Efficient Estimation of Relaxed Model Parameters for Robust UAV Trajectory Optimization

要約

オンラインの軌道最適化と最適な制御方法は、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重要です。
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す。これは、装備された機器、配信されるパッケージ、または基本的な構造およびスラスト関連のパラメーターの既存のばらつきが原因で発生する可能性があります。
この問題を回避するために、最適なコントローラーをパラメーター推定器とペアにして、軌道計画のパフォーマンスを改善し、適応制御を実行できます。
ただし、UAVプラットフォームは、オンボード処理能力の点で制限されており、多くの場合、非線形パラメーターの推定が考慮するのに計算的に費用がかかりすぎます。
これらの問題に対処するために、効率的な最適なパラメーター推定器とともに、リラックスした、アフラメーターマルチローターモデルを提案します。
非線形ダイナミクスでのアフィナインパラメーター緩和を介して、公称移動ホライズンパラメーター推定（MHPE）問題を線形二次形態（LQ-MHPE）に凸に導き、リアルタイムで適応モデル予測コントロール（MPC）を促進する高速二次プログラム（QPS）を実現します。
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器と比較し、それぞれ平均解決時間と軌道最適性コストの減少を示しています。

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