IEEE Transactions on Robotics

Autonomous Tail-Sitter Flights in Unknown Environments

作者：Guozheng Lu, Yunfan Ren, Fangcheng Zhu, Haotian Li, Ruize Xue, Yixi Cai, Ximin Lyu, Fu Zhang · 机构：Department of Mechanical Engineering, The University of Hong Kong, Hong Kong; School of Intelligent System Engineering, Sun Yat-sen University, Shenzhen, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：1098-1117

路径规划运动规划控制优化飞行机器人

精读笔记

Problem Setting

这篇论文解决的不是一般意义上的 UAV navigation，而是 tail-sitter 在未知 cluttered environment 中的高速在线轨迹生成与执行。tail-sitter 的难点在于它既不像 multicopter 那样可以用低阶加速度/jerk 约束近似可行性，也不像固定翼那样长期处在近似线性的巡航包线；它在 hover、transition、level flight 之间连续变化，气动和执行器约束强非线性。

以前方法主要卡在两个地方：分阶段策略把问题拆成 hover/transition/cruise，但 transition 需要手工 profile 或离线优化，且控制切换会损失机动性；全局策略虽然更干净，但一旦把高保真气动和 actuator saturation 放进轨迹优化，在线求解基本不可用。本文的关键矛盾是：未知环境高速飞行要求 5 Hz 级别的局部 replanning，但 tail-sitter 的轨迹必须同时满足非凸动态可行性和几何避障。作者实际是在把“能飞”作为一阶目标，而不是把轨迹最优性作为一阶目标。

Motivation

已有 multicopter 在线规划的成功很大程度来自模型简单：flatness + 多项式/B-spline + corridor/ESDF 足以给出可执行轨迹。但 tail-sitter 的“可执行”包含气动力、AoA、推力、角速度、奇异性等条件，不能靠 heuristic time allocation 或 kinematic constraint 搪塞。已有 tail-sitter aggressive flight 又多依赖离线轨迹或低维 course line，离未知环境自主飞行还差一个在线动态可行规划层。

作者的核心观察是：tail-sitter differential flatness 已经把全包线动态约束映射到了位置轨迹导数上，因此建模上有机会继承 multicopter 轨迹优化的低维优势；真正缺的是一个面向该特定 NLP 的求解策略。换句话说，论文的动机不是发明新的 SLAM 或新的全局 planner，而是补上“高保真 tail-sitter dynamics + local corridor + onboard real-time nonlinear optimization”之间的断层。

Core Idea

核心思想是把 tail-sitter 在线自主飞行压成一个 flat-output 空间的非凸约束优化，并在求解器层面显式偏向 feasibility。位置轨迹用分段 7 阶 minimum-snap 多项式表示，优化变量主要是中间 waypoint 和各段时间；安全飞行走廊提供几何约束；flatness transform 把位置及其导数转成状态和输入，从而把 actuator saturation、速度/加速度限制、奇异性规避等写成约束。

本质区别在于：它没有把 tail-sitter 规划退化成 fixed-wing 几何路径或 multicopter 运动学规划，也没有直接做高维 collocation optimal control；它选择了一个中间层表示，使动态约束足够真实、变量维度又足够低。EFOPT 则进一步改变了优化目标的优先级：在线系统不需要每次找到最优轨迹，需要的是快速找到可行轨迹。这个 inductive bias 很关键——对于高速未知环境，局部最优性收益远低于约束满足和 replanning 时效性。

Method

1. Flatness-based trajectory parameterization：解决高维状态/输入优化不可在线的问题。通过 differential flatness，姿态、推力、角速度由位置轨迹导数代数恢复，优化变量从完整状态控制序列降到 waypoint 和 segment time。这不是简单降维，而是把 tail-sitter 的动力学可行性保留在约束评估中。

2. Spatial-temporal co-optimization：解决 heuristic time allocation 导致动态不可行的问题。tail-sitter 的速度和气动状态对时间分配极敏感，只优化几何路径不够；把 segment time 放进变量后，优化器可以通过减速、加速、拉长某段时间来满足 actuator 和 AoA 相关约束。

3. SFC-based collision constraint：解决未知环境下连续轨迹避障的可计算接口问题。A* 给 guide path，SFC 把局部自由空间转成多面体约束，多项式段被限制在对应 polyhedron 中。这里的关键不是 A*，而是让非凸动态优化不再直接面对复杂障碍几何。

4. EFOPT feasibility-first solver：解决强非凸 NLP 在线求解不可靠的问题。l1 penalty 把约束违反作为 merit 的一部分，外层逐步加大 penalty，内层用 trust-region SQP 近似；只接受真实 merit function 改善的步长，避免局部二次模型在强非线性处误导。BFGS 和 Steihaug-CG 是效率工具，核心是 feasibility-first 的求解策略。

Key Insight / Why It Works

最关键的 insight 是：tail-sitter 在线规划的瓶颈不是全局路径搜索，而是局部轨迹是否在气动和执行器层面可执行。因此把求解器目标从“精确求最优”改成“快速压低 constraint violation”是合理的。EFOPT 的有效性主要来自更好的 optimization inductive bias，而不是 scaling、data 或 learning。

它为什么有效：第一，flatness 把强非线性气动模型封装成代数约束评估，使优化器可以在低维变量上感知真实 actuator feasibility；这是整个系统成立的前提。第二，SFC 把 collision constraint 变成相对结构化的位置约束，避免优化器直接处理非凸障碍距离场。第三，逐步增加 l1 penalty 让搜索早期不被巨大约束权重锁死，后期又能强制进入可行域；这比固定软惩罚更稳。第四，trust-region + 真实 merit decrease 接受准则承认局部模型不可信，避免 TRAJOPT 式直接相信 convexified subproblem。

