Residual Dynamics Learning for Trajectory Tracking for Multi-rotor Aerial Vehicles

要約

本稿では、基準軌道追跡などの高レベルの計画と、計画ベースの制御パラダイムにおける学習ベースの手法を使用した低レベルの制御との間のギャップに対処する手法を紹介します。
この技術により、特に低速速度プロファイルを対象とした、雑然とした環境での操縦のスムーズさが向上します。
このようなプロファイルでは、クワッドローターに適用される外部の空気力学的効果は無視できます。
したがって、非線形モデル予測制御 (NMPC) ベースのローカル プランナーを定式化する際に、クアローターの動きを表すために単純化された動きモデルを使用しました。
ただし、単純化された運動モデルでは、高レベルのプランナーと低レベルのコントローラーの間に残留ダイナミクスが発生します。
これらの残留ダイナミクスを低減するために、スパース ガウス プロセス回帰ベースの手法が提案されています。
提案手法をData-Driven MPCと比較する。
比較結果から、拡張残差ダイナミクス モデルベースのプランナーが公称モデル誤差を平均で 2 分の 1 に削減するのに役立つことがわかります。
さらに、提案された完全なフレームワークを他の 4 つのアプローチと比較しました。
提案されたアプローチは、計算効率を損なうことなく、より短い飛行時間で障害物に衝突することなく基準軌道を追跡するという点で、他のアプローチよりも優れた性能を発揮しました。

要約(オリジナル)

This paper presents a technique to cope with the gap between high-level planning, e.g., reference trajectory tracking, and low-level controlling using a learning-based method in the plan-based control paradigm. The technique improves the smoothness of maneuvering through cluttered environments, especially targeting low-speed velocity profiles. In such a profile, external aerodynamic effects that are applied on the quadrotor can be neglected. Hence, we used a simplified motion model to represent the motion of the quadrotor when formulating the Nonlinear Model Predictive Control (NMPC)-based local planner. However, the simplified motion model causes residual dynamics between the high-level planner and the low-level controller. The Sparse Gaussian Process Regression-based technique is proposed to reduce these residual dynamics. The proposed technique is compared with Data-Driven MPC. The comparison results yield that an augmented residual dynamics model-based planner helps to reduce the nominal model error by a factor of 2 on average. Further, we compared the proposed complete framework with four other approaches. The proposed approach outperformed the others in terms of tracking the reference trajectory without colliding with obstacles with less flight time without losing computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google