《Aerospace Science and Technology》：Real-Time Reciprocal Collision Avoidance Trajectory Planning for Quadrotor Tail-Sitter UAV Swarms
编辑推荐：
Mingyue Fan|Yifan Xia|Yao Zheng浙江大学航空航天学院，中国浙江省杭州市310058摘要本文研究了尾坐式无人机群协同飞行的轨迹规划问题。由于尾坐式平台具有复杂的非线性空气动力学特性以及非完整约束，该问题尤为棘手。本文提出了一种基于优化的尾坐式无人机群三
Mingyue Fan|Yifan Xia|Yao Zheng
浙江大学航空航天学院，中国浙江省杭州市310058
摘要
本文研究了尾坐式无人机群协同飞行的轨迹规划问题。由于尾坐式平台具有复杂的非线性空气动力学特性以及非完整约束，该问题尤为棘手。本文提出了一种基于优化的尾坐式无人机群三维轨迹生成方法。首先，所生成的轨迹具有很高的实用性，能够满足各种等式和不等式约束条件。其次，通过推导优化问题的解析梯度，该算法使得每次迭代的计算时间复杂度为线性级别。最后，通过去中心化且异步的机制触发每个个体的局部优化，从而降低问题规模和计算负担。数值仿真结果表明，所提出的方法在常见的商用CPU上即可实现实时运行，展现了其在尾坐式无人机群任务中快速适应和高效执行的能力。与现有的最先进群体规划方法相比，该框架无需依赖基于视觉的感知系统，且能使无人机最大飞行速度达到6米/秒。
引言
与单架无人机相比，无人机群具备更强的可扩展性、更高的生存能力以及更好的容错能力，因此能够执行更为复杂的任务[1]。然而，目前用于多无人机协同飞行的方法通常运行速度较低[2]、[3]，无法满足实现最大飞行距离所需的速度要求[4]。尽管近期有一些研究展示了无人机在未知环境中的高速自主飞行能力[5]、[6]、[7]，但这些方法仅限于单无人机场景，难以扩展到多智能体系统。
尾坐式无人机是一种垂直起降型飞行机器人，由于要在悬停、过渡和前进飞行状态之间切换，其动态耦合程度比传统的多旋翼或固定翼无人机更强。现有研究已经探讨了尾坐式无人机的过渡轨迹优化[8]、全包线轨迹跟踪[9]以及模型预测控制[10]等方法。由于尾坐式结构的特点，无人机群内的协同飞行比四旋翼无人机群要困难得多：其一，虽然这种结构能提升续航能力和载荷量，但会限制机动性。与低速运行的四旋翼无人机不同，尾坐式无人机在飞行过程中必须避免横向移动和剧烈转向，这类非完整约束使得群体级协调策略的设计更加复杂，尤其是在保持队形形状控制等方面[13]、[14]。其二，四旋翼无人机通常配备视觉传感器以获取三维空间信息来实现协同飞行，而尾坐式无人机较高的飞行速度和加速度会加剧机载相机的局限性，比如画面模糊以及对光照变化的敏感度问题[7]。此外，飞行过程中较大的视角变化会导致传感器视野出现显著波动，从而难以保证感知的连续性和稳定性。
解决这些问题的一个潜在方案就是群体规划算法，这类算法决定了集群飞行的效率和可行性。一般来说，无人机群的轨迹规划需要同时考虑四个关键方面[15]：轨迹最优性、可扩展性、计算效率以及平台小型化。轨迹最优性体现在生成轨迹的质量以及相应的飞行时间上；可扩展性指的是群体应对不同任务目标的能力；计算效率则有助于减少对意外事件的响应延迟，并为其他用户定义的任务保留计算资源[16]；而平台小型化则要求依靠紧凑型的嵌入式计算平台，从而在有限的空间内实现更高的无人机密度。不过，这四个方面之间存在固有的权衡关系。较高的轨迹最优性通常依赖于精确的系统建模以及对解空间的全面搜索，而这无疑会增加计算时间；较高的可扩展性则需要将问题置于更为通用的框架中进行处理，这可能会削弱针对特定任务的优化能力，进而影响最优性和计算效率。在最优性和可扩展性方面，若不断加入用户自定义的目标，问题的复杂性会迅速增加，使得找到可行解变得更加困难。即便只是满足安全性、可行性等基本要求，同时还要在群体层面尽可能缩短飞行时间并提升轨迹平滑度，也是一项极具挑战性的任务[17]。嵌入式平台的计算资源有限，进一步加剧了这些挑战，限制了高级算法的实际应用。
