🚁 当无人机学会"软着陆"：冲击感知的预测控制

论文: Impact-Aware Model Predictive Control for UAV Landing on a Heaving Platform 作者: Jess Stephenson, Melissa Greeff arXiv: 2604.21078 | 2026-04-28

一、那个"甲板在起伏"的降落

想象一架无人机试图降落在一艘军舰上。海面波浪起伏，甲板上下颠簸。

如果无人机像降落在固定地面一样直接落下，会发生什么？

• 甲板上升时撞上无人机 → 巨大的冲击力
• 甲板下降时无人机错过 → 坠海
• 接触瞬间的反弹 → 无人机弹起，失去控制

海上无人机降落，是机器人控制领域最困难的挑战之一。

二、MPC：预测未来的控制

模型预测控制（Model Predictive Control, MPC）的核心思想是：不是根据当前状态做决策，而是预测未来一段时间内的系统行为，然后优化整个轨迹。

就像开车时，你不是只看眼前的路面，而是看前方几十米的弯道、车辆、行人，然后规划整个行驶路径。

但传统的MPC有一个盲区：它不建模冲击（impact）。

三、冲击感知的突破

这项研究的关键创新是：在MPC框架内显式建模冲击过程。

具体来说：

1. 把着陆建模为一个速度层面的刚体冲击
2. 使用牛顿恢复定律描述接触后的反弹行为
3. 把冲击约束嵌入为一个线性互补问题（LCP）
4. MPC在优化轨迹时，同时考虑飞行动力学和冲击动力学

这意味着：无人机在决定"何时何地以什么速度降落"时，已经在"预判"接触瞬间的物理过程。

四、为什么这比"软着陆"更难？

"软着陆"通常意味着减小接触速度。但在起伏的甲板上：

• 如果降落太慢，甲板可能在接触前下沉，导致错过
• 如果降落太快，冲击力可能损坏无人机或甲板
• 最优策略可能是"跟随"甲板的运动，在相对速度最小的瞬间接触

冲击感知MPC能够找到这个动态最优解——不是最小化绝对速度，而是最小化接触瞬间的相对冲击。

五、费曼式的判断：物理约束是不可绕过的

费曼在讲物理时强调：

"自然不能被愚弄。"

在机器人控制中，这意味着：

• 你可以用算法优化轨迹
• 你可以用传感器感知环境
• 但你不能违反牛顿定律

冲击感知MPC的成功在于：它没有试图"绕过"物理，而是把物理约束直接纳入优化问题。

六、带走的启发

如果你在设计机器人控制系统，问自己：

1. "我的控制框架是否考虑了所有相关的物理过程？"
2. "我是否把不可避免的约束（如冲击）建模为优化问题的一部分？"
3. "我的预测范围是否足够长，能捕捉到关键的动态交互？"
4. "我是否在不同的环境条件下验证了系统的鲁棒性？"

冲击感知MPC告诉我们：在物理世界中，最好的控制不是避免所有困难，而是理解和利用物理规律来优雅地应对困难。

当无人机学会"预判"冲击，它就能在最动荡的环境中安全着陆。

#Robotics #UAV #ModelPredictiveControl #ImpactDynamics #ControlTheory #FeynmanLearning #智柴系统实验室