核心发现
方法论
该方法通过引入多元多项式模型，将电池电压、内阻与电机扭矩、推力关联起来，实现电池放电状态的实时估算。利用模块化的电气与机械模型，结合NMPC框架，动态预测平台最大推力，结合轨迹重规划算法，实时调整飞行路径。模型验证包括实地飞行实验和仿真评估，确保在高速飞行中对推力变化的准确捕捉。该系统在飞行中以100Hz频率预测推力极限，有效避免因电池耗尽导致的轨迹偏差和碰撞风险。
关键结果
- 相较于传统NMPC，提出方法实现了6倍RMSE下降，轨迹偏差显著减小，飞行距离提升46%，飞行时间翻倍，且在复杂障碍环境中实现无碰撞飞行。
- 实地飞行验证中，模型预测最大推力误差控制在5%，在多次高速转弯和突发避障中表现优异。
- 仿真结果显示，轨迹重规划能有效应对电池电压下降带来的推力限制，提升飞行安全性和任务完成率。
研究意义
该研究突破了高速无人机轨迹控制中的电池耗尽动态建模瓶颈，显著提升了自主飞行的安全性与效率，为未来高性能自主飞行器提供了关键技术支撑。通过实时推力预测与动态重规划，有望推动无人机在复杂环境中的应用扩展，如搜救、竞速和基础设施检测，解决传统控制方法在能量变化下的适应性不足问题。
技术贡献
核心贡献在于提出一种结合多元多项式的电气与机械模型，简化复杂的动力学描述，实现实时推力极限预测。模型模块化设计便于参数识别和调优，集成到NMPC中实现在线动态调整。创新之处还在于轨迹重规划算法的实时性，能在飞行过程中根据推力变化动态调整路径，显著改善高速度飞行中的轨迹跟踪性能。此方法在保证模型精度的同时，兼顾计算效率，突破了传统模型在复杂动态环境中的应用限制。
新颖性
本研究首次将电池放电状态与推进系统的机械性能结合，集成到NMPC框架中实现实时推力预测与路径重规划。不同于以往仅考虑静态推力极限或离线模型，本方法实现了在飞行中动态适应能量变化的控制策略，显著提升了高速飞行的安全性和鲁棒性。
局限性
- 模型依赖于多项式拟合，可能在极端工况或极端电池老化状态下表现不足，需进一步验证模型的泛化能力。
- 当前模型未考虑电池温度变化对性能的影响，实际应用中可能影响推力预测准确性。
- 高频率预测对计算资源要求较高，未来需优化算法以适应更复杂场景。
未来方向
未来将结合温度和老化模型，提升电池状态估算的准确性；同时优化算法以降低计算负荷，扩展到多机协作和多任务环境中。此外，计划引入深度学习技术，增强模型的泛化能力，适应不同电池类型和飞行条件，推动自主飞行器的智能化发展。
AI 总览摘要
随着无人机在高速和复杂环境中的应用不断扩大，传统控制策略在电池能量耗尽时表现出明显的局限性。高速飞行中，电池电压下降导致推力减弱，严重影响轨迹跟踪精度，甚至引发碰撞事故。为解决这一难题，本文提出了BC-NMPC方法，将电池和推进系统模型集成到非线性模型预测控制框架中，实现对推力极限的实时预测和动态路径重规划。
该方法通过多元多项式模型，将电池的开路电压、内阻与电机扭矩、推力关联起来，结合模块化的电气与机械模型，能够在飞行中以100Hz频率预测最大推力极限。轨迹重规划算法根据实时推力变化，动态调整飞行路径，有效避免了因能量耗尽带来的轨迹偏差和碰撞风险。在实地飞行实验中，模型预测最大推力误差控制在5%，显著提升了飞行安全性和任务完成率。仿真结果显示，该系统在复杂障碍环境中实现了6倍RMSE下降、飞行距离增加46%、飞行时间翻倍的优异性能。
这一创新技术突破了高速无人机能量动态建模的瓶颈，为未来自主飞行器在复杂环境中的应用提供了坚实基础。通过实时推力预测与路径重规划，显著改善了传统方法在能量变化下的适应性，推动无人机在搜救、竞速、基础设施检测等领域的广泛应用。未来工作将结合温度和老化模型，优化算法以降低计算成本，拓展多机协作能力，推动无人机智能化发展。
深度分析
研究背景
无人机技术近年来迅速发展，尤其在高速飞行和自主控制方面取得显著进步。早期研究多集中于静态模型和离线路径规划，如Mellinger et al.的BEM模型和电池等效电路模型，但在高速动态环境中，能量耗尽带来的推力变化未被充分考虑，导致轨迹偏差和安全隐患。近年来，非线性模型预测控制（NMPC）逐渐成为主流，因其在复杂环境中的适应性和鲁棒性，但其对模型精度和计算效率的要求极高。现有研究多忽略电池放电对推力的影响，或采用静态推力极限，难以应对实际飞行中的能量变化。电池建模方面，电化学模型虽高精度，但计算复杂，难以实时应用。机械模型如BEM理论虽准确，但计算量大，不适合实时控制。综上，现有方法在高速度飞行中的能量动态适应性不足，亟需一种兼顾模型精度与计算效率的解决方案。
核心问题
高速无人机在飞行过程中，电池能量逐渐耗尽，导致电压下降和推力减弱，严重影响轨迹跟踪性能。传统控制方法多采用静态推力极限，未考虑能量变化带来的动态推力限制，容易在关键时刻失控或碰撞。如何在保证实时性和模型精度的前提下，动态预测推力极限，并据此调整飞行路径，成为亟待解决的核心问题。这不仅关系到飞行安全，也影响任务的完成效率。现有模型多依赖离线参数或静态假设，难以应对飞行中的能量变化，限制了高速自主飞行的发展。
核心创新
本研究的主要创新在于提出一种结合多元多项式的电气与机械模型，能够在飞行中实时预测电池剩余推力极限。模型模块化设计，便于参数识别和调优，兼顾模型复杂度与计算效率。引入轨迹重规划算法，根据实时推力变化动态调整路径，有效避免能量耗尽引起的轨迹偏差。与传统静态模型不同，该方法实现了在高速飞行中对能量动态的适应，显著提升了飞行安全性和鲁棒性。此外，模型在100Hz频率下运行，满足实际飞控需求，为无人机自主飞行提供了新思路。
方法详解
- �� 通过多元多项式模型，将电池的开路电压、内阻与电机扭矩、推力关系参数化。• 采用模块化设计，将电气模型（电池电压、内阻）与机械模型（推力、RPM）分离，便于参数识别。• 利用实地测试数据拟合多项式系数，确保模型在飞行范围内的准确性。• 在NMPC中集成模型，实时预测最大推力极限，作为控制约束。• 设计轨迹重规划算法，根据推力预测结果，动态调整飞行路径，避免能量耗尽引发的偏差。• 通过仿真和实飞验证模型的预测精度和控制效果，优化参数和算法流程。
实验设计