早期无人机群的轨迹规划方法大多采用集中式架构[18]。不过近年来，研究趋势逐渐转向分布式方法，即每架无人机根据本地获取的信息自行规划轨迹[19]、[20]、[21]，这样既能降低整体问题规模，又能将计算负担分散到各个个体上。这类方法展现出更好的可扩展性和鲁棒性[22]。根据智能体间的通信方式，分布式方法还可进一步分为同步和异步两类。同步方法要求所有智能体定期交换轨迹信息，但这会带来额外的通信约束。随着群体规模的扩大，这类方法容易出现数据包丢失和通信延迟的问题[23]。相比之下，异步通信不需要智能体间定期交换信息，因而能够实现更为灵活和高效的智能体间交互。在本研究中，我们采用了分布式异步规划框架来解决尾坐式无人机群的协同飞行问题。
本文提出了一种用于尾坐式无人机群的实时避撞轨迹规划方法。该方法是在我们之前为单架尾坐式无人机开发的轨迹规划框架[24]基础上发展而来的，将其扩展到了最多包含六架协同飞行智能体的多智能体场景。本研究的主要贡献如下：
- leftmargan=0.75cm,atemsep=-3pt,topsep=-5pt,labelsep=0.5em
本文为尾坐式无人机群开发了一种基于优化的三维轨迹生成方法。该方法结合了3D-Dubins路径预规划与分布式异步规划框架，从而分离了群体规划问题，提升了方法的实用性。在满足动态可行性和相互避撞的前提下，所生成的轨迹符合尾坐式无人机的最小转弯半径要求。
- leftmbrgbn=0.75cm,btemsep=-3pt,topsep=-5pt,lbbelsep=0.5em
本文专门为姿态变化较大的尾坐式无人机提出了一种不依赖视觉传感器辅助的轨迹规划方法。该方法从算法层面提升了尾坐式无人机群避撞功能的可靠性，尤其是在群体中智能体相互迎面飞行的场景下。
- leftmcrgcn=0.75cm,ctemsep=-3pt,topsep=-5pt,lcbelsep=0.5em
实验结果及对比分析证明了所提方法对于尾坐式无人机群的有效性。与现有的最先进的开源方法[15]、[25]相比，该框架能够让无人机群的实际飞行速度达到6米/秒。此外，我们还证明了该算法具备实时运行的潜力。
本文的其余部分结构如下：第2节介绍了尾坐式无人机的飞行动力学以及相关基础知识；第3节详细阐述了四旋翼尾坐式无人机群的轨迹规划方法；第4节为数值仿真结果及分析；最后第5节对全文进行总结。
章节节选
基础知识
本节介绍了支撑本研究所需的基本概念和方法。2.1节简要回顾了我们之前的工作[24]，该工作对单架尾坐式无人机在三维空间中的飞行动力学进行了建模，可用于轨迹跟踪研究。2.2节介绍了最小控制（MINCO）轨迹类。2.3节则阐述了轨迹的时空变形规律，为后续的轨迹优化奠定了基础。
尾坐式无人机群的轨迹生成
在本节中，我们将多智能体协调问题转化为分布式轨迹优化问题。根据[15]、[24]、[25]的研究，3.1节探讨了如何在轨迹优化过程中满足自主车辆的连续时间约束。接下来，为满足尾坐式无人机的最小转弯半径要求，3.2节介绍了如何在3D-Dubins路径上选择采样点作为每条轨迹的终点位置。同时还会涉及解析梯度的计算等内容。
数值仿真
本节通过仿真验证了所提方法的有效性和高效性。仿真测试使用了Ryzen R5-5600G处理器（3.9 GHz）和8GB内存。本研究中所使用的参数列于表1中。4.1节介绍了整个群体轨迹生成与跟踪控制的框架。基于该框架，为了证明我们所提优化算法的可行性，我们设计了一个六架无人机相互飞行的仿真场景。
扩展内容
所提出的分布式异步群体规划框架充分考虑了实际应用中通信延迟和数据包丢失所带来的挑战。在该方法中，智能体不会交换相邻无人机的实时位置，而是各自发布未来一段时间内的规划轨迹。因此，避撞决策是基于传输轨迹中包含的全局时间戳来进行的，而非其他信息。
CRediT作者贡献说明
Mingyue Fan：撰写——初稿撰写、软件工具使用、方法设计、形式化分析、数据整理、概念构思。 Yifan Xia：撰写——审阅与编辑、结果验证、资源协调、项目管理。 Yao Zheng：撰写——审阅与编辑、研究指导、项目管理、资金筹集、概念构思。
利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知利益冲突或个人关系。
