Towards safe and optimal flight: Viability Kernel MPC for Fully Actuated Multirotor
本文提出了一种针对全驱动多旋翼飞行器的可行核模型预测控制框架，该框架通过利用数据驱动方法和动态计算的边界框进行避障，无需详尽的离线分析，从而确保了在非结构化环境中的安全、实时导航。
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，有一架无人机不仅能在开阔的天空中飞行，还能在杂乱的仓库中穿梭，在柱子、管道和移动的机械设备之间穿行，却从未发生碰撞。多年来，自主飞行机器人的梦想一直受到一个简单而可怕的现实的阻碍：如果运行无人机的计算机对障碍物位置的一次错误判断，机器就可能失控并撞击物体。目前的安全系统往往反应过慢，通常是在无人机已经进入危险路径后才开始检查碰撞。为了从简单的空旷场地监视转向复杂的拥挤空间作业，工程师们需要一种方法，能够确保在每一时刻，无论接下来发生什么，无人机都有一个安全停止或转向的方法。
这就是由来自意大利大学的研究团队所解决的挑战，他们开发出了一种引导全驱动多旋翼无人机穿越复杂环境的新方法。与只能通过向下推气来实现上升、通过倾斜来实现侧移的标准无人机不同，这些先进的机器可以向任何方向推气，从而能够以同等的精度进行侧移、旋转和悬停。研究人员的突破在于结合了两个强大的概念：一个被称为“可行性”（viability）的数学概念，它追问“从当前状态出发，是否存在任何保持安全的方法？”，以及一个规划无人机下一步动作的预测控制系统。该系统不仅仅是尝试避开下一个障碍物，而是不断检查无人机是否始终处于一个即便前方路径突然受阻，也能安全停下或执行预定紧急着陆的位置。
其核心方法涉及一个处理无人机物理复杂性的巧妙技巧。在拥挤的房间里计算无人机每一个可能的未来路径，对于计算机来说实时运算速度太慢。为了解决这个问题，团队采用了数据驱动的方法。他们首先在离线状态下运行了数千次模拟，以绘制出无人机的“安全区”——即一组特定的位置和速度集合，从这些位置和速度出发，机器总能达到安全停止状态。然后，他们训练了一个人工智能，具体来说是一个神经网络，使其能够瞬间识别这个安全区。可以将这个神经网络想象成一名训练有素的飞行员，他只需瞥一眼无人机当前的飞行速度和位置，就能立即判断：“是的，我们仍处于安全位置”，或者“不，我们正变得离安全边缘越来越近”，而无需进行复杂的计算。
在实验中，研究人员在一种名为 α-Ted6R 的独特六旋翼无人机上测试了该系统，这种无人机通过倾斜螺旋桨设计来实现对运动的全方位控制。他们将无人机置于一个充满静态障碍物（如大箱子和柱子）的模拟环境中，并要求它导航至特定的目标点。在无人机飞行过程中，计算机不断更新其周围的一个虚拟“安全框”，并根据障碍物之间的可用空间动态缩小这个框。在每一步中，系统都会检查无人机预测的未来位置是否仍位于神经网络识别出的安全区内。如果无人机发现自己处于路径被封锁且无法实现安全停止的状态，系统则会触发内置的“安全中止”机制。这将立即触发预先计算好的紧急机动，引导无人机安全停下，而不是任其坠毁。
模拟结果非常显著。无人机成功地穿梭于杂乱的空间中，在避开所有障碍物的同时到达了目标点。即使当无人机的路径因安全裕度触及虚拟墙壁而暂时受阻时，系统也能调整其速度和方向，在不失去稳定性的情况下找到通过路径。其计算性能足以用于实际应用，系统平均在约一毫秒内做出决策，完全符合平稳飞行所需的时间限制。研究人员证明，通过将这种“安全保证”直接嵌入到规划过程中，他们可以让无人机在复杂的非结构化环境中运行，并提供以往方法无法提供的信心水平。
这项工作并不声称已经解决了航空机器人领域的每一个问题，目前也尚未证明该系统在存在移动人员或移动碎屑的真实世界中有效。然而，这些模拟实验提供了强有力的概念验证。它们表明，创造一种不仅是反应式的，而且在设计上本质安全的飞行控制器是可能的。通过确保无人机始终处于“存在安全未来”的状态，该系统消除了长期困扰自主飞行的“不可恢复状态”的恐惧。正如作者所言，未来的方向包括在更动态的环境中测试这些想法，并完善无人机感知周围环境的方式，但此处奠定的基础表明，未来无人机可以在我们最拥挤、最复杂的空间中与人类协同工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。