基于部分梯度MPC和增强Dubins轨迹的固定翼空中机器人实时覆盖路径规划

《Aerospace》：Real-Time Coverage Path Planning for Fixed-Wing Aerial Robots Using Partial Gradient-Based MPC and Augmented Dubins Trajectories

　　

覆盖路径规划(Coverage Path Planning, CPP)对于固定翼空中机器人在动态和部分未知环境中仍然具有挑战性，因为需要同时满足覆盖完整性、运动学可行性和实时适应性。传统方法通常依赖于预定义的几何模式或简化运动模型，这在遇到环境扰动或意外障碍物时限制了其有效性。本文提出了一种混合实时CPP框架，该框架将离线覆盖策略与在线优化和控制方案相结合。在离线阶段，根据区域几何特性和传感器特性生成往复覆盖模式，确保完整的标称覆盖。在执行过程中，通过使用基于策略梯度的更新机制和增强Dubins路径平滑策略的模型预测控制(Model Predictive Control, MPC)公式，对该轨迹进行自适应细化。MPC框架明确考虑了车辆动力学、执行器限制和避障约束，而策略梯度组件提高了优化过程在快速变化条件下的响应性。增强Dubins公式实现了平滑且动态可行的过渡，使车辆能够在扰动或规避机动后偏离标称覆盖路径并可靠地返回。在包含静态和动态障碍物的杂乱环境中的仿真结果表明，所提出的方法实现了改进的跟踪一致性和更平滑的轨迹，同时保持了实时可行性。此外，与常规使用的优化算法相比，所提出的方法将最大计算负担减少了约0.35秒。这些结果突显了该框架在不确定环境中运行的固定翼空中覆盖任务中实际部署的潜力。

**论文解读：基于部分梯度MPC与增强Dubins轨迹的固定翼空中机器人实时覆盖路径规划**

**研究背景与动机**

覆盖路径规划(Coverage Path Planning, CPP)是固定翼空中机器人(Uncrewed Aerial Vehicle, UAV)在环境监测、搜索救援等任务中的核心问题。现有方法多依赖预定义几何模式(如往复扫描)或简化运动模型，忽略无人机动力学约束，导致在动态或部分未知环境中难以兼顾覆盖完整性、运动学可行性和实时适应性。传统Dubins路径虽能保证运动学可行性，但缺乏对未知障碍物的实时响应能力；而纯模型预测控制(Model Predictive Control, MPC)方法虽能处理约束，但计算负担大，难以在快速变化条件下维持实时性。因此，研究人员提出一种混合框架，将离线覆盖策略与在线优化控制相结合，以解决上述挑战。该论文发表在《Aerospace》。

**主要关键技术方法**

研究人员采用以下关键技术：(1) 离线阶段：基于区域几何特性(凸多边形)和相机垂直视场(Vertical Field of View, FoV)生成往复扫描标称路径，作为参考轨迹。(2) 在线阶段：MPC框架，将CPP建模为多目标约束优化问题，优化目标包括跟踪精度、控制能耗和路径跟随误差，并考虑车辆动力学、执行器限幅和避障约束。(3) 策略梯度(Policy Gradient, PG)机制：嵌入MPC内部，通过线性参数化策略和值函数(批评家)在线更新控制参数，实现自适应调整。(4) 增强Dubins路径(Augmented Dubins Path, ADP)平滑：通过插入虚拟航点，将可行路径从传统6种扩展到10种，减少偏离标称轨迹时的机动剧烈程度。环境感知采用机载LiDAR实时获取深度图，障碍物表示为多边形(静态)或质点(动态)，通过闵可夫斯基和(Minkowski sum)考虑安全裕度。

**研究结果**

**4.1 实施结果**：通过仿真验证，在包含静态和动态障碍物的场景中，PG-MPC框架在每一控制周期内最大计算时间为0.36秒，低于采样间隔，满足实时性要求。成本函数在遭遇障碍物时出现波动，体现控制器优先避障而非直接跟踪。生成的轨迹经ADP平滑后，比传统Dubins路径(DP)更平滑、动态可行性更高。

**4.2 与基线方法比较分析**：与常规非线性规划(Nonlinear Programming, NLP)求解器对比，PG-MPC在复杂场景(第三场景多动态障碍物)中最大计算时间从0.9157秒降至0.5404秒，降低约41.1%；收敛率从92.30%提升至96.87%(第二场景)，约束违反率从5.67%降至4.22%。ADP平滑相比DP仅略微增加计算时间，但显著提升轨迹可行性。

**结论与讨论**

本文提出一种混合实时CPP框架，融合离线覆盖规划与在线PG-MPC及ADP平滑，适用于固定翼无人机在未知动态环境中的覆盖任务。仿真结果表明，该方法在保持实时性的同时，提高了跟踪一致性和轨迹平滑度，并降低了峰值计算负担。尽管框架在仿真中表现稳健，但在实际飞行中仍需考虑风扰、传感器噪声、通信延迟和执行器不确定性。未来工作将扩展到实际平台验证，并引入滑模控制(Sliding Mode Control, SMC)增强鲁棒性；同时需对耦合PG-MPC的闭环稳定性进行严格理论分析。研究结论：该混合框架通过离线生成标称路径、在线自适应优化与平滑，实现了在动态障碍物环境下兼顾覆盖完整性与运动学可行性的实时路径规划，为固定翼空中机器人的实际部署提供了可行方案。