基于自适应无迹卡尔曼滤波和非线性模型预测控制的四旋翼固定时间动态着陆
本文提出了一种用于多旋翼无人机在移动平台上动态着陆的估计与控制框架，集成了非线性模型预测控制与实时最小加加速度轨迹规划器，强制规定触地时间，实现终端下降阶段的一致定时。采用自适应无迹卡尔曼滤波在线更新过程与测量噪声统计，增强对时变传感质量的鲁棒性。仿真与硬件实验表明，该方法能实现可重复着陆，并相比EKF/UKF方法提高了平台速度预测精度。
近日，一篇题为《Fixed-Time Dynamic Landing of Quadrotors using Adaptive Unscented Kalman Filtering and Nonlinear Model Predictive Control》的论文被CRV 2026（机器人与视觉会议）接收。该研究由Mohammadreza Izadi等人完成，针对多旋翼无人机在移动平台上的动态着陆问题，提出了一套全新的估计与控制框架。
动态着陆是无人机自主飞行中的关键挑战之一，尤其在船舶、车辆等移动平台上着陆时，需要精确同步飞行器与平台的相对运动。传统方法常受限于传感质量波动和着陆时序不确定性。为此，研究团队将非线性模型预测控制（NMPC）与实时最小加加速度轨迹规划器相结合，通过强制规定触地时间（fixed touchdown time），确保了终端下降阶段的时间一致性。这一设计使得着陆时序可预测且可重复，这对于自动化操作至关重要。
为了应对实际环境中传感质量（如GPS信号遮挡、视觉特征变化）的时变特性，论文引入了自适应无迹卡尔曼滤波（Adaptive UKF）。该滤波器能够在线更新过程噪声和测量噪声的统计特性，从而在传感质量下降时仍保持鲁棒的状态估计。与扩展卡尔曼滤波（EKF）和标准UKF相比，自适应UKF显著提升了平台速度预测的准确性。
此外，研究团队提供了参考可行性分析，证明在标准跟踪假设下，最小加加速度参考轨迹能够诱导出有界的推力和扭矩命令，从而保证了控制指令的物理可实现性。分析结果增强了方法在实际系统中的适用性。
实验部分包括仿真和硬件测试。在仿真环境中，该方法展示了在不同平台运动模式下的稳定着陆性能。硬件实验使用四旋翼无人机在移动平台上进行实际着陆，结果验证了方法的可重复性，并显示其平台速度预测精度优于传统的EKF/UKF方法。论文细节表明，所提出的框架在着陆成功率、位置精度和时间一致性方面均达到了预期目标。
该工作为无人机动态着陆领域提供了新的解决思路，尤其适用于物流配送、海上作业和汽车自动驾驶等场景。未来工作可能包括更复杂环境下的鲁棒性验证以及计算效率的优化。