Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms

要約

タイトル：クワッドローターやアジャイルロボットプラットフォームのためのディープラーニングモデル予測制御によるリアルタイムニューラルMPC

要約：
– モデル予測制御（MPC）は、高性能な自律システムの組み込み制御において、一般的なフレームワークになってきた。
– しかしながら、MPCを使用して良好な制御性能を得るためには、正確なダイナミクスモデルが重要である。
– 組み込みシステムで使用されるダイナミクスモデルは、リアルタイム動作を維持するために、簡単なファーストプリンシプルモデルに限定されてきたが、その表現力は大幅に制限されている。
– 単純なモデルとは対照的に、機械学習アプローチ、特にニューラルネットワークは、複雑なダイナミック効果さえ正確にモデル化できることが示されているが、その大きな計算複雑性は、高速なリアルタイム反復ループとの組み合わせを妨げてきた。
– この論文では、リアルタイムニューラルMPCという、大規模で複雑なニューラルネットワークアーキテクチャを効率的にモデル予測制御パイプライン内のダイナミクスモデルとして統合するフレームワークを提示している。
– シミュレーションおよび高度なウェルドローンプラットフォーム上での実世界における実験により、説明されたシステムが、勾配ベースのオンライン最適化MPCを使用して、従来不可能だった大規模なモデリング能力を持つ学習モデルを実行する能力を示している。
– また、ニューラルネットワークのダイナミクスがない場合の最新のMPCアプローチと比較して、実世界の問題で位置追跡誤差を最大82％削減できることも示している。

要約(オリジナル)

Model Predictive Control (MPC) has become a popular framework in embedded control for high-performance autonomous systems. However, to achieve good control performance using MPC, an accurate dynamics model is key. To maintain real-time operation, the dynamics models used on embedded systems have been limited to simple first-principle models, which substantially limits their representative power. In contrast to such simple models, machine learning approaches, specifically neural networks, have been shown to accurately model even complex dynamic effects, but their large computational complexity hindered combination with fast real-time iteration loops. With this work, we present Real-time Neural MPC, a framework to efficiently integrate large, complex neural network architectures as dynamics models within a model-predictive control pipeline. Our experiments, performed in simulation and the real world onboard a highly agile quadrotor platform, demonstrate the capabilities of the described system to run learned models with, previously infeasible, large modeling capacity using gradient-based online optimization MPC. Compared to prior implementations of neural networks in online optimization MPC we can leverage models of over 4000 times larger parametric capacity in a 50Hz real-time window on an embedded platform. Further, we show the feasibility of our framework on real-world problems by reducing the positional tracking error by up to 82% when compared to state-of-the-art MPC approaches without neural network dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI