和低延迟执行下，实现稳定的紧密编队飞行是可行的。