Efficient Estimation of Relaxed Model Parameters for Robust UAV Trajectory Optimization

要約

オンライン軌道の最適化と最適な制御方法は、利用可能な作動とエネルギーが限られている農業、環境監視、輸送などの持続可能な無人航空機 (UAV) サービスを可能にするために不可欠です。
ただし、最適なコントローラーはモデルの不一致に非常に敏感であり、負荷がかかる機器、配送されるパッケージ、または基本的な構造パラメータや推力関連パラメータの既存の変動によって発生する可能性があります。
この問題を回避するには、最適コントローラーをパラメーター推定器と組み合わせて、軌道計画のパフォーマンスを向上させ、適応制御を実行します。
ただし、UAV プラットフォームはオンボードの処理能力の点で制限があり、多くの場合、非線形パラメーターの推定は計算コストが高すぎて検討できません。
これらの問題に対処するために、効率的な最適パラメータ推定器とともに、緩和されたパラメータ内アフィン マルチローター モデルを提案します。
名目上の移動水平パラメータ推定 (MHPE) 問題を、非線形ダイナミクスにおけるパラメータ内アフィン緩和を介して線形二次形式 (LQ-MHPE) に凸化し、その結果、適応モデル予測制御を容易にする高速二次プログラム (QP) が得られます。
(MPC) リアルタイムで。
このアプローチをモンテカルロ シミュレーションの同等の非線形推定量と比較し、平均解決時間と軌道最適性コストがそれぞれ 98.2% と 23.9 ～ 56.2% 減少することを実証しました。

要約(オリジナル)

Online trajectory optimization and optimal control methods are crucial for enabling sustainable unmanned aerial vehicle (UAV) services, such as agriculture, environmental monitoring, and transportation, where available actuation and energy are limited. However, optimal controllers are highly sensitive to model mismatch, which can occur due to loaded equipment, packages to be delivered, or pre-existing variability in fundamental structural and thrust-related parameters. To circumvent this problem, optimal controllers can be paired with parameter estimators to improve their trajectory planning performance and perform adaptive control. However, UAV platforms are limited in terms of onboard processing power, oftentimes making nonlinear parameter estimation too computationally expensive to consider. To address these issues, we propose a relaxed, affine-in-parameters multirotor model along with an efficient optimal parameter estimator. We convexify the nominal Moving Horizon Parameter Estimation (MHPE) problem into a linear-quadratic form (LQ-MHPE) via an affine-in-parameter relaxation on the nonlinear dynamics, resulting in fast quadratic programs (QPs) that facilitate adaptive Model Predictve Control (MPC) in real time. We compare this approach to the equivalent nonlinear estimator in Monte Carlo simulations, demonstrating a decrease in average solve time and trajectory optimality cost by 98.2% and 23.9-56.2%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google