开源无人机平台介绍-Crazyflie
无人机具有低成本、操作简单、灵活性高的特点，不论是商业应用还是科学研究，都被广泛应用。
很多科研用途的无人机尺寸都较大，可以搭载相机或高性能计算机等，但是这种无人机通常也都比较昂贵，且需要较大空间才能满足安全操作。近年来，很多关于多旋翼无人机的研究偏向于智能化、群体化。而室内实验室环境空间有限。因此对于无人机集群，尤其数量较多时，小型无人机显然更适合，比如Crazyflie无人机平台。
Crazyflie无人机是一款开源微型无人机，其轴距只有92mm，而且质量很轻（约为29g），即使高速坠机也不会造成较大伤害，很适合室内小空间内高密度无人机研究。近年来在ICRA、IROS等自动化机器人顶会中，频繁看到使用实验使用Crazyflie的论文，而且数量呈逐年上升趋势。
用于科研
从Crazyflie1.0开始到最新的Crazyflie2.1，有大量的研究人员将Crazyflie作为他们的无人机实验平台。下面介绍一些使用Crazyflie进行研究的项目。
加州理工大学-机器学习
无人机之间产生的下洗流和地面效应等相互作用力使多无人机近距离飞行很难实现。传统的规划和控制算法忽略这些相互作用力，无人机集群时只能增大间距。加州理工大学的研究人员提出了一种基于学习的运动规划和控制方法Neural-Swarm2，该方法结合了基于物理的标称动力学模型和深度神经网络（DNN）。确保可以准确预测异构无人机间的空气动力学相互作用[1]。
研究人员使用两种尺寸的多架无人机进行实验，来验证位置交换任务下的飞行性能提升。实验中小型无人机为Crazyflie2.0和2.1，大型无人机是配置了Crazyflie2.1飞控板的Parrot MiniDrone 无人机。利用Crazyswarm来同步控制无人机群。非线性控制器、EKF、神经网络评估模型在无人机的板载控制器上运行。每架无人机上粘贴一个反光标识点，利用光学动作捕捉系统对无人机进行定位。
可以看出利用Neural-Swarm2，在无人机交汇时，下方无人机受到收到下洗气流影响明显变小了。而且多架无人机集群可以仅利用1-3架飞机的数据进行训练。
多伦多大学-编队控制
无人机表演已经屡见不鲜，大型表演甚至可以使用超过2000架无人机。但是高动态运动的无人机表演仍较少，主要是因为高动态的运动需要快速准确的姿态估计、运动规划和控制，以及高效可靠的整体飞控系统架构。而且由于无人机间的碰撞约束和空气动力学影响等因素，大量无人机群的高动态图形的编排十分困难。
多伦多大学航空航天研究所的研究人员设计了一种方法，将集群表演的无人机群视作一个整体，本文旨在设计四旋翼集群性能，其中集群作为体现移动和变形物体的集成、协调单元[2]。
该方法将创建表演编排的任务分为三个基本步骤：
- 设计集群运动原语
- 在这些运动之间进行转换
- 以及同步无人机的运动
研究人员利用25 个Crazyflie2.0无人机进行了实验。实验中使用动作捕捉系统作为无人机定位方案，一台上位机获取所有Crazyflie的位置信息，并通过无线电将实际位置和目标位置传输至每台无人机板载计算机。无人机群可以实现很流畅的动态表演。
这项研究提名了ICRA2019多机器人系统最佳论文奖和无人机无人机最佳论文奖。
首尔大学-轨迹规划
为了满足无人机在复杂环境中协同执行任务的需求，首尔大学研究人员提出了一种多无人机在障碍物密集环境中的轨迹规划方法[3]。 这种方法使用相对安全飞行走廊（RSFC）来模拟两架无人机之间的安全区域，并通过利用相对伯恩斯坦多项式的凸包特性来生成避免相互碰撞的线性约束。利用该方法可以在一秒钟内计算 16 个智能体的无碰撞轨迹，在一分钟内计算 64 个智能体的无碰撞轨迹，并通过模拟和室内飞行测试进行了验证。
研究人员使用6架Crazyflie2.0无人机进行实验。利用Crazyswarm来控制无人机跟踪轨迹，动作捕捉系统数据用来估计每台无人机的位置。系统完成所有无人机的轨迹规划共用时0.138s。
南加州大学-扰动恢复
利用多智能体完成任务时，组内不同类型的具有不同的感知、驱动、通信和计算能力，这种异构群体可以通过共享资源来完成复杂任务，对于单个机器人故障具有更高的鲁棒性。利用团队共享信息执行任务，需要成员间配置通信拓扑，使每个机器人可以获取临近成员的资源。
南加州大学研究人员提出了一种在资源故障的网络异构多机器人系统中，保持资源高度可用的方法[4]。在这个模型中，机器人上可以使用传感和计算等资源利用这些资源协同完成任务。当特定机器人上的资源变得不可用时（比如其传感器损坏），系统会自动重新配置，使这个机器人可以通过与其他机器人通信来访问该资源。通过转移到新的配置来减少故障对整体性能的影响。
研究人员使用7架Crazyflie无人机，利用Crazyswarm集群平台实现多机协同。无人机底部增加灯板，表示当前状态。
用于教学
Crazyflie是一个多功能开放平台，源代码和硬件设计都是开源的。而且其质量仅有27g，对于安全防护的需求更低，而且还具有灵活的扩展接口，可以连接各种扩展板，增加Crazyflie的功能，很适合作为学校讲授机器人或四旋翼飞行器的教学工具，可以帮助学生了解掌握控制算法、嵌入式系统、飞行器和机器人等领域的知识。国外已经有很多学校使用Crazyflie作为教学的实验平台。
加州大学伯克利分校-无人机控制基础课程
加州大学伯克利分校开设的无人机控制基础课程，旨在从反馈控制的角度向学生介绍无人机。课程除了讲授理论部分，还有大量的实验。学生学习建模、理解和设计无人机控制器所需的理论。课程包括三自由度刚体模型、惯性矩、作用在无人机上的重要力和力矩、螺旋桨的空气动力学以及无人机控制策略等。每个学生会获得一架Crazyflie无人机，用于学期中使用。
