Physics-Informed Neural Network for Multirotor Slung Load Systems Modeling

要約

航空ロボット工学の最近の進歩により、自律ペイロード輸送にマルチコプタービークルの使用が可能になりました。
ケーブルに吊り下げられた荷重を運ぶクアローターを確実にモデル化するために古典的な方法のみに頼ると、重大な課題が生じます。
一方、純粋にデータ駆動型の学習方法は、特にトレーニング データで高密度に表現されていない状態では、設計上、問題の物理的制約に準拠しません。
この研究では、物理学に基づいたニューラル ネットワークの使用を検討して、マルチローター吊り荷重システムのエンドツーエンド モデルを学習し、特定の時点で将来のシステム状態のシーケンスを推定します。
システムのダイナミクスをキャプチャするために、アテンション メカニズムを備えた LSTM エンコーダ デコーダが使用されます。
システムの複数の予測状態間の一貫性を保証するために、損失関数で物理ベースの項を使用することを提案します。これには、第一原理から導出された離散化物理モデルと、予想される状態間の小さな不一致を許容するスラック変数が含まれます。
そして予測値。
モデルをトレーニングするために、吊り荷を運ぶ現実世界のクアローターを使用したデータセットが厳選され、利用できるようになりました。
予測結果が提示され、アプローチの実現可能性が裏付けられます。
提案された方法は、第一原理物理モデルと、提案された物理正則化なしでトレーニングされた同等のニューラル ネットワーク モデルの両方を上回ります。

要約(オリジナル)

Recent advances in aerial robotics have enabled the use of multirotor vehicles for autonomous payload transportation. Resorting only to classical methods to reliably model a quadrotor carrying a cable-slung load poses significant challenges. On the other hand, purely data-driven learning methods do not comply by design with the problem’s physical constraints, especially in states that are not densely represented in training data. In this work, we explore the use of physics informed neural networks to learn an end-to-end model of the multirotor-slung-load system and, at a given time, estimate a sequence of the future system states. An LSTM encoder decoder with an attention mechanism is used to capture the dynamics of the system. To guarantee the cohesiveness between the multiple predicted states of the system, we propose the use of a physics-based term in the loss function, which includes a discretized physical model derived from first principles together with slack variables that allow for a small mismatch between expected and predicted values. To train the model, a dataset using a real-world quadrotor carrying a slung load was curated and is made available. Prediction results are presented and corroborate the feasibility of the approach. The proposed method outperforms both the first principles physical model and a comparable neural network model trained without the physics regularization proposed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google