博文

基于嵌入式 GPU 的四旋翼无人机轨迹跟踪神经模型预测控制

已有 175 次阅读 2026-3-6 09:07 |个人分类:文章推荐|系统分类:博客资讯

Neural MPC for quadrotor trajectory tracking on embedded GPUs（基于嵌入式 GPU 的四旋翼无人机轨迹跟踪神经模型预测控制）

模型预测控制（MPC）在四旋翼无人机轨迹跟踪中控制性能优异，但高计算复杂度使其难以在计算资源受限的嵌入式系统中实时求解，传统显式 MPC 方法也难以适用于无人机这类复杂系统的高频实时控制应用场景。清华大学团队提出一种专为计算资源受限的嵌入式 GPU 设计的新型 MPC 框架，融合李雅普诺夫引导向量（LGV）与深度神经网络（DNN），将求解MPC的计算时间降至传统二次规划求解方法的约 1/35，并在英伟达 Jetson Nano 平台上测试实现 2.98 毫秒的计算延迟，为嵌入式系统上四旋翼无人机的实时自主控制提供了高效解决方案。

标题：Neural MPC for quadrotor trajectory tracking on embedded GPUs（基于嵌入式 GPU 的四旋翼无人机轨迹跟踪神经模型预测控制）

作者：Tianxun Li，Keyou You

机构：清华大学自动化系及北京信息科学与技术国家研究中心

引用：Li, T., You, K. Neural MPC for quadrotor trajectory tracking on embedded GPUs. Control Theory Technol. (2026). https://doi.org/10.1007/s11768-025-00304-3

全文链接：https://rdcu.be/e5y6r

摘要

本文研究了四旋翼无人机轨迹跟踪模型预测控制（MPC）面临的计算挑战。尽管MPC具备卓越的控制性能，但其高计算复杂度使其难以在计算资源受限的嵌入式系统中实现实时求解。已有研究提出了显式MPC方法以加速MPC计算，然而这些方法在涉及无人机等复杂系统的应用中通常效果不佳，这类应用对高频、实时的控制有着更迫切需求。为克服上述局限性，本研究提出了一种适用于四旋翼无人机轨迹跟踪的新型MPC框架，该框架专为计算资源受限的嵌入式GPU量身设计。该方法融合李雅普诺夫引导向量（LGV）与深度神经网络（DNN），大幅缩短了在线求解计算时间。我们的方法将求解MPC的计算时间降至传统二次规划求解方法的约 1/35，同时仍能保持高精度的轨迹跟踪性能。此外，我们在嵌入式GPU平台（英伟达Jetson Nano）上通过硬件在环（HIL）仿真验证了所提方法的有效性。数值结果表明，该算法在嵌入式平台上将高性能轨迹跟踪MPC的计算时间缩短至 2.98 毫秒，为嵌入式系统上四旋翼无人机的实时自主控制提供了极具前景的解决方案。

引言

近年来，无人机在搜救、农业监测、基础设施巡检、环境勘测等多个领域的广泛应用变得至关重要。在搜救任务中，无人机需要在复杂多变的地形中精准导航，严格遵循预设飞行路线以快速定位目标；农业应用中也要求精准的轨迹跟踪，实现对大面积农田的持续监测与全覆盖。尽管精准轨迹跟踪至关重要，但现有无人机轨迹跟踪方法的应用仍面临诸多挑战，核心难题是在未知障碍的动态环境中面对突发变化实现高性能实时控制，因此亟需设计能有效应对这些挑战的高性能控制器。

为实现无人机在动态环境中的精准实时控制，众多控制策略被相继研究。传统PID控制器因结构简单被广泛应用，虽然其能在一般控制问题中能实现较好地误差收敛，但其仍难以处理多变量耦合和系统约束问题，在极端条件下的性能受限。而线性二次调节器（LQR）方法依赖定点附近的线性化模型，当无人机动态运行远离该线性化点时，无人机的跟踪性能会显著下降。

模型预测控制（MPC）作为一种应用广泛的先进控制方法，能在设计中显式处理系统约束，克服了上述方法的局限性，但计算复杂度高的问题限制了其在计算资源有限的嵌入式平台上的实时应用。显式模型预测控制（EMPC）通过离线预计算解决计算问题，但其复杂度会随约束数量和状态维度呈指数增长，且需要大量内存资源，对无人机这类高动态系统的实际性较低。

