Tiny Learning-Based MPC for Multirotors: Solver-Aware Learning for Efficient Embedded Predictive Control

要約

小型の空中ロボットは、環境モニタリングや捜索救助などの用途に有望であるが、その限られた計算能力と複雑なダイナミクスにより、制御上の課題に直面している。モデル予測制御（MPC）は、機敏な軌道追跡を実現し、制約を扱うことができる。ガウス過程(GP)MPCのような現在の学習ベースのMPC手法は、残差ダイナミクスを学習することで制御性能を向上させるが、計算量が多く、小型ロボットへの搭載には限界がある。本論文では、リソースに制約のある超小型マルチロータープラットフォームのための新しいフレームワークであるタイニー学習ベースモデル予測制御（LB MPC）を紹介する。マルチローターダイナミクスの構造を利用し、効率的なソルバーを開発することで、我々のアプローチは、Teensy 4.0マイクロコントローラーを搭載したCrazyflie 2.1で100Hzの高速制御を可能にする。既存の組み込みMPC手法と比較して、平均23%のトラッキング性能の向上を実証し、小型マルチローター（53g）上で学習ベースMPCの初のオンボード実装を達成した。

要約(オリジナル)

Tiny aerial robots show promise for applications like environmental monitoring and search-and-rescue but face challenges in control due to their limited computing power and complex dynamics. Model Predictive Control (MPC) can achieve agile trajectory tracking and handle constraints. Although current learning-based MPC methods, such as Gaussian Process (GP) MPC, improve control performance by learning residual dynamics, they are computationally demanding, limiting their onboard application on tiny robots. This paper introduces Tiny Learning-Based Model Predictive Control (LB MPC), a novel framework for resource-constrained micro multirotor platforms. By exploiting multirotor dynamics’ structure and developing an efficient solver, our approach enables high-rate control at 100 Hz on a Crazyflie 2.1 with a Teensy 4.0 microcontroller. We demonstrate a 23% average improvement in tracking performance over existing embedded MPC methods, achieving the first onboard implementation of learning-based MPC on a tiny multirotor (53 g).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL