Neural-Augmented Incremental Nonlinear Dynamic Inversion for Quadrotors with Payload Adaptation

要約

マルチローターアプリケーションの複雑さの増加により、ロボットに作用するすべての力を確実に予測できる、より正確なフライトコントローラーが必要になりました。
従来のフライトコントローラーは、力の大部分をモデル化しますが、いわゆる残留力を考慮しないでください。
この理由は、残差力を正確に計算することが計算上高価である可能性があることです。
インクリメンタル非線形動的反転（INDI）は、これらの残留力を推定するために、異なるセンサー測定値間の違いを計算する方法です。
INDIの主な問題は、非常に騒がしい特別なセンサー測定に依存していることです。
また、最近の研究では、学習ベースの方法を使用して残留力を予測できることも示されています。
この作業では、学習アルゴリズムが追加のセンサー測定を必要とせずに、よりスムーズなバージョンのINDI出力を予測できることを実証します。
さらに、学習ベースの予測とINDIを組み合わせた新しい方法を紹介します。
また、2つのアプローチを適応させて、スラングタイプのペイロードを運ぶ四角体で作業します。
結果は、ニューラルネットワークを使用して残留力を予測することで、ニューラルネットワークとインディの組み合わせを使用すると、各方法よりもさらに良い結果が得られる可能性があることを示しています。

要約(オリジナル)

The increasing complexity of multirotor applications has led to the need of more accurate flight controllers that can reliably predict all forces acting on the robot. Traditional flight controllers model a large part of the forces but do not take so called residual forces into account. A reason for this is that accurately computing the residual forces can be computationally expensive. Incremental Nonlinear Dynamic Inversion (INDI) is a method that computes the difference between different sensor measurements in order to estimate these residual forces. The main issue with INDI is it’s reliance on special sensor measurements which can be very noisy. Recent work has also shown that residual forces can be predicted using learning-based methods. In this work, we demonstrate that a learning algorithm can predict a smoother version of INDI outputs without requiring additional sensor measurements. In addition, we introduce a new method that combines learning based predictions with INDI. We also adapt the two approaches to work on quadrotors carrying a slung-type payload. The results show that using a neural network to predict residual forces can outperform INDI while using the combination of neural network and INDI can yield even better results than each method individually.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google