Online Learning and Control for Data-Augmented Quadrotor Model

要約

変化する状況に適応する能力は、成功する自律システムの重要な特徴です。
この作業では、トレーニング データを必要とせずに、オンラインでクアローター空気抵抗モデルを識別するために再帰ガウス プロセス (RGP) を使用します。
特定された抗力モデルは、クアローターのダイナミクスの物理ベースのモデルを拡張します。これにより、変化する条件への適応能力が向上し、より正確なクアローターの状態予測が可能になります。
このデータ拡張された物理ベースのモデルは、適切に修正されたモデル予測制御 (MPC) アルゴリズムを使用して、正確なクアローター軌道追跡に利用されます。
提案されたモデリングおよび制御アプローチは、Gazebo シミュレーターを使用して評価され、提案されたアプローチは、拡張されていない (純粋に物理ベースの) モデルを使用した MPC と比較して、より高い精度で目的の軌道を追跡することが示されています。

要約(オリジナル)

The ability to adapt to changing conditions is a key feature of a successful autonomous system. In this work, we use the Recursive Gaussian Processes (RGP) for identification of the quadrotor air drag model online, without the need of training data. The identified drag model then augments a physics-based model of the quadrotor dynamics, which allows more accurate quadrotor state prediction with increased ability to adapt to changing conditions. This data-augmented physics-based model is utilized for precise quadrotor trajectory tracking using the suitably modified Model Predictive Control (MPC) algorithm. The proposed modelling and control approach is evaluated using the Gazebo simulator and it is shown that the proposed approach tracks a desired trajectory with a higher accuracy compared to the MPC with the non-augmented (purely physics-based) model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google