基于主动视觉的无人机集群敏捷编队控制研究学术报告

作者及发表信息
本研究的通讯作者为Wei Dong（上海交通大学机械与动力工程学院机械系统与振动国家重点实验室），合作者包括Peihan Zhang、Gang Chen、Yuzhu Li。研究成果发表于*IEEE Robotics and Automation Letters*期刊2022年7月第7卷第3期，标题为《Agile Formation Control of Drone Flocking Enhanced with Active Vision-Based Relative Localization》。

学术背景
科学领域与问题背景
本研究属于分布式多机器人系统领域，聚焦无人机集群的相对定位与编队控制。无人机集群在协同任务（如勘探、搜救）中展现出比单机更强的能力，但实现高效协作需解决相对定位这一核心问题。传统视觉定位方法因视场角（Field of View, FOV）受限，导致目标丢失或遮挡时定位失效。现有解决方案（如鱼眼相机或相机阵列）需额外计算资源或增加系统体积，而自然界鸟群的主动视觉行为（通过眼球或身体运动扩大观测范围）为设计轻量化方案提供了灵感。

研究目标
提出一种分布式主动视觉相对定位框架，结合超宽带（Ultra-Wideband, UWB）和视觉惯性里程计（Visual-Inertial Odometry, VIO）的测量数据，实现厘米级精度的实时相对定位，并应用于敏捷编队控制任务。

研究流程与方法
1. 主动视觉硬件设计
- 研究对象：四旋翼无人机平台，配备单自由度伺服电机驱动的单目相机（水平视场角150°）、UWB模块、Intel RealSense T265（VIO）及机载计算机（Up Core Plus）。
- 创新设计：通过伺服电机旋转相机实现主动视觉，克服固定相机的FOV限制，无需增加额外传感器。无人机四周粘贴ArUco标记（同一ID），便于多视角识别。

2. 基于图论的注意力规划（Graph-based Attention Planning, GAP）
- 方法：将集群视觉观测建模为有向图，定义代价函数（含飞行方向一致性和观测距离权重），通过约束条件（如图连通性、各节点平衡观测与被观测关系）优化目标分配。
- 实现：离线仿真验证GAP在椭圆/圆形编队中的有效性，实验显示4无人机场景下优化耗时毫秒，满足实时性。

3. 多传感器融合的相对定位
- 数据源：
- 主动视觉：通过ArUco标记检测邻机相对位置；
- VIO：提供自身位姿（需初始位置标定）；
- UWB：提供邻机距离（经Savitzky-Golay滤波去噪）。
- 优化算法：基于Ceres-Solver的非线性最小二乘融合三类数据，目标函数包含视觉检测残差、UWB距离残差、VIO位移一致性及运动学预测项，最终输出厘米级相对位置估计。

4. 编队控制实现
- 控制律：基于二阶系统模型，设计前馈-反馈控制器，融合期望轨迹与GAP生成的相对定位结果，控制输入包含加速度、速度及位置误差项。

主要结果
1. 主动视觉性能验证
- 检测时长：主动视觉系统在2 m/s速度下，目标可见时间占比显著高于固定相机（图8）。
- 定位精度：X/Y轴均方根误差（RMSE）为0.096 m/0.088 m，优于固定相机的0.121 m/0.114 m（表II）。

2. 速度适应性测试
- 在1–2 m/s速度范围内，主动视觉的定位误差（RMSE 5 cm级）与编队角度误差（°）均优于固定视觉（图9–10）。高速（2.5 m/s）时因无人机倾斜过大导致视觉失效，暴露系统极限。

3. 传感器贡献分析
- 剔除UWB数据时误差略有上升，而剔除主动视觉后误差超10 cm，验证其核心作用（表II）。纯VIO方案因漂移导致编队发散（图12）。

结论与价值
科学价值
- 提出首个分布式主动视觉相对定位框架，通过硬件-算法协同设计解决FOV限制问题；
- 融合多传感器数据提升定位鲁棒性，为动态环境下无人机集群协作提供新方法。

应用价值
- 可扩展至搜索救援、协同勘探等任务，尤其在GPS拒止环境中优势显著；
- 轻量化硬件设计（单相机+伺服电机）降低部署成本。

研究亮点
1. 创新硬件：单自由度主动视觉结构兼顾轻量化与广角观测，避免鱼眼相机的畸变校正负担。
2. GAP算法：首次将图论优化应用于无人机观测目标分配，实现分布式最优规划。
3. 多传感器融合：通过紧耦合优化抑制VIO漂移，定位精度达5 cm级。
4. 实时性验证：全系统在机载计算资源限制下实现毫秒级响应，支持4无人机编队控制。

局限与展望
当前GAP算法在大规模集群（>8架）中计算复杂度较高，未来拟通过分簇优化提升可扩展性；高速场景下的视觉丢失问题需进一步研究。