精读笔记

Problem Setting

《Adaptive Tracking and Perching for Quadrotor in Dynamic Scenarios》（IEEE Transactions on Robotics / 2024）处理的是动态平台上的四旋翼自主跟踪与贴附一体化问题。真正的问题不是“飞到移动目标上方”，而是：在目标持续运动、遮挡随时发生、机载视觉 FoV 有限、接触表面姿态变化的情况下，四旋翼必须先维持可观测且稳定的相对状态，再在某个可调整接触时刻完成位置、速度、姿态的全状态同步。

以前方法卡在任务分解过硬：tracking 方法通常关心可见性和避障，但不处理接触瞬间的姿态/动力学/碰撞；landing 方法多只对齐位置和速度，默认接触面姿态不重要；perching 方法往往面向静态或慢速目标，且计算负担较重。这个任务的关键矛盾是三重耦合：感知可见性约束会限制轨迹空间，末端姿态约束会通过 differential flatness 反向约束加速度/推力，动态目标又使终端状态随时间变化。固定终端状态或固定飞行时间都会很容易把问题变成不可行。

Motivation

作者的核心动机是：动态 perching 的鲁棒性瓶颈不只在最后的 controller，而在前面的 tracking-planning 是否能持续提供可靠观测和可行接触状态。若目标频繁出 FoV、被遮挡，或者追踪相对状态震荡，最后的 perching planner 得到的目标状态本身就不可信。

已有路线缺的是一个能同时表达“看得见、飞得动、碰得上”的统一优化问题。视觉 servoing 和 reactive MPC 太短视，很难处理遮挡和复杂几何；基于路径搜索的 visibility planner 常常前端保证可见、后端平滑后又破坏可见性；静态 perching 的 QP/NLP 方法要么不调时间，要么计算量过大。作者看到的缺口是：需要将 visibility、terminal adaptation、SE(3) contact safety 和 actuator feasibility 都写成可微、低维、可在线求解的 planner 约束/代价，而不是在多个模块之间传递硬目标。

Core Idea

论文真正的核心不是“加了若干 cost”，而是改变了动态 perching 的建模方式：终端接触状态不再被视为预先给定的 boundary condition，而是目标预测轨迹在优化得到的接触时间 T 上的函数；同时，visibility 不再是跟踪成功后的后验指标，而是直接驱动轨迹形状和相对距离变形的优化项。

这个建模带来的本质区别是 planner 获得了时间维度的自由度。优化器可以通过改变 duration、空间路径、末端切向相对速度来化解原本互相冲突的约束。相比 prior 中“先搜索可见路径、再平滑”或“固定终端状态求轨迹”，这里的信息流更紧：目标预测、环境 ESDF、相机 FoV、平台表面姿态和四旋翼动力学都在同一个时空轨迹优化里反馈。它的 scalability 主要来自低维 flat-output + MINCO 表示，而不是更强的全局求解能力。

Method

关键机制可以压缩成四个。

第一，可见性建模解决 tracking 阶段的观测可靠性。作者把 observation distance、observation angle 和 occlusion effect 写成可微代价。尤其是 occlusion metric 用一串球近似视线周围的 confident FoV，并借助 ESDF 让梯度同时推动无人机远离遮挡区域和调整跟踪距离。核心变化是：距离不再是固定跟随半径，而是根据遮挡风险弹性变化。

第二，flexible terminal adjustment 解决动态目标下边界条件随时间漂移的问题。终端位置、yaw、速度、加速度都由预测平台状态和接触时间 T 决定。这样当优化器改变 trajectory duration 时，终端约束自动同步到新的目标未来状态，而不是产生不一致的 hard boundary。

第三，切向相对速度松弛解决“完全速度同步”与安全/动力学之间的冲突。法向保持一个小接触速度以利于贴附，切向速度作为优化变量并被正则化。这是很实用的处理：它承认真实接触不一定需要零切向速度，而硬同步可能直接导致无解或 actuator violation。

第四，用 flatness + MINCO 做 spatiotemporal optimization。位置用高阶 MINCO，yaw 用低阶 MINCO，约束通过 penalty transcription 进入无约束优化。它没有追求严格全局最优，而是用足够好的连续可微建模换取 onboard 高频重规划。SE(3) contact safety 则通过 disc-plane 半空间约束近似处理，避免只看质心导致接触前机体穿面。

Key Insight / Why It Works

最有效的部分很可能是两个：visibility 的几何可微化，以及 terminal state 随 duration 自适应。前者让 tracking 不再是被动地追目标，而是主动维持可估计性；后者让 perching 不再被固定时间/固定末端状态锁死。这两个机制直接对应真实失败模式，因此贡献实质性强。

切向速度松弛也很关键，但更像工程上正确的约束放松。它的价值在于把不可行问题变成有物理意义的软可行问题，而不是理论创新。SE(3) disc-plane collision constraint 是必要的，但建模相对粗；它解决的是接触前最后阶段的几何一致性，属于把 perching 从 point-mass planner 推向 body-aware planner。

