A Computationally Efficient Learning-Based Model Predictive Control for Multirotors under Aerodynamic Disturbances
作者: Babak Akbari, Melissa Greeff
分类: cs.RO, eess.SY
发布日期: 2024-02-15
💡 一句话要点
提出一种高效学习模型预测控制以应对多旋翼飞行器的气动干扰
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多旋翼飞行器 模型预测控制 气动干扰 高斯过程 动态可行性 轨迹优化 控制精度
📋 核心要点
- 现有的多旋翼控制方法常常忽视气动效应，导致在高速飞行时的精度不足。
- 本文提出了一种基于学习的模型预测控制器，通过学习气动阻力的表示来优化轨迹跟踪。
- 仿真实验表明，所提方法在轨迹跟踪精度上显著优于不考虑气动效应的控制器，跟踪误差降低了55%。
📝 摘要（中文）
忽视复杂气动效应会阻碍多旋翼飞行器在高速下的高精度自主控制。本文提出了一种计算效率高的基于学习的模型预测控制器，该控制器能够在未知气动力的情况下，优化可在多旋翼系统物理限制内（推力和姿态）跟踪的轨迹，并自适应控制输入。我们利用多旋翼的微分平坦性特性，将其非线性动力学转化为线性模型。现有的平坦性规划和控制方法的主要限制在于通常忽视动态可行性。我们通过学习从平坦状态到多旋翼推力向量的映射，提出了一种新的阻力力表示，采用高斯过程（GP）进行建模。我们的方案利用GP的特性开发了一个凸优化控制器，可以作为二阶锥规划（SOCP）进行迭代求解。在仿真实验中，我们的方法在考虑气动效应的轨迹可行性方面，优于相关的模型预测控制器，绝对跟踪误差减少了多达55%。
🔬 方法详解
问题定义：本文旨在解决多旋翼飞行器在高速飞行中因忽视气动干扰而导致的控制精度不足的问题。现有方法通常未能考虑动态可行性，限制了其在复杂环境中的应用。
核心思路：论文提出了一种基于学习的模型预测控制器，利用多旋翼的微分平坦性特性，将非线性动力学转化为线性模型，并通过学习气动阻力的表示来优化控制输入。
技术框架：整体架构包括三个主要模块：首先，通过高斯过程建模气动阻力；其次，利用微分平坦性将动力学转化为线性形式；最后，开发一个凸优化控制器，通过二阶锥规划进行求解。
关键创新：最重要的创新在于通过高斯过程学习气动阻力的映射，从而实现动态可行性的考虑，这与现有方法的静态模型形成鲜明对比。
关键设计：在设计中，关键参数包括高斯过程的超参数设置，以及损失函数的选择，确保模型能够准确捕捉气动效应对推力的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提控制器在考虑气动效应的情况下，绝对跟踪误差减少了多达55%。与不考虑气动效应的模型预测控制器相比，表现出显著的性能提升，验证了方法的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括无人机自主飞行、空中物流配送和灾害监测等场景。通过提高多旋翼飞行器在复杂气动环境中的控制精度，能够显著提升其在实际应用中的可靠性和效率，推动无人机技术的进一步发展。
📄 摘要（原文）
Neglecting complex aerodynamic effects hinders high-speed yet high-precision multirotor autonomy. In this paper, we present a computationally efficient learning-based model predictive controller that simultaneously optimizes a trajectory that can be tracked within the physical limits (on thrust and orientation) of the multirotor system despite unknown aerodynamic forces and adapts the control input. To do this, we leverage the well-known differential flatness property of multirotors, which allows us to transform their nonlinear dynamics into a linear model. The main limitation of current flatness-based planning and control approaches is that they often neglect dynamic feasibility. This is because these constraints are nonlinear as a result of the mapping between the input, i.e., multirotor thrust, and the flat state. In our approach, we learn a novel representation of the drag forces by learning the mapping from the flat state to the multirotor thrust vector (in a world frame) as a Gaussian Process (GP). Our proposed approach leverages the properties of GPs to develop a convex optimal controller that can be iteratively solved as a second-order cone program (SOCP). In simulation experiments, our proposed approach outperforms related model predictive controllers that do not account for aerodynamic effects on trajectory feasibility, leading to a reduction of up to 55% in absolute tracking error.