⚡ electrical engineering

Global Sensitive-Based Input Shaping for UAV-Payload Precision Motion Control

本文提出了一种由 Shapley 值增强的基于全局敏感性的 3D 无人机-载荷系统输入整形方法，并通过数值模拟证明，与非鲁棒、标准鲁棒及极小极大设计相比，该方法显著提高了针对载荷质量和绳长不确定性的鲁棒性。

原作者： Karan Baker, Sanjay Maharjan, Tariq Hlayel, Oladapo Ogunbodede, Dutch Dunphy, Adrian Stein

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Karan Baker, Sanjay Maharjan, Tariq Hlayel, Oladapo Ogunbodede, Dutch Dunphy, Adrian Stein

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，你正试图用一根棍子挑着一桶水在赛跑。如果你动作太突兀，水就会溅出来；如果你移动得太慢，你就会输掉比赛。这正是机器人学中一个特定分支的日常挣扎：如何让飞行器在搬运重物时不会产生剧烈的摆动。科学家们将这些飞行器称为“无人驾驶飞行器”或“无人机”（UAV），而它们携带的东西被称为“载荷”。

棘手之处在于，载荷并不是粘在无人机上的，而是吊在绳子上。这产生了一种钟摆效应。当无人机转向时，载荷就会摆动。当载荷摆动时，它又会将无人机带离航线。这是一场混乱的舞蹈，舞者与舞伴不断地互相绊倒。为了解决这个问题，工程师们使用了一种叫做“输入整形”（Input Shaping）的小技巧。把它想象成一位指挥家，精准地告诉音乐家何时落下音符，从而抵消掉任何不想要的余音。通过完美控制无人机的动作时机，晃动就会停止。然而，这个技巧通常只有在工程师准确知道水桶的重量和绳子的长度时才有效。在现实世界中，这些数值会发生变化，或者在无人机起飞前没人知道确切数字。这篇论文探讨的是：我们能否教会无人机，即使在不知道载荷具体细节的情况下也能处理好这种摆动？

论文的任务
本论文提出了一种为携带悬挂载荷的无人机设计“指挥”指令的新方法。研究人员利用一个三维无人机系统，希望创造一种即使在载荷质量（重量）或绳长不确定时也能保持稳定的控制方法。他们不仅仅是在靠猜，而是使用了一种名为“全局敏感性分析”（GSA）的数学工具，来确定重量和绳长究竟在多大程度上破坏了无人机的稳定性。

为了让这种方法更聪明，他们借鉴了博弈论中的一个概念——“夏普里值”（Shapley value）。想象一下，一群朋友正在尝试公平地分披萨，夏普里值就是一个公式，它可以精确计算出每个人对团队成功做出了多少贡献。在这篇论文中，“朋友们”是那些不确定因素（重量和绳长），而“披萨”则是总体的摆动量。研究人员利用这种数学方法来询问：“摆动的程度究竟是由绳长引起的，还是由重量引起的？”通过了解答案，他们可以设计出一个专门忽略那些造成最大麻烦因素的控制器。

他们做了什么以及发现了什么
团队构建了一个无人机携带载荷的计算机模拟系统。他们测试了四种不同的无人机运动控制方法：

非鲁棒型（Non-robust）： 一种基础方法，假设重量和绳长完全符合预期。
鲁棒型（Robust）： 一种尝试处理各种可能重量和长度范围的方法。
极小化极大法（Minimax）： 一种试图最小化最坏情况的方法。
新的 GSA/夏普里法（The New GSA/Shapley Method）： 本文提出的方法。

他们进行了数千次模拟，其中载荷的重量在 0.2 kg 到 1 kg 之间变化，绳长在 0.2 m 到 1.8 m 之间变化。

结果显示，标准方法（非鲁棒型、鲁棒型和极小化极大法）表现尚可，但仍会让载荷产生一些摆动。例如，使用标准的“鲁棒型”方法时，摆动角度（载荷左右摇晃的角度）平均范围约为 8.98 度。

然而，这种全新的**基于全局敏感性的输入整形器（Global Sensitivity-based Input Shaper）**表现得显著更好。在他们的模拟中，这种新方法将平均摆动范围降低到了仅 7.83 度。更令人印象深刻的是，它使结果更加一致。其他方法的“标准差”（衡量结果波动程度的指标）超过 1.2 度，而该方法的标准差降至仅 0.89 度。这意味着无人机不仅平均而言更稳，而且更具可预测性。

夏普里值的转折
研究人员随后更进一步，利用夏普里值强制控制器对绳长保持高度谨慎，因为他们发现绳长是导致摆动的主要元凶。他们在数学规则中加入了一条限制：“确保绳长对摆动的影响不超过 85%。”

当这样做时，绳长相关的结果变得异常稳定。平均摆动范围保持在较低水平（约 7.97 度），但一致性得到了进一步提升，标准差仅为 0.78 度。代价是什么呢？与另一个方向（第二个角度）相关的摆动略有变差，这在过度专注于解决特定问题时是预料之中的。但总体而言，团队展示了通过使用这些先进的数学工具，可以让无人机的控制系统对未知因素实现“去敏感化”。

这意味着什么
作者谨慎地指出，这些结果来自计算机模拟，尚未进行实地飞行测试。他们明确表示，虽然数学逻辑看起来很有前景，但他们需要在实际硬件上进行测试，以证明其在真实世界的风力和湍流中是否有效。他们计划下一步进行实测，使用一个带有 0.6 kg 载荷和 1 米绳子的无人机。

简而言之，这篇论文表明，通过使用博弈论来理解无人机为何摆动，我们可以教会它即使在不知道精确载荷或绳长的情况下，也能飞得更稳。这是迈向能够交付包裹、建造结构或拍摄电影，且不会让相机或包裹像钟摆一样乱晃的无人机技术的一步。

