MPCC++：带安全约束的时间最优飞行模型预测轮廓控制

四旋翼飞行是一个极具挑战性的问题，因为在操控极限处控制权限有限。模型预测轮廓控制 (MPCC) 已成为一种有前景的基于模型的方法，用于解决诸如无人机竞速等时间优化问题。然而，四旋翼竞速中使用的标准 MPCC 公式直接在代价函数中引入了门的概念，从而产生了一个多目标优化问题，需要在最大化进度和精确跟踪路径之间持续权衡。本文介绍了三个关键组件，以增强用于无人机竞速的最先进的 MPCC 方法。首先，我们以赛道约束和终端集的形式提供安全保证。赛道约束被设计为一种空间约束，可防止与门发生碰撞，同时仅在代价函数中进行时间优化。其次，我们用一个残差项来增强现有的第一性原理动力学模型，该残差项捕获了直接从真实世界数据中学习到的复杂空气动力学效应和推力。第三，我们使用信任域贝叶斯优化 (TuRBO)，一种最先进的全局贝叶斯优化算法，在给定基于单圈时间最小化的稀疏奖励下，来调整 MPCC 控制器的超参数。所提出的方法实现了与性能最佳的强化学习策略相似的单圈时间，并优于最佳的基于模型的控制器，同时满足约束条件。在仿真和真实世界中，我们的方法始终以 100% 的成功率防止门碰撞，同时将四旋翼推向其物理极限，速度超过 80 公里/小时。