融合倾斜测量的线性推力约束卡尔曼滤波提升多无人机敏捷飞行状态估计
这是一篇预印本。作者针对视觉多无人机飞行中仅用位置测量导致高阶状态估计延迟的问题，提出融合视觉检测器提供的倾斜信息，并设计了一种线性推力约束卡尔曼滤波器。在三个数据集上，姿态感知估计将速度和加速度误差平均降低40%和57%，闭环仿真中支持超过2g的横向机动跟踪。
如何在不引入固定结构延迟的情况下，利用视觉测量准确估计邻近无人机的速度与加速度以支撑敏捷多机飞行？
敏捷多无人机飞行需要机载准确、低延迟地估计邻近无人机的运动状态以避碰和协调。现有视觉方法大多仅提供位置测量，通过位移间接推断速度和加速度，这会在高阶状态估计中引入固定的结构性延迟，限制可实现的机动性。
此前做法以仅位置测量的视觉估计为主，用位置差分或滤波器间接恢复速度、加速度；这些方法在敏捷机动下存在约固定300ms的加速度阶跃响应延迟，且延迟与机动水平无关。
新方法整合一种先进视觉检测器提供的倾斜测量，该倾斜反映共平面多旋翼无人机的推力方向；作者提出一种线性推力约束卡尔曼滤波器（KF）的新公式，将倾斜作为约束融合，使估计器能在位移累积前感知推力方向变化。论文基准测试了四个仅位置估计器和五个姿态感知估计器。
在2个真实世界数据集和1个高保真真实感仿真数据集上，覆盖不同机动水平，姿态感知估计平均将速度估计误差降低40%、加速度估计误差降低57%；所提KF优于其他估计器。仅位置滤波器在加速度阶跃响应中表现出约300ms的固定延迟，不随机动水平变化；倾斜约束估计器接近相机帧率决定的物理响应极限。在NMPC控制的领航-跟随仿真中，仅位置估计无法让跟随者稳定悬停，所提估计器可跟踪超过2g的横向机动。
论文摘要未列出局限；从公开信息看，实验依赖特定视觉检测器，真机数据集数量和规模未报告，闭环验证仅在仿真中完成，未提及开源代码或算力成本。论文未报告真机闭环飞行结果。
可用于多无人机编队、竞速、协同巡检或物流中的机间避碰与协调。姿态感知融合和推力约束滤波器可集成到现有视觉检测与状态估计栈，1至3年内可能在研究向产品过渡；前提是视觉检测器能实时提供可靠倾斜信息，且真机验证充分。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。