HEA-Planner：面向受限动态仓库移动平台自主降落的分层环境感知轨迹规划框架

《Drones》：HEA-Planner: A Hierarchical Environment-Aware Trajectory Planning Framework for Autonomous UAV Landing on Moving Platforms in Confined Dynamic Warehouse Environments

　　

在受限仓库环境中，自主四旋翼无人机（unmanned aerial vehicle, UAV）在移动地面平台上的降落对于空地协同作业至关重要。然而，现有轨迹规划器往往在狭窄通道中牺牲走廊净空，或在动态侵入下无法跟踪机动平台。为解决这些挑战，研究人员提出了一种分层环境感知轨迹规划框架（hierarchical environment-aware trajectory planning framework, HEA-Planner）。在全局层，研究人员构建了环境感知蚁群优化（Environment-Aware Ant Colony Optimization, EA-ACO）算法，利用环境反馈生成走廊中心参考路径。在局部层，研究人员设计了环境感知A^*（Environment-Aware A^*, EA-A^*）重规划器，通过时空风险斥力场和预测吸引场协调反应式避障与平台拦截。在轨迹优化层，研究人员引入了空间引导MINCO（Spatially-Guided MINCO, SG-MINCO）求解器以保持走廊净空，同时推导了时空耦合MINCO（Spatiotemporal Coupled MINCO, STC-MINCO）求解器，通过解析时长全导数实现移动平台交会。跨三种运行状态的仿真表明，该框架具有鲁棒避碰和动态同步能力。此外，物理飞行实验验证了机载闭环执行，在所有试验中实现平均重规划时延为 以及终端触地误差为 （100%成功率），验证了受限物流工作空间内自主空地交接的实时可行性。

论文主体内容解读

研究背景与问题：现代自动仓库中，无人机（unmanned aerial vehicle, UAV）与无人地面车辆（unmanned ground vehicle, UGV）的空地协同可提升作业效率。UAV利用三维机动能力进行高货架库存巡检，UGV承担地面物料运输并作为移动降落平台。该空地系统闭环协同的关键在于UAV能否自主、精确地降落到移动平台上。然而，受限仓库环境具有严格约束：狭窄通道和密集货架限制飞行净空，移动平台要求紧密的时空协调。现有移动平台自主降落可分为协同方案与单边跟踪方案，仓库物流中地面平台通常独立执行任务，因此需要UAV单边跟踪。单边跟踪范式包括纯视觉伺服、单步预测拦截和分阶段降落；在受限仓库中，纯视觉伺服易受高货架结构造成的视线（line-of-sight, LoS）遮挡影响，单步预测拦截因缺乏连续反馈回路而对动态不确定性鲁棒性不足，因此分阶段降落成为主流范式，将降落解耦为快速下降阶段与精确降落阶段。控制类路线包括视觉伺服、模型预测控制（model predictive control, MPC）和强化学习（reinforcement learning, RL），但视觉伺服缺乏全局空间推理，MPC计算时延随预测时域和杂乱密度增长且对模型失配敏感，RL优化期望累积奖励而非显式几何边界，难以实现硬走廊约束。规划类路线通过分层框架解耦前端空间搜索与后端连续优化，但全局路径规划、局部动态重规划和后端轨迹优化仍分别存在贴墙、动态避障与移动终端同步等问题。为此，研究人员开展HEA-Planner研究。

研究人员开展的研究与意义：研究人员提出HEA-Planner，一种受有限状态机（Finite State Machine, FSM）监督的分层环境感知轨迹规划框架，用于受限动态仓库环境中四旋翼自主降落到移动平台。主要贡献包括：系统集成，设计FSM监督的分层架构，协调全局接近、动态避障和目标同步状态，使四旋翼安全进入视觉交接窗口；算法适配，将离散搜索与连续轨迹优化适配狭窄仓库走廊，在EA-ACO信息素更新中引入障碍净空和转弯代价以防贴墙，在EA-A^*中集成时空风险斥力场和预测吸引场用于动态规避，在SG-MINCO中引入走廊包围盒映射和路点引导惩罚以防急转弯切角；理论推导，构建STC-MINCO框架，在移动终端边界条件下严谨推导轨迹代价对分段时长的解析全导数，实现空间轨迹形状与飞行时长的联合梯度优化。