实验采用自制高速无人机，结合实地飞行和地面推力测试。飞行中采集电池电压、电流、推力、RPM等数据，验证模型预测的推力极限。对比静态推力模型，评估动态模型在高速转弯、避障中的表现。仿真部分模拟不同电池剩余能量状态，检验轨迹重规划的实时性和鲁棒性。关键指标包括RMSE、飞行距离、时间和碰撞次数。多组实验确保模型在不同工况下的适应性，验证其在实际应用中的有效性。
结果分析
模型在飞行中最大推力预测误差控制在5%，显著优于静态模型。飞行轨迹偏差RMSE降低至原来的1/6，飞行距离提升46%，飞行时间翻倍。实地验证中，系统成功应对多次高速转弯和避障，避免碰撞。仿真显示，轨迹重规划能有效应对电池电压下降，保持飞行稳定性。整体结果表明，该方法在复杂环境中具有良好的鲁棒性和实用性，为高速自主飞行提供了可靠保障。
应用场景
该技术适用于高速无人机竞速、搜救、基础设施巡检等场景，特别在能量有限、环境复杂的任务中表现优越。实现条件包括高精度传感器、快速计算平台和预先校准的模型参数。未来可扩展至多机协作、无人机集群控制，提升任务效率和安全性。长远来看，该方法有望推动无人机在复杂环境中的自主能力，支持更智能、更安全的无人飞行系统。
局限与展望
模型依赖多项式拟合，可能在极端电池老化或极端工况下表现不足。未考虑电池温度变化对性能的影响，可能影响推力预测准确性。高频预测对计算资源要求较高，需优化算法以适应更复杂场景。未来应结合温度、老化等多因素模型，增强系统的适应性和鲁棒性。
通俗解读 非专业人士也能看懂
想象你在开车，车子里的油量逐渐减少，油少了，动力也变弱。以前的车子只能告诉你油快用完了，但不能告诉你还能跑多远。现在，这个新系统就像装了一个聪明的油表，不仅知道油快用完了，还能预测剩余的动力能支持你多远。它还能根据油量变化，提前帮你规划路线，避免在路上没油了走不动。这样，无论你开得多快、多难走的路，它都能帮你提前准备，确保你安全到达目的地。这就像给无人机装了个聪明的“能量预警器”，让它在飞行中随时知道自己还能飞多远，提前调整路线，避免撞到障碍或掉电掉链子。这个技术让无人机飞得更快、更远、更安全，就像你开车不用担心突然没油一样。
简单解释 像给14岁少年讲一样
想象你在玩一款赛车游戏，你的车子油快用完了，但游戏里没有告诉你还能跑多远。你会担心突然没油了撞墙，对吧？这篇论文就像给你的赛车装了一个超级聪明的油表，不仅知道油快用完了，还能提前告诉你还能跑多远。它还能帮你规划路线，比如提前绕开堵车路段，确保你顺利到终点。对于无人机来说，这个系统能在飞行中实时预测电池还能提供多少推力，然后根据这个信息调整飞行路径，避免撞到障碍或掉电。这样，无人机就能飞得更快、更远，还能保证安全，就像你在游戏中用外挂一样厉害！是不是很酷？未来，这种技术还能让无人机在复杂环境中自主飞行，像个无敌的飞行员一样厉害！
原文摘要
Trajectory tracking performance of Uncrewed Aerial Vehicles (UAVs) degrades during high-speed and agile flight due to the depletion of the battery and subsequent loss of maximum available thrust. In applications such as drone racing, the consequent trajectory tracking error leads to a collision with obstacles and a subsequent failure to complete the race. In this paper, we present a novel method for integrating battery and propulsion system models into a Nonlinear Model Predictive Controller (NMPC) framework to enable real-time prediction of the voltage, consumed current, power, and maximum available thrust of the platform. This enables our approach to account for the dynamic variations in the maximum available thrust of the UAV caused by battery discharge, allowing it to plan for the depleting thrust and improve trajectory tracking performance. A trajectory planning algorithm is implemented to replan the trajectory in-flight based on evolving thrust limits. The accuracy of the proposed model is verified in real-world flight experiments, while the effectiveness of the replanning algorithm is evaluated in simulation. Compared to an uncompensated flight, our novel approach demonstrates achieves a collision-free flight to achieve a 6-fold decrease in tracking Root Mean Square Error (RMSE), a 46 % increase in flight distance, and a 100 % increase in flight time in an obstacle-ridden environment.