Hybrid Aerodynamics-Based Model Predictive Control for a Tail-Sitter UAV

📄 arXiv: 2312.14453v1 📥 PDF

作者: Bailun Jiang, Boyang Li, Ching-Wei Chang, Chih-Yung Wen

分类: cs.RO, eess.SY

发布日期: 2023-12-22

💡 一句话要点

针对倾转旋翼无人机，提出混合空气动力学模型预测控制方法，提升复杂气动环境下的控制精度。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 倾转旋翼无人机 模型预测控制 混合建模 气动建模 神经网络 非线性控制 鲁棒控制

📋 核心要点

  1. 倾转旋翼无人机气动特性复杂，传统建模方法难以准确描述，导致控制性能下降。
  2. 提出一种混合建模方法，结合牛顿-欧拉方程和神经网络，兼顾计算效率和模型精度。
  3. 实验表明，该混合模型预测控制方法能有效降低跟踪误差，并对外部风扰具有鲁棒性。

📝 摘要（中文）

倾转旋翼无人机（tail-sitter UAV）由于其融合翼身结构会产生复杂的非线性气动效应，如机翼升力、机身阻力和螺旋桨-机翼相互作用，因此对其进行建模和控制具有挑战性。本文针对四旋翼倾转旋翼无人机，设计了一种混合气动建模方法和模型预测控制（MPC）。该混合模型由描述四旋翼动力学的牛顿-欧拉方程和学习残余气动效应的前馈神经网络组成。该混合模型以较低的计算成本表现出较高的预测精度，并被用于实现混合MPC，该混合MPC优化油门、俯仰角和横滚角以进行位置跟踪。控制器性能在真实世界的实验中得到验证，与传统的非线性MPC相比，跟踪误差降低了57%。还引入了外部风扰，实验结果证实了控制器在这些条件下的鲁棒性。

🔬 方法详解

问题定义：倾转旋翼无人机由于其特殊的结构设计，在飞行过程中会受到复杂的非线性气动效应的影响，例如机翼升力、机身阻力以及螺旋桨与机翼之间的相互作用。这些复杂的效应使得传统的基于物理模型的控制方法难以精确建模，从而导致控制性能下降，尤其是在存在外部扰动的情况下。现有方法通常计算量大，难以满足实时性要求。

核心思路：本文的核心思路是将传统的基于物理的牛顿-欧拉方程与数据驱动的神经网络相结合，构建一个混合气动模型。牛顿-欧拉方程用于描述无人机的基本动力学特性，而神经网络则用于学习和补偿残余的气动效应。这种混合建模方法既能保证模型的物理可解释性，又能提高模型的预测精度。

技术框架：该方法主要包含两个模块：气动模型辨识模块和模型预测控制模块。首先，利用实验数据训练前馈神经网络，使其能够学习残余的气动效应。然后，将训练好的神经网络与牛顿-欧拉方程结合，构建混合气动模型。最后，基于该混合模型设计模型预测控制器，通过优化油门、俯仰角和横滚角来实现无人机的位置跟踪。

关键创新：该方法最关键的创新在于提出了混合气动建模方法，将基于物理的模型和数据驱动的模型相结合，充分利用了两种模型的优点。与传统的纯物理模型相比，该混合模型能够更准确地描述无人机的气动特性；与纯数据驱动的模型相比，该混合模型具有更好的泛化能力和鲁棒性。

关键设计：神经网络采用前馈神经网络结构，输入为无人机的状态（位置、速度、姿态角等）和控制量（油门、俯仰角、横滚角），输出为残余的气动力的估计值。损失函数采用均方误差损失函数，优化算法采用Adam优化器。模型预测控制器的预测时域和控制时域需要根据具体的应用场景进行调整，以平衡控制性能和计算复杂度。

📊 实验亮点

实验结果表明，与传统的非线性MPC相比，该混合模型预测控制方法能够显著降低位置跟踪误差，降低幅度达到57%。此外，在引入外部风扰的情况下，该控制器仍然能够保持良好的控制性能，验证了其对外部扰动的鲁棒性。这些实验结果表明，该方法在实际应用中具有很高的价值。

🎯 应用场景

该研究成果可应用于多种场景，例如复杂环境下的无人机自主飞行、物流配送、灾害救援和环境监测等。通过提高倾转旋翼无人机的控制精度和鲁棒性，可以使其在更加复杂的环境中执行任务，并提高任务的完成效率和安全性。此外，该混合建模方法也可以推广到其他具有复杂气动效应的飞行器控制中。

📄 摘要（原文）

It is challenging to model and control a tail-sitter unmanned aerial vehicle (UAV) because its blended wing body generates complicated nonlinear aerodynamic effects, such as wing lift, fuselage drag, and propeller-wing interactions. We therefore devised a hybrid aerodynamic modeling method and model predictive control (MPC) design for a quadrotor tail-sitter UAV. The hybrid model consists of the Newton-Euler equation, which describes quadrotor dynamics, and a feedforward neural network, which learns residual aerodynamic effects. This hybrid model exhibits high predictive accuracy at a low computational cost and was used to implement hybrid MPC, which optimizes the throttle, pitch angle, and roll angle for position tracking. The controller performance was validated in real-world experiments, which obtained a 57% tracking error reduction compared with conventional nonlinear MPC. External wind disturbance was also introduced and the experimental results confirmed the robustness of the controller to these conditions.