Integrated Guidance and Gimbal Control for Coverage Planning With Visibility Constraints
把无人机运动输入与云台输入共同写入受约束最优控制，用射线投射建立状态相关可见性约束，只有真正被相机看见的表面才计入覆盖。混合整数求解为后续三维联合覆盖研究奠定了标准问题形式。
Temporary Research Topic · 更新于 2026-09-11
无人机机体与云台协同控制
聚焦无人机如何在机体位置、速度、姿态与云台俯仰/偏航之间分配运动，使相机持续获得高质量视野，同时满足飞行动力学、云台限位、遮挡、碰撞、成像平滑和实时计算约束。专题把真正联合优化机体—云台输入的论文作为核心，并用云台独立控制、主动视角定位和纯机体可见性规划作为对照。
12 篇精选联合优化主动视觉目标跟踪覆盖与航拍
Reading Route建议阅读顺序
按“是否同时改变飞行状态与传感器指向”逐篇筛查后保留 12 篇代表性工作，其中 6 篇直接联合优化机体与云台/相机，3 篇研究云台主动指向或鲁棒跟踪，3 篇以机体轨迹或多机视角实现同一可见性目标。仅把云台当作被动稳定器、只使用云台图像做检测，或完全不让视野质量反馈到规划控制的文章不纳入核心。
- 先建立联合优化问题Integrated Guidance and Gimbal Control → Jointly-optimized 3D Coverage → Multi-UAV Cinematography
看清状态、控制量、相机射线、云台限位、遮挡和飞行动力学如何进入同一个滚动时域问题。
- 再研究任务与平台差异Fixed-Wing Visual Servoing → Informative Sensor Planning → PENC → UTSCC
比较固定翼不可悬停、单轴云台、移动目标丢失、通信截止时间分别怎样改变机体—云台分工。
- 最后理解替代方案Dynamic Sensor Footprints → FC-Vision → Visibility-Aware Aerial Swarms
判断何时值得增加云台自由度，何时只优化机体姿态、轨迹或多机视角已经足够。
Joint Body–Gimbal Optimization机体—云台联合规划与控制
这一组真正把飞行输入和相机/云台输入放进同一目标或约束系统中。核心不是简单级联，而是让两类执行器围绕可见性、任务质量和运动代价主动分工。
Jointly-Optimized Trajectory Generation and Camera Control for 3D Coverage Planning
在滚动时域内联合优化无人机三维运动与相机控制，通过前视射线追踪估计物体表面的新增可见面积，并用混合整数规划生成可执行覆盖轨迹；真实与合成实验验证了三维物体完整扫描。
Optimal Trajectory Planning for Cinematography With Multiple Unmanned Aerial Vehicles
分布式在线优化多架无人机的轨迹与云台运动，同时满足飞行动力学、平滑镜头、云台机械限位、相机互不可见和机间避碰。三机户外拍摄移动演员的实验展示了机体—镜头协同的完整系统范式。
Perception-Aware Model Predictive Visual Servoing for Fixed-Wing Unmanned Aerial Vehicles in Target Tracking
把固定翼动力学、相机感知约束和两轴云台控制集成进 MPC 视觉伺服，使不可悬停的平台既能跟随目标，又把目标保持在图像中心；软约束降低不可行风险和在线求解负担。
PENC: A Predictive-Estimative Nonlinear Control Framework for Robust Target Tracking of Fixed-Wing UAVs in Complex Urban Environments
实时优化固定翼与云台输入维持目标视野，同时以移动时域估计处理高楼遮挡后的目标丢失；权重切换会在观测缺失时重新分配过程与测量不确定性，把预测、估计和控制连成闭环。
UAV Flight and Trajectory Control for Surveillance Camera Imaging and Wireless Communication Joint Optimization
UTSCC 不只联合优化无人机轨迹和相机倾角，还同时决定拍摄目标、传输调度与交付截止时间；精确罚函数处理离散选择，逐次凸近似处理非凸机体—相机运动。它把看见目标推进到按时交付有用数据。
