A Computationally Efficient Learning-Based Model Predictive Control for Multirotors under Aerodynamic Disturbances

要約

複雑な空力効果を無視すると、高速かつ高精度のマルチローターの自律性が妨げられます。
この論文では、未知の空力にもかかわらず、マルチコプター システムの物理的制限内 (推力と方向) で追跡できる軌道を同時に最適化し、制御入力を適応させる、計算効率の高い学習ベースのモデル予測コントローラーを紹介します。
これを行うために、マルチローターのよく知られている微分平坦性特性を活用し、非線形ダイナミクスを線形モデルに変換することができます。
現在の平坦性ベースの計画および制御アプローチの主な制限は、動的な実現可能性が無視されることが多いことです。
これは、入力、つまりマルチローター推力とフラット状態の間のマッピングの結果として、これらの制約が非線形になるためです。
私たちのアプローチでは、平らな状態からマルチローター推力ベクトル (ワールドフレーム内) へのマッピングをガウス過程 (GP) として学習することで、抗力の新しい表現を学習します。
私たちが提案するアプローチは、GP の特性を活用して、二次円錐プログラム (SOCP) として反復的に解くことができる凸最適コントローラーを開発します。
シミュレーション実験では、私たちが提案したアプローチは、軌道の実現可能性に対する空力効果を考慮していない関連モデルの予測コントローラーよりも優れたパフォーマンスを示し、絶対追跡誤差が最大 55% 削減されました。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google