MINCO 和 penalty-based transcription 是这篇能跑起来的基础，但不是概念层面的新东西。这里的增益更像 better inductive bias + test-time compute，而不是 data scaling 或 learning。系统没有学习长期策略，也没有形成复杂 reasoning；它依赖高频短时重规划不断修正预测误差。所谓 adaptive 很大程度上是“短视但高频、模型化但可微”的在线优化能力。

文中真实系统结果很强，但归因需要谨慎：定位融合、AprilTag、DJI 控制器、Velcro 接触机构、车辆运动可预测性都显著降低了问题难度。planner 的增益是真实的，但系统成功不是单由优化 formulation 解释。

Relation To Prior Work

这篇最接近三条技术谱系：visibility-aware aerial tracking、dynamic landing MPC/flatness planning、static/aggressive perching optimization。它不是从零发明新 planner，而是把这些谱系重新组合到一个动态接触任务里。

与 visibility tracking 相比，实质差异在于它考虑 3D conical FoV、相对距离和 ESDF 遮挡，并且后端优化仍保留这些可见性约束，而不是前端可见、后端破坏。与 dynamic landing 相比，区别是末端姿态进入了规划，且姿态通过 flatness 映射到加速度/推力约束。与 static perching 相比，区别是终端状态是 time-varying target state 的函数，并允许飞行时间和切向相对速度共同优化。

看似新的部分中，MINCO、flatness mapping、penalty relaxation、ESDF collision cost 都是已有思想；实质创新在于把它们组织成一个针对动态 perching 的可实时闭环 formulation。论文的贡献更偏系统级建模整合，而不是单一数学工具突破。

Dataset / Evaluation

评估覆盖了仿真 benchmark、ablation 和真实部署。仿真 tracking 对比了有/无 visibility 以及不同 visibility 建模方式，能较好支持“3D visibility metric 改善遮挡/出 FoV”的 claim。perching benchmark 对比 QP 和 multiple-shooting NLP，主要验证计算效率和约束覆盖范围，支持“低维 flatness optimization 更适合 onboard replanning”。

真实实验是论文最有说服力的部分：商业无人机、全尺寸 SUV、道路场景、高速水平 perching 和大角度斜面 perching，明显强于常见实验室验证。它证明该 formulation 至少在受控但非实验室环境中可用。

但 evaluation 仍有边界：没有系统报告大规模失败率分布；动态障碍物只是场景级展示，不是严格 benchmark；目标运动主要是车辆式平滑运动；强依赖视觉标签和 GPS 融合。实验支持“可部署、有效”，但还不足以证明对广泛动态场景的泛化。

Limitation

第一，目标预测假设较强。CTRV/CTRA 适合车辆短时运动，但对急刹、非规则机动、目标被长时间遮挡后的预测漂移并不稳。planner 本质上是 receding-horizon 修正，不是长期交互策略。

第二，感知前提重。系统依赖 AprilTag/visual fiducial、GPS 相对定位和较可靠的表面法向估计。若目标没有人工标记，或视觉检测受光照、反光、雨雾、运动模糊影响，核心闭环会明显变弱。

第三，环境建模假设没有完全展开。visibility metric 依赖 ESDF 和最近障碍距离，动态障碍物如何实时、可靠、带速度地进入这个场尚不充分说明。遮挡预测更多是几何瞬时规避，而不是时序遮挡规划。

第四，接触模型被简化。disc-plane 几何和切向速度正则化没有真正建模接触冲击、摩擦、反弹、附着失败。成功实验中 Velcro 机制降低了接触动力学难度；更复杂 perching 机构下是否仍成立不清楚。

第五，约束是 penalty-based，不是严格保证。作者用 post-check 和权重调节避免严重 violation，但在高动态、强耦合情况下仍可能局部最优或软约束残留。所谓 full-state feasibility 在工程上有效，不等于形式化安全保证。

第六，增益归因不完全清楚。20Hz replanning、商业飞控、状态估计融合和控制器积分补偿可能贡献很大。文中未充分说明 planner 与底层控制/估计工程之间的独立贡献。

Takeaway

• 1）动态 perching 的关键不是最后一段 landing，而是 tracking 阶段持续维护“可估计性”。
• 把 visibility 放进 planner 是比事后丢目标再恢复更正确的 inductive bias。
• 2）对动态目标，终端状态应当是接触时间的函数，而不是固定 boundary condition。
• 时间优化如果不和 terminal adjustment 绑定，会天然制造不一致。

一句话总结

这篇论文把动态四旋翼 perching 从末端 landing 控制问题推进为 visibility-aware、time-adaptive、body-aware 的在线时空轨迹优化问题，其主要贡献是系统级建模整合和真实部署验证，而不是单一算法组件突破。