技术摘要：用于无人机-载荷精密运动控制的全局敏感性分析输入整形技术

问题陈述
运输悬挂载荷的无人机（UAV）在物流和基础设施任务中具有显著优势，但面临着基础性的控制挑战，即欠驱动和非线性动力学问题。悬挂载荷引入了额外的自由度，在飞行器与载荷之间产生了复杂的耦合动力学。微小的轨迹偏差可能会激发载荷的振荡运动，这种运动会反馈到飞行器动力学中，从而导致残余摆动，损害跟踪精度和安全性。这些挑战因参数不确定性（特别是载荷质量 $m_l$ 和绳长 $L$ 的变化）而进一步加剧，而这些参数在飞行前通常是未知的，或在运行过程中发生变化。虽然现有的控制策略（如基于钝性的、自适应的、滑模控制等）具有鲁棒性，但它们通常针对标称工作点进行调优，在面对广泛或非结构化不确定性时性能可能会下降。

方法论
本文提出了一种基于全局敏感性分析（GSA）的输入整形框架，旨在抑制载荷摆动，同时考虑载荷质量 ( $m_l$ ) 和缆绳长度 ( $L$ ) 的不确定性。该方法包含三个主要组成部分：

系统建模： 将 UAV-载荷系统建模为一个由刚性缆绳连接的点质量 UAV 与悬挂点质量载荷组成的系统。利用拉格朗日公式推导动力学方程，考虑了平移运动、载荷摆角 ( $\alpha, \beta$ ) 以及旋转能量。不确定性被建模为均匀分布： $m_l \sim U[0.2, 1]$ kg 且 $L \sim U[0.2, 1.8]$ m。
输入整形器设计： 研究对比了几种前馈输入整形技术：
- 非鲁棒型： 针对标称参数设计的标准整形器。
- 鲁棒型： 通过在标称极点位置放置两组零点来拓宽陷波带宽的整形器。
- 极小极大型（Minimax）： 设计用于在定义的频率范围内最小化残余能量的整形器。
- 基于 GSA 型： 一种基于优化的整形器，其目标是在满足幅值和切换时间约束的前提下，最小化运动过程中的预期摆角范围 ( $R_\alpha, R_\beta$ )。
Shapley 值集成： 为了系统地处理不确定性，作者引入了合作博弈论中的 Shapley 值概念。在这种背景下，不确定参数 ( $m_l$ 和 $L$ ) 被视为博弈中的“玩家”。Shapley 值量化了每个参数对系统输出方差（摆角范围）的边际贡献。研究引入了一个特定约束，以限制缆绳长度对摆角范围影响的 Shapley 值 ( $Sh^R_\alpha_L \leq 0.85$ )，从而有效地降低控制器对绳长变化的敏感性。

核心贡献

基于 GSA 的输入整形： 本研究证明了将 GSA 应用于三维 UAV-载荷系统输入整形设计的可行性，超越了传统的标称设计或简单的鲁棒设计。
Shapley 值约束： 文中提出了一种新颖的方法，将 Shapley 值作为输入整形器设计中的优化约束。这使得系统能够实现不确定性贡献的系统归因，并有针对性地降低对特定参数（如绳长）的敏感性。
对比分析： 研究提供了非鲁棒、鲁棒、极小极大、标准 GSA 以及受 Shapley 约束的 GSA 输入整形器之间的全面数值对比。

结果
针对最终时间为 $T_f = 3.7898$ s 的点对点运动进行了数值模拟。主要发现如下：

敏感性分析： 在没有输入整形的情况下，摆角范围对缆绳长度 ( $L$ ) 的依赖性强于对载荷质量 ( $m_l$ ) 的依赖性。
性能提升： 标准 GSA 型输入整形器的表现显著优于非鲁棒、鲁棒和极小极大设计。它实现了更低的摆角范围均值 ( $\mu$ ) 和标准差 ( $\sigma$ )。例如， $\alpha$ 的标准差降低至 $0.8959^\circ$ （相比之下，极小极大型的标准差为 $1.2303^\circ$ ）。
Shapley 约束有效性： 执行 Shapley 值约束 ( $Sh^R_\alpha_L \leq 0.85$ ) 成功降低了摆角范围对缆绳长度不确定性的敏感性。虽然这导致 $\alpha$ 的平均摆角略有增加，并对 $\beta$ 的性能产生了权衡（方差增加），但它显著将 $\alpha$ 的标准差降低至 $0.7807^\circ$ 。
权衡关系： 结果强调了多目标优化中的权衡：使系统对某一参数（缆绳长度）的不敏感性降低，可能会影响另一个目标（ $\beta$ ）的性能。

意义与主张
作者断言，所提出的基于 GSA 的输入整形器为考虑不确定性的无人机载荷运输控制提供了一个极具前景的框架。其主要意义在于能够在不增加运动时间的前提下，使 UAV-载荷运动控制器对系统不确定性脱敏，为传统方法提供了一种鲁棒的替代方案。

文中也客观指出，虽然基于 Shapley 的方法在处理参数变动方面提供了关键见解，但由于依赖蒙特卡洛模拟，其离线设计计算量较大。此外，由于系统的非线性特征和有限样本量，观察到了 Shapley 值求和过程中的数值偏差。作者总结道，未来的工作应侧重于使用物理无人机进行实验验证，并探索诸如多项式混沌展开（Polynomial Chaos Expansion）等代理模型，以降低计算成本。最终目标是验证这些策略在需要高精度交付、稳定摄影和精密勘测的应用场景中的有效性。

类似论文