DR-IPC 用扰动感知 NMPC 提升 LiDAR 四旋翼在干扰下的导航成功率

如何让基于 LiDAR 的四旋翼在外部扰动和传感器噪声下，同时实现避障运动规划与扰动抑制控制？

传统分层架构中规划器只基于几何地图生成无碰撞路径，控制器不考虑障碍信息，扰动导致的偏航可能使无人机撞上障碍；现有集成方法未将扰动估计纳入避障预测，且硬约束安全飞行走廊在扰动下易导致优化不可行或激进修正。

此前代表性方法包括分层规划与控制（如 EGO-Planner、minimum-snap），下方控制器仅追踪预先轨迹；集成方法 IPC 使用 A* 加 SFC 硬约束的线性 MPC，但采用线性三积分模型和被动积分推力补偿，缺乏主动扰动抑制；扰动感知 MPC 仅用于轨迹追踪，不包含障碍物信息。它们均未将重建的扰动用于避障运动优化。

DR-IPC 在统一 NMPC 后端中联合处理 A* 路径参考、软 SFC 惩罚、非线性四旋翼动力学、执行器约束和扰动估计。前端用 A* 和占栅地图生成路径与凸多面体 SFC；互联观测器中 EKF 利用 NDO 扰动估计进行状态预测，NDO 利用 EKF 后验姿态和速度更新扰动；NMPC 在预测模型中保持扰动为常量，用软约束惩罚 SFC 违反量，直接输出角速度和推力。整个系统以 100 Hz 在机载计算机运行，无需独立轨迹优化步骤。

仿真与实机验证包括 Gazebo、MARSIM、室内/室外实验。在 Gazebo 窄通道恒定侧风仿真中，DR-IPC 高度 RMSE 从 IPC 的 0.484 m 降至 0.075 m，IPC 最低高度 0.042 m，DR-IPC 保持在 0.850 m 以上。多目标导航 10 次试验中，无扰动 IPC 完成 10/10 任务、40/40 目标；引入风扰和悬挂载荷后，IPC 仅完成 1/10 任务、9/40 目标，DR-IPC 完成 9/10 任务、37/40 目标，平均碰撞/跌落事件从 5 降至 0.1 每次完成任务。观测器消融仿真显示扰动向量 RMSE 从 0.260 降至 0.036 m/s^2，扰动变化率 RMS 从 11.6 降至 6.1 m/s^3，角速度 RMS 从 0.81 降至 0.45 rad/s，w_y 饱和占比从 36.0% 降至 2.1%，姿态 RMS 从 11.3° 降至 8.6°。室内球撞击悬停实验中，参考悬停高度 1 m，IPC 最低高度 0.08 m，DR-IPC 最低 0.70 m，且 2.30 s 内回到 ±0.05 m 高度误差带。室内拱门导航在风扰和悬挂载荷下，IPC 未通过，高度 RMSE 0.34 m，SFC 外时间 18.77 s；DR-IPC 通过，高度 RMSE 0.01 m，SFC 外时间 2.98 s，最低高度 0.97 m vs IPC 0.27 m。动态障碍室内实验中，DR-IPC 在 4201 个控制周期中 4046 个（96.31%）在 10 ms 内完成，95 百分位 9.13 ms，99 百分位 13.71 ms，最大 41.08 ms；IPC 虽也完成任务但经历多次碰撞。MARSIM 非结构化森林仿真和四组户外飞行（昼夜树林、两条工厂路线）均完成且无碰撞。

作者承认 NDO 基于扰动常量或缓慢变化假设，NMPC 预测中扰动估计零阶保持，这限制了对快速变化扰动的性能。论文仅与 IPC 基线对比，未引入其他最新集成或扰动感知方法；Gazebo 多目标试验为 10 次，部分实机试验重复次数未报告；户外场景只报告无碰撞完成，缺乏定量指标；源代码虽计划开源但尚未发布；机载计算存在 155 个超时周期，最大 41.08 ms。论文未报告在不同尺寸无人机或更大规模场景下的迁移验证。