查尔姆斯理工大学-嵌入式控制系统课程
查尔姆斯理工大学的学生将了解嵌入式控制系统的设计、规范、建模、分析和实施的原则。该课程是“系统、控制和机电一体化”硕士课程的一部分。课程中使用 Crazyflie 2.0 来进行实验验证。比如，学生们使用建模语言 Modelica 构建 Crazyflie 2.0 的动力学模型，并根据模型设计控制算法，最后在 Crazyflie 2.0 上实现。
普林斯顿大学-机器人概论
普林斯顿大学的“机器人学概论”课程向学生介绍机器人学的基本理论和算法原理。课程使用 Crazyflies 作为学生在他们的第一门机器人入门课程中的实验平台。该课程主要针对本科生三、四年级，以及供研究生水平的课程。参与课程的学生来自不同的专业：机械与航空航天工程、计算机科学、电气与计算机工程、数学、运筹学与金融工程、土木与环境工程，以及建筑学。
该课程涵盖以下技术主题：反馈控制、运动规划、状态估计、定位和映射、计算机视觉和学习等内容。本课程的主要目标之一是让学生获得在硬件平台上实现各种算法的实践经验。期末的项目为障碍环境实现基于视觉的自主导航算法。
多无人机集群方案
近年来多智能体协同控制和集群是一个热门研究方向。Crazyflie小型、安全的特点也适合多机飞行的相关研究。利用南加州大学团队开发的Crazyswarm平台，可以实现大量的无人机集群飞行。
目前Crazyswarm已支持NOKOV动作捕捉系统实现Crazyflie集群。（https://Crazyswarm.readthedocs.io/en/latest/#）
使用时，除了可以利用NOKOV的XINGYING软件传输刚体数据外，还支持利用点云方式进行跟踪时别（所有无人机使用相同的贴点方式）。我们也进行了相关测试。
客户案例
目前已经有多所高校实验室使用NOKOV动作捕捉系统+Crazyflie无人机平台的方案进行协同控制相关研究，包括清华大学、北京航空航天大学、电子科技大学和哈尔滨工业大学等。
电子科技大学
客户：电子科技大学
应用方向：分布式约束覆盖控制
实验效果：电子科技大学使用Crazyflie无人机进行了分布式约束控制研究。实验中使用4个Crazyflie覆盖指定区域。系统中NOKOV光学动作捕捉系统作为外部定位方案。
配置：12个Mars4H镜头组成的动作捕捉系统
采集区域：4m×3.5m
场地大小：5m×4m
实际捕捉对象数量：4架Crazyflie
哈尔滨工业大学
客户：哈尔滨工业大学
应用方向：宽度变化环境轨迹规划
实验效果：哈尔滨工业大学提出一种多无人机编队的轨迹生成方法。在验证实验中，使用6架Crazyflie无人机完成三个场景的测试，NOKOV动作捕捉系统进行全局定位[5]。文章收录在IROS2021论文集中.
配置：8个Mars2H镜头组成的动作捕捉系统
采集区域：5m×5m
场地大小：6m×6m×4m
实际捕捉对象数量：6架Crazyflie
参考文献：
- Shi G, H?nig W, Shi X, et al. Neural-swarm2: Planning and control of heterogeneous multirotor swarms using learned interactions[J]. arXiv preprint arXiv:2012.05457, 2020.
原文链接：https://arxiv.org/abs/2012.05457
- Du X, Luis C E, Vukosavljev M, et al. Fast and In Sync: Periodic Swarm Patterns for Quadrotors[J]. arXiv preprint arXiv:1810.03572, 2018.
原文链接：https://arxiv.org/abs/1810.03572
- Park J, Kim J, Jang I, et al. Efficient multi-agent trajectory planning with feasibility guarantee using relative bernstein polynomial[C]//2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020: 434-440.
原文链接：https://arxiv.org/abs/1909.10219
- Ramachandran R K, Preiss J A, Sukhatme G S. Resilience by Reconfiguration: Exploiting Heterogeneity in Robot Teams[J]. arXiv preprint arXiv:1903.04856, 2019.
原文链接：https://arxiv.org/abs/1903.04856
- Guo S, Liu B, Zhang S, et al. Continuous-time Gaussian Process Trajectory Generation for Multi-robot Formation via Probabilistic Inference[J]. arXiv preprint arXiv:2010.13148, 2020.
原文链接：https://arxiv.org/abs/2010.13148