关键技术方法：研究人员采用三维体素栅格地图、FSM监督、EA-ACO全局规划、EA-A^*局部动态重规划、安全飞行走廊（Safe Flight Corridors, SFC）与轴对齐包围盒（Axis-Aligned Bounding Boxes, AABB）映射、SG-MINCO与STC-MINCO轨迹优化、Powell–Hestenes–Rockafellar（PHR）增广拉格朗日方法（Augmented Lagrangian Method, ALM）与有限内存Broyden-Fletcher-Goldfarb-Shanno（L-BFGS）求解、扩展卡尔曼滤波（Extended Kalman Filter, EKF）融合超宽带（Ultra-Wideband, UWB）、UGV里程计与惯性测量单元（IMU）以及AprilTag视觉位姿。仿真使用三维LiDAR与基于点云聚类的目标跟踪；物理实验在室内飞行场开展，机载计算机为NVIDIA Jetson Orin NX，飞控为Pixhawk 2.4.8，并使用光学运动捕捉系统记录真值。无样本队列来源，研究对象为仿真仓库与物理飞行实验平台。

研究结果：仿真 I：全局接近性能比较。研究人员在相同三维占据栅格、起终点和运动学限制下，将EA-ACO与标准ACO、遗传算法（Genetic Algorithm, GA）和快速探索随机树星（Rapidly-exploring Random Tree Star, RRT^*）比较，十次独立试验。EA-ACO较标准ACO路径长度仅增加1.6%，计算开销增加5.3%，但通过环境反馈因子和环境加权更新策略缓解贴墙，将最小障碍净空提高至标准ACO的1.6倍以上，并减少平均转弯角57.7%，且数代内快速收敛。后端比较中，标准MINCO优先最小化执行时间，在U形转弯走廊切角，降低最小障碍净空；SG-MINCO通过空间引导惩罚保持轨迹接近走廊中心线，将最小障碍净空提高104%，并通过增广拉格朗日方法满足运动学与动力学约束，仅带来较小飞行时间增加。

仿真 II：动态避障性能比较。研究人员将HEA-Planner与A^*-MINCO、动态窗口法（Dynamic Window Approach, DWA）、AIFDS-TD3和近端策略优化（Proximal Policy Optimization, PPO）比较，所有规划器接收仿真LiDAR跟踪管线的实时障碍估计且无未来轨迹预览。PPO等无模型策略在紧迫威胁下出现显著加速度违反和控制抖动；标准A^*-MINCO在障碍边界预测能力有限。HEA-Planner通过时空风险斥力场建立预测性软引导，降低计算尖峰，实现支持高频在线执行的平均总重规划时延。几何安全方面，直接速度基线导致动态净空降至约0.1 m，A^*-MINCO出现走廊切角；HEA-Planner综合预测风险势场与路点空间引导，使连续轨迹提前绕开高风险区域，抑制净空急剧下降，提高最小净空并限制峰值加速度与平均jerk。

仿真 III：目标同步性能比较。研究人员在传感器噪声下评估目标同步，目标是到达移动平台上方视觉交接窗口，而非物理触地，考察水平交接位置误差和终端速度失配。变速度测试中，地面平台采用连续余弦速度剖面，HEA-Planner与PPO均无先验轨迹知识，仅依赖实时状态估计。HEA-Planner使用机载EKF估计与局部二阶Taylor预测，并通过滚动时域重规划处理加速度变化。PPO接受相同噪声状态估计，直接输出三维速度。恒速度测试中，两种方法在相同平台速度离散扫描下各进行十次同步试验。结果表明，HEA-Planner在较高速度范围内保持高交接成功率，而PPO在较高速度下因稳态跟踪滞后导致成功率下降。HEA-Planner先跟踪全局参考轨迹，进入目标同步状态后与移动平台同步并到达终端交接窗口；PPO在HEA-Planner完成交接时仍存在位置跟踪滞后和持续跟踪振荡，未能在平台运动阶段实现动态交接。该改进源于EA-A^*的预测吸引场和STC-MINCO的时长梯度耦合，使STC-MINCO能同时调整轨迹几何与时长。