基于深度神经网络（DNN）的MPC方法在实际应用中展现出良好前景，其具备处理复杂高维状态空间效率高、在线推理速度快、与嵌入式硬件兼容性强等优势，在计算资源受限的嵌入式平台中极具应用价值。但仅依靠深度神经网络仍存在不足，无人机作为复杂非线性系统，其轨迹动态变化对神经网络的学习能力要求极高，若直接使用大型复杂网络结构又会增加在线计算负担，与嵌入式平台实时控制的目标相悖。因此，需考虑引入制导向量引导无人机按特定模式飞行。传统李雅普诺夫引导向量（LGV）方法虽收敛稳定，但却主要适用于预定义半径的远距离绕飞跟踪场景，且无法显式调整引导收敛速度，难以适配需要更高灵活性的无人机轨迹跟踪问题。

基于上述考虑，本文提出一种基于LGV并结合深度神经网络的新型MPC框架，专门用于嵌入式GPU平台的四旋翼无人机精准轨迹跟踪。本文的贡献如下：

（1）设计了一种新型李雅普诺夫引导向量（LGV），能精准引导轨迹跟踪过程，且在设计中显式融入了无人机的动力学特性和约束条件，弥补了传统LGV方法的应用局限性。

（2）利用深度神经网络（DNN）逼近模型预测控制（MPC）控制器，大幅降低了MPC的计算复杂度，解决了其在嵌入式系统中实时应用的核心难题。

（3）在英伟达Jetson Nano嵌入式GPU平台上开展了硬件在环（HIL）仿真验证，证实了所提方法的实时可行性和有效性，在该嵌入式平台上实现了2.98毫秒的超低计算延迟。

结论

本文研究了适用于嵌入式系统的四旋翼无人机轨迹跟踪深度神经网络模型预测控制（DNN-based MPC）方法，通过融合李雅普诺夫引导向量（LGV）进行无人机轨迹规划、深度神经网络逼近MPC控制策略，大幅降低了MPC的求解计算时间。该框架将MPC求解时间降至传统二次规划方法的约1/35，同时保持了高精度的轨迹跟踪性能；本文在英伟达Jetson Nano嵌入式GPU平台的硬件在环仿真中验证了该方法的实时性能，单次控制迭代的计算延迟低至2.98毫秒，这为嵌入式处理器上无人机自主控制的实际落地提供了重要支撑。

未来的研究工作将进一步把所提DNN-based MPC方法验证于更具挑战性的无人机作业场景；同时，尽管该方法能实现任意形状轨迹的精准跟踪，其对不同轨迹的泛化能力仍有提升空间；此外，可以探索现场可编程门阵列（FPGA）以及其他GPU架构等更多嵌入式计算平台，开展嵌入式平台部署应用的综合研究，进一步拓展无人机应用范围。

作者介绍

Tianxun Li，于 2023 年获得北京航空航天大学自动化科学与电气工程学院理学学士学位，目前正在清华大学自动化系攻读博士学位，主要研究方向为模型预测控制与优化问题的加速求解。

Keyou You，2007 年获得中山大学统计科学学士学位，2012 年获得新加坡南洋理工大学电气与电子工程博士学位。在南洋理工大学担任短期研究员后，加入清华大学自动化系，现任教授。曾在都灵理工大学、香港科技大学、墨尔本大学等高校担任访问学者，研究方向聚焦于控制、优化与机器学习的交叉领域及其在自主系统中的应用。2010 年获第 29 届中国控制会议关肇直奖，2019 年获亚洲控制协会淡马锡青年教育奖，2017 年获国家优秀青年科学基金，2023 年获国家杰出青年科学基金，目前担任Automatica、IEEE Transactions on Control of Network Systems和IEEE Transactions on Cybernetics等期刊编委。

期刊简介

640 spr.jpg

欢迎扫码进入期刊主页

Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.5)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2025年进入中国科协自动化学科领域高质量科技期刊目录。

官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)

https://jcta.ijournals.cn/cta_en/ch/index.aspx

投稿：https://mc03.manuscriptcentral.com/ctt

微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）