【ETHZ博士论文】混合型无人机的安全感知学习与控制

混合型无人机（H-UAVs）是多功能的空中机器人系统，设计用于在旋翼和固定翼飞行模式之间切换，既具备垂直起降（VTOL）能力，又能进行高效的长航程巡航飞行。虽然传统无人机在单独的悬停和巡航飞行阶段的飞行自动化已有充分研究，但为了充分利用H-UAVs所提供的多功能性，仍需要开发新的控制策略。

然而，控制设计面临多个挑战： 首先，H-UAVs是高度非线性的动态系统，在其飞行包线的不同飞行模式下具有根本不同的操作原理。第二，过渡飞行阶段通常受复杂且湍流的气动学支配，这对精确的动态建模提出挑战，例如从基本原理推导。为了进行基于模型的控制设计或仿真，获取实际系统的真实飞行数据变得至关重要。然而，由于收集这些数据需要飞行一个事先不确定的系统，并且该系统受到安全关键约束，我们还需要考虑模型不确定性对安全关键动作的影响。最后但同样重要的是，计算限制，尤其是在小型H-UAV上的计算能力，限制了合适方法论的算法复杂度。 本论文的目标是开发解决这些挑战的模型学习与控制策略，使我们能够在实际应用中安全地利用H-UAVs的多功能性。 首先，我们开发并验证了一个完整的控制栈，使得自动化任务能够充分利用H-UAVs的全飞行包线，并能够运行在微控制器上。我们使用该控制栈演示了有效载荷的放置与动态（前向飞行中的）回收，这一任务要求高精度的控制。我们提出了一种新型的路径跟踪引导方法，该方法统一了在不同运动学约束和控制模式下的高层操作，覆盖了整个飞行包线。最终生成的控制参考通过使用加速度测量的直接反馈，由反应式低级控制器精确跟踪。与现有技术相比，我们的方法在控制精度和抗干扰性方面有所改善，并降低了对模型准确性的要求。 其次，我们解决了纯反应控制方法的安全性限制。为了安全地执行动态机动，如模式切换，控制器必须预见快速变化的气动力以及可用的控制权，以防止违反安全关键的状态和输入约束。为此，我们提出了一种非线性模型预测控制（NMPC）方法，用于速度参考跟踪。我们探索并识别了能够足够精确捕捉气动力的模型公式，适用于速度NMPC。然而，建模显示出其局限性，特别是在与扩展预测控制相关的组件上，从而影响了将安全性扩展到执行器级别的NMPC。 第三，我们因此提出通过额外的数据驱动项来提高模型的准确性，并解决在线学习模型及其相关不确定性量化的需求。这是后续在不确定性下进行适应性和安全决策的前提。最后，作为概念验证，我们将探索的解决方案整合到一个框架中，进行过渡机动的概率安全学习，前提是存在高先验模型不确定性和安全关键的状态及输入约束。 总体而言，本论文提出了在严格计算约束下利用H-UAVs物理多功能性的解决方案，支持从有限的真实飞行数据中进行建模和识别，并将安全性明确考虑到这些飞机的操作中，包括在不可避免的建模误差情况下。我们在论文结尾讨论了适用性、局限性，并提供了对未来工作的扩展建议。