最可能的核心贡献是 EFOPT 与 tail-sitter flatness formulation 的组合。单独看 EFOPT，很多思想来自已有 l1 penalty/SQP/TR 方法；单独看 flatness，作者前作已经证明。本文真正推动的是：把这两者组织成足够快、足够稳的 onboard autonomy pipeline。A*、SFC、FAST-LIO2、MPC 更多是必要系统组件，不是主要新意。实验中的增益不应归因于感知或地图模块，而主要来自求解器在该类 NLP 上的 feasibility/time trade-off。

需要警惕的是，feasibility-assured 这个说法容易过强。它并不意味着全局可行，也不意味着未知环境绝对安全；它更像是在给定初值、走廊、采样约束和模型条件下，提高找到局部可行解的概率。若 SFC 本身错误、隐藏障碍突然出现、LIO 退化，求解器无法补救。

Relation To Prior Work

这篇工作处在三条谱系的交叉点：tail-sitter 全包线控制/flatness，multicopter 在线 minimum-snap/corridor planning，以及 sequential convex/SQP trajectory optimization。和分阶段 tail-sitter planning 的本质区别是它不显式切换 hover-transition-cruise 模型，而是在统一 flatness/dynamics 表达下生成全包线轨迹。和 multicopter planning 的本质区别是它没有把动力学简化成加速度/jerk 约束，而是通过 flatness transform 纳入气动与 actuator saturation。

和 Tal et al.、作者前作这类 aggressive tail-sitter trajectory optimization 相比，新增不是更高保真的模型，而是在线求解可用性。和 TRAJOPT 相比，思想上同属 l1 penalty + sequential convex/SQP，但 EFOPT 在接受准则、Hessian 近似、TR 更新和收敛阈值调度上更贴合实时非凸轨迹优化。很多组件看似新，其实是已有技术重组；实质创新在于把“可行性优先”的 NLP solver 设计嵌入 tail-sitter 在线规划，并用真机高速未知环境飞行证明这个组合足够强。

Dataset / Evaluation

评估覆盖比较完整：低维 transition 优化用于解释 solver 行为，大量随机 SFC 用于测试规模增长下的成功率/耗时，随机障碍地图用于闭环 replanning，最后有室内、地下停车场、户外公园真机实验。对“世界首个高速未知环境 fully autonomous tail-sitter”这一系统 claim，真机证据是有说服力的，尤其是 onboard computation、LiDAR-LIO 和 15 m/s 级速度共同出现。

但 evaluation 更偏系统展示而非严格机制归因。EFOPT 与通用 solver 的对比较充分，但 solver 参数选择、初值、约束采样方式和 failure handling 会显著影响结果；文中虽然做了调参说明，但很难完全排除 implementation advantage。真实实验没有系统 ablation：例如去掉时间优化、换用固定 penalty、不同 SFC 复杂度、不同气动模型误差下性能如何，文中未充分说明。它验证了 pipeline 能工作，但没有完全量化每个机制的必要性边界。

Limitation

第一，coordinated flight 是核心前提。它带来气动效率、模型简化和 LiDAR 前视稳定性，但也限制了低速侧飞、狭窄缝隙穿越等 uncoordinated maneuver。作者提到可扩展 yaw planning，但当前系统主线仍建立在 coordinated assumption 上。

第二，安全性被转移到感知和局部走廊质量上。轨迹可行并不等于环境安全；如果 SFC 包含未观测障碍，或 LiDAR 盲区/SLAM failure 导致地图错误，优化器只会在错误约束内给出“可行”轨迹。当前规划允许进入 unknown space，这对高速探索有利，但削弱了形式安全保证。

第三，EFOPT 的 scalability 上限明确存在。当前 dense Eigen 实现适合几十变量级，随机 SFC 测试虽到数百变量，但文中也承认更大规模 NLP 不适合。它不是一个通用大规模 sparse optimal control solver，而是针对局部短视距 replanning 的工程-算法折中。

第四，动态可行性依赖气动模型和 flatness transform 的准确性。户外风扰下 AoA 已出现稳态误差，说明模型误差会被 MPC 吸收一部分，但高速、大 AoA、强风或载荷变化下上限不清楚。这里的鲁棒性更多来自 MPC 和反馈控制，不完全来自 planner。

第五，所谓 feasibility guarantee 主要是经验性的 solver behavior。非凸 NLP 没有全局可行保证，初值、走廊形状、时间分配和 penalty schedule 都可能导致失败。优化失败时沿用旧轨迹在未知环境中存在碰撞风险，作者也承认需要额外 known-free safe trajectory。

Takeaway

  • 1. 对复杂飞行器，在线规划的关键不一定是更强的全局搜索，而是找到一个能表达真实动态约束、但变量维度仍可控的中间表示；flatness 是这里的核心桥梁。
  • 2. 在高速自主系统里，trajectory optimization 的目标排序应当显式改变：可行性和时效性优先于局部最优性。
  • EFOPT 的价值就在于把这一点编码进求解器，而不是靠后处理或调大 soft penalty。
  • 3. 这篇工作的可迁移 insight 是 feasibility-first NLP solver + task-specific low-dimensional parameterization 的组合。

一句话总结

这篇论文把 tail-sitter 自主飞行从“离线 aggressive maneuver demonstration”推进到“未知环境中的 onboard 高速局部规划”，真正贡献是用 flatness 降维和 feasibility-first SQP 求解器把强非凸动态可行轨迹优化做到了实时可用。