Active Gimbal Pointing & Stabilization主动云台指向、感知与抗扰控制
机体路径给定或变化较慢时，云台仍可通过主动选视角扩大感知范围、保持定位特征或抵消飞行冲击。这类工作提供联合控制器所需的云台动态模型与局部策略。
Informative Sensor Planning for a Single-Axis Gimbaled Camera on a Fixed-Wing UAV
将单轴云台的非近视信息规划与固定翼高层路径规划耦合，根据先验信息图在规划时域内收缩或移动扫描边界，优先观察高置信区域；相对无传感规划和固定扫描分别提升约 21.9% 与 13.3%。
Point Me in the Right Direction: Improving Visual Localization on UAVs With Active Gimballed Camera Pointing
在视觉示教复现航线上比较被动稳定、主动稳定、视角方向误差最小化和指向历史地标质心四种策略。最长 315 米户外实验表明主动云台能减小视角变化，让固定相机失效的场景继续定位。
Accurate Target Tracking Control of Two-Axis Gimbal System of UAV Under Impact Disturbance
从螺旋理论与 Kane 方法建立完整无人机—两轴云台动力学，采用自适应有限时间控制和切换增益扰动观测器抑制参数不确定性与冲击。真实原型补齐许多规划论文忽略的云台高速抗扰层。
Body-Only and Multi-View Alternatives仅靠机体运动或多机视角的替代路线
这些论文不属于严格的机体—机械云台联合控制，却解决同一个上层问题：如何让任务关键区域持续留在传感器视场内。它们是判断云台是否真正带来增益的必要基线。
Ergodic Trajectory Planning With Dynamic Sensor Footprints
不把相机简化为点传感器，而是根据无人机姿态和高度更新足迹形状与分辨率，并联合优化飞行轨迹和有效观测分布。即使使用固定下视相机，它也给出了评估可变视野收益的统一度量。
FC-Vision: Real-Time Visibility-Aware Replanning for Occlusion-Free Aerial Target Structure Scanning in Unknown Environments
针对未知结构扫描，在线根据遮挡和新观测重规划机体轨迹，以保持目标表面无阻挡可见。它代表将所有取景负担交给无人机路径的方案，可与加云台后的路径长度、能耗和覆盖率直接比较。
Visibility-Aware Cooperative Tracking With Decentralized LiDAR-Based Aerial Swarms
用球面符号距离场表达三维遮挡，以通用视场对齐代价适配异构 LiDAR，再由多架无人机改变 SE(3) 轨迹形成多方向包围。多机视角冗余在这里替代单机云台的宽指向范围。
Research Opportunities值得切入的问题
- 建立真正统一的状态：机体位置/姿态/速度、云台角度/角速率、图像目标状态和遮挡概率；避免上层给航点、下层云台追目标的单向级联。
- 设计视角动作分配器：当云台接近限位、角速率饱和或遮挡风险升高时，提前把偏航需求连续转移给机体，而不是到限位后突然转身。
- 在同一实验中比较固定相机、独立云台、顺序优化和联合优化四个基线，并同时报告可见率、图像抖动、路径长度、能耗、云台余量和闭环最坏时延。
- 把目标轨迹预测的不确定性转成概率视场与遮挡约束，研究短时云台快速补偿和长时机体位置调整如何按置信度分工。
- 针对低算力平台采用多速率结构：飞控高频保证稳定，云台局部 MPC 中频保持成像，边缘端低频求解长时联合轨迹；任何通信超时都能回退到机载安全策略。
- 把成像质量从目标居中扩展到运动模糊、有效像素密度、入射角、曝光和三维重建条件数，使协同控制真正服务下游检测、测量或建图。
- 研究云台动作对视觉惯性估计的反作用：在线标定机体—云台外参和时间偏差，并将定位不确定性反馈给视角分配器。
若以 RA-L 快速产出为目标，最清晰的方案是“带限位前瞻的机体—云台动作分配 + 概率可见性 MPC + 低算力多速率实现”。实验至少应包含移动目标、遮挡、强机动、云台限位、通信/计算延迟和实机消融；只把现成云台跟踪器接到无人机控制器上，创新强度通常不够。