Time-Optimal Flight with Safety Constraints and Data-driven Dynamics

本文介绍了三个关键组成部分，以增强无人机竞速中的模型预测轮廓控制（MPCC）方法。首先，我们提供了安全保证，以空间约束的形式给出了限制和终端集。安全集被设计为一种空间约束，可以防止门碰撞，同时只允许在成本函数中进行时间优化。其次，我们使用残差项增强了现有的第一原理动力学，捕捉了直接从实际数据中学习到的复杂气动效应和推力力。第三，我们使用了一种最先进的全局贝叶斯优化算法——信任区域贝叶斯优化（TuRBO），以根据最小化圈速的稀疏奖励来调整MPC控制器的超参数。所提出的方法实现了类似于最先进的强化学习（RL）方法的圈速，同时优于最佳时间最优控制器，同时满足约束条件。在仿真和实际环境中，我们的方法始终以100\%的成功率防止门碰撞，同时将四旋翼推到其物理极限，达到80公里/小时以上的速度。

本文旨在解决无人机竞速中的时间优化问题，提出了一种新的模型预测轮廓控制（MPCC）方法，其中包括安全性保障、残差项和超参数优化等三个关键组成部分。

本文提出的MPCC方法在保证安全的前提下，通过在成本函数中引入时间优化，解决了无人机竞速中的时间优化问题。此外，该方法还引入了残差项来捕捉复杂的空气动力学效应和推力力，并使用TuRBO算法对MPC控制器的超参数进行优化，从而提高控制器的性能。

本文的亮点包括提供了安全保障、引入残差项和超参数优化，实验结果显示该方法在模拟和实际测试中都能够成功避免与门的碰撞，同时在最短时间内完成比赛。此外，该方法在处理复杂的空气动力学效应和推力力方面表现出色，能够推动无人机达到80km/h以上的速度。

在这个领域中，最近的相关研究包括《Deep Drone Racing: Learning Agile Flight in Dynamic Environments》和《Learning to Race in a Simulator: Autonomous F1 Racing with Conditional Imitation Learning》等。