[Paper] 模糊间隙下的最优起飞

Source: arXiv - 2602.13166v1

概述

本文介绍了一种用于无人机的混合障碍规避系统，该系统将最优控制与 Takagi‑Sugeno‑Kang (TSK) 模糊规则层相结合。通过让模糊逻辑动态调整安全间距半径和紧迫性，该方法旨在保持飞行路径的最优性并符合 FAA/EASA 的间隔标准，同时减少昂贵的重新规划周期。

关键贡献

• 混合架构: 将软约束最优控制与三阶段 TSK 模糊层相结合，调节间隔、紧迫性和激活决策。
• 监管感知模糊化: 隶属函数直接关联 FAA/EASA 分离最小值和适航指南，提供可解释的安全裕度。
• 选择性重新规划: 模糊层决定何时触发新的最优控制求解，减少不必要的计算。
• 实现与基准: 在 MATLAB 中使用 FALCON 工具箱和 IPOPT 演示完整流水线，在单线程上实现约 2.3 s/迭代。
• 错误发现: 发现最近 FALCON/IPOPT 发行版中的回归问题，即拉格朗日惩罚项保持为零，导致约束执行失效。

方法论

1. 飞机模型: 使用简化的点质量动力学模型（位置、速度、航向），以保持最优控制问题的可求解性。
2. 模糊层 (TSK):
   • 阶段 1 – 间隙调节: 采用法规最小值和当前障碍物距离，输出“间隙半径”（软约束界限）。
   • 阶段 2 – 紧迫性评估: 考虑相对速度和碰撞时间，生成用于缩放惩罚权重的“紧迫级别”。
   • 阶段 3 – 激活决策: 基于前两阶段的组合生成二进制信号（激活/停用），决定是否重新求解最优控制问题。
3. 最优控制问题: 采用二次成本（燃料/能量）并将模糊推导的间隙作为软不等式约束进行建模。使用 FALCON 的直接配点法和 IPOPT 作为非线性规划（NLP）求解器求解。
4. 迭代循环: 在每个规划步骤，传感器数据输入模糊层；若激活为真，则计算新轨迹；否则继续执行先前的计划。

结果与发现

实验表明，模糊层能够安全地跳过许多重新规划周期，而不会牺牲合规性。然而，作者发现，在最新的 FALCON/IPOPT 版本中，拉格朗日惩罚项始终为零，这意味着软约束从未真正被强制执行——显然是软件回归。

实际意义

• 近实时 UAV 操作： 2 秒的规划时域足以满足许多低速 UAV 任务（例如检查、递送），在障碍物密度适中的情况下。
• 监管透明度： 通过将模糊隶属度映射到明确的 FAA/EASA 最低要求，运营商可以审计决策过程——这对安全关键认证至关重要。
• 计算节省： 选择性重新规划降低 CPU 负载，使其能够在资源受限的嵌入式处理器或边缘设备上部署。
• 工具链意识： 已发现的 bug 警示开发者，依赖最新的 FALCON/IPOPT 版本可能会悄然破坏约束处理；因此锁定已知良好版本或添加自定义惩罚检查变得必不可少。
• 可扩展性路径： 模块化的模糊最优控制划分使得在不重新设计整个流水线的情况下，轻松替换更高保真度的飞机动力学或随机障碍模型。

限制与未来工作

• 软件回归: 当前实现受到 FALCON/IPOPT 接口中的一个 bug 的影响；作者计划通过回退到旧版本并可能向上游提交修复来进行验证。
• 简化动力学: 该概念验证使用的是低阶飞机模型；真实飞行包线（例如滚转、俯仰限制）尚未考虑。
• 静态障碍物: 实验聚焦于确定性、静态障碍物；将其扩展到移动或概率障碍物将需要更丰富的随机建模。
• 隶属度调优: 模糊隶属函数是手工制作的；作者建议使用进化算法或强化学习来自动调优，以适应不同类型的飞机。
• 多无人机协同: 当前工作只针对单架 UAV；未来研究可以探索模糊间隔在多代理冲突解决场景中的交互方式。

作者

• Hugo Henry
• Arthur Tsai
• Kelly Cohen

论文信息

• arXiv ID: 2602.13166v1
• 分类: cs.AI
• 出版日期: 2026年2月13日
• PDF: 下载 PDF