← 返回论文列表

基于终端约束模型预测控制与卡尔曼滤波矩损失补偿的无人机图像视觉伺服
Terminal Constraint Model Predictive Control for Image-Based Visual Servoing of UAVs with Kalman Filter-Based Moment Loss Compensation

作者: X. Wang, Y. Cao, W. L. W. Leong 等7人
arXiv: 2605.22443v1
分类: cs.RO
📝 论文摘要
基于图像的视觉伺服（IBVS）通过直接调节图像空间误差，为无人飞行器（UAV）提供了一种高效的视觉引导控制范式。然而，传统IBVS控制器易受两个关键问题的影响：因输入和状态约束导致目标附近闭环稳定性丧失，以及剧烈运动下基于矩的视觉特征间歇性丢失引发的控制失效。针对这些挑战，本文提出了一种集成基于卡尔曼滤波器（KF）状态预测机制的终端约束模型预测控制（TC-MPC）框架。TC-MPC将终端状态约束与终端代价显式融入IBVS误差动力学模型，确保了递推可行性、改进的收敛行为以及控制与状态约束下的闭环稳定性。与此同时，卡尔曼滤波器在短期视觉退化期间预测图像矩的时间演化，使控制器在矩测量值部分缺失时仍能保持控制连续性。通过实时无人机视觉伺服实验验证了所提方法的有效性。

📊 核心分析

🎯 研究动机
- 解决**基于图像的视觉伺服(Image-Based Visual Servoing, IBVS)** 在无人机控制中面临的**闭环稳定性丧失** 问题，该问题源于输入和状态约束。 - 应对**剧烈运动下基于矩的视觉特征间歇性丢失** 导致的控制失效问题。 - 传统IBVS控制器缺乏对约束和特征丢失的鲁棒性，难以保证实际飞行中的稳定性和连续性。
🔧 核心方法
- 提出**终端约束模型预测控制(Terminal Constraint Model Predictive Control, TC-MPC)** 框架，显式地将**终端状态约束(terminal-state constraints)** 和**终端代价(terminal cost)** 融入IBVS误差动力学。 - 集成**卡尔曼滤波(Kalman filter, KF)** 状态预测机制，在短期视觉退化期间预测**图像矩(image moments)** 的时间演化。 - 利用TC-MPC确保递归可行性、改进的收敛行为以及闭环稳定性；利用KF在矩测量部分不可用时维持控制连续性。
💡 核心创新
- **首次将终端约束MPC应用于无人机IBVS**，解决了传统MPC在处理IBVS非线性误差动力学时约束失效的问题。 - **融合KF与TC-MPC**：KF预测视觉特征丢失期间的图像矩，使控制器能在特征部分缺失时仍保持控制输出，而非简单切换或等待。 - **理论保证**：显式保证了递归可行性和闭环稳定性，这是现有IBVS方法所缺乏的。
🏆 总体贡献
- 为无人机IBVS提供了一种**兼具稳定性保证和鲁棒性** 的控制范式，适用于存在约束和视觉退化的场景。 - 通过**实时无人机视觉伺服实验** 验证了方法的有效性，证明其在真实环境下的实用性。 - 解决了IBVS领域两个关键挑战：约束下的稳定性与特征丢失时的控制连续性，推动了视觉伺服在实际无人机应用中的可靠性。