消融研究：研究人员在三个操作FSM状态下进行随机试验，隔离各算法组件贡献。全局接近状态中，禁用环境启发式或转弯因子会增加平均转弯角和搜索时间；省略障碍净空因子或路点引导会导致路径贴墙或急转弯切角，降低最小净空；完整管线取得较好净空、成功率和平滑转弯。动态避障状态中，移除风险斥力场会降低动态净空和成功率，四旋翼会继续直线飞行而非提前转入侧向逃逸区；禁用速度继承或路点引导也会降低动态净空；完整管线保持较高动态净空和重规划时延。目标同步状态中，固定到达时间基线因平台加速度下电机推力违反导致失败率与严重发散；在联合时间优化中，省略解析全导数耦合会忽略目标速度梯度，延长交接时间；省略预测吸引导致尾随追逐，延长交接时间；完整STC-MINCO实现最短交接时间与平均重规划时间。

实验验证：研究人员在室内飞行场开展两个物理飞行实验场景。场景1为静态避障降落，静态障碍形成受限走廊，第一阶段由HEA-Planner引导四旋翼绕过障碍并在视觉交接窗口内实现时空状态同步，第二阶段由视觉伺服完成物理触地。合作UGV携带带AprilTag标记的降落平台。结果表明，四旋翼保持0.52～1.04 m最小障碍净空，第一阶段交接时间平均为11.7～15.4 s，终端触地误差位于降落平台边界内，所有试验100%成功；SG-MINCO下三轴跟踪偏差在视觉交接前收敛。场景2为移动平台自主降落，轮式UGV采用连续余弦速度剖面，UAV通过EKF融合UWB相对测量、UGV里程计和IMU遥测估计平台状态，检测后引入AprilTag视觉位姿。第一阶段视觉交接时间平均为6.4～9.0 s，STC-MINCO重规划平均为26.7～39.8 ms；第二阶段视觉伺服完成触地，终端触地误差为101.5～185.6 mm，成功率100%。移动平台机动期间沿纵向飞行轴出现瞬态跟踪滞后，横向跟踪误差保持在给定范围内，进入视觉交接窗口前水平轴跟踪误差收敛。Tier 2紧急制动回退可在净空突破安全阈值时触发主动悬停。

实际应用局限讨论：研究人员指出，机载传感器视野（field of view, FOV）有限，在密集货架通道中易受盲角遮挡，缩短局部滚动时域重规划的安全反应窗口；金属货架结构造成严重非视线（non-line-of-sight, NLOS）和多径反射，工业应用需以稳健多模态同步定位与建图（simultaneous localization and mapping, SLAM）架构替代仅依赖UWB的跟踪；狭窄物流走廊中的敏捷飞行会引入未建模的地面与墙壁气动效应，挑战紧工作空间中的保守安全裕度。该文报告的无碰撞性能界定在明确操作包络内，其物理条件为：动态障碍被足够提前检测以便在最近接近前重规划逃逸轨迹；动态障碍相对速度在单个重规划区间内近似分段常值；闭环跟踪偏差保持在规划净空走廊内。

结论翻译：本文提出了HEA-Planner，一种用于受限动态仓库环境中四旋翼无人机自主降落到移动平台的分层环境感知轨迹规划框架。在FSM监督下，该框架结合EA-ACO全局规划器生成参考路径、EA-A^*局部重规划器进行动态避障，以及包含SG-MINCO与STC-MINCO的后端优化层进行时空轨迹生成。在该架构中，EA-ACO通过环境反馈因子减少贴墙，提供沿走廊中心线的参考路径；EA-A^*在局部滑动窗口内通过风险斥力场与预测吸引场切换实现动态响应；STC-MINCO通过解析全导数传播终端边界运动，从而同时优化轨迹几何与到达时间。仿真和物理飞行实验表明，与标准ACO相比，EA-ACO将平均转弯角减少57.7%，并将最小障碍净空提高至标准ACO的1.6倍以上。在动态避障仿真中，HEA-Planner实现了平均总重规划时延；在移动平台物理飞行实验中，STC-MINCO重规划平均为，二者均处于100 Hz机载闭环执行预算内。对于移动平台自主降落，系统在交接容差包络内实现第一阶段时空状态同步，随后第二阶段视觉伺服在移动平台甲板上产生终端触地位置误差。未来工作将聚焦于将该框架迁移至全尺寸工业仓库环境，扩展至多无人机协同降落操作，并与UGV运动规划协调以面向协同异构空地系统。