Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms

要約

モデル予測制御 (MPC) は、高性能自律システムの組み込み制御における一般的なフレームワークとなっています。
ただし、MPC を使用して良好な制御パフォーマンスを達成するには、正確なダイナミクス モデルが重要です。
リアルタイム動作を維持するために、組み込みシステムで使用されるダイナミクス モデルは単純な第一原理モデルに限定されており、その代表的な能力が大幅に制限されています。
このような単純なモデルとは対照的に、機械学習アプローチ、特にニューラル ネットワークは、複雑な動的効果も正確にモデル化できることが示されていますが、計算の複雑さが大きいため、高速なリアルタイム反復ループとの組み合わせが妨げられました。
この研究では、大規模で複雑なニューラル ネットワーク アーキテクチャをモデル予測制御パイプライン内のダイナミクス モデルとして効率的に統合するフレームワークである Real-time Neural MPC を紹介します。
シミュレーションと俊敏性の高いクアローター プラットフォーム上の現実世界で実行された私たちの実験は、勾配ベースのオンライン最適化 MPC を使用して、以前は実行不可能だった大規模なモデリング能力で学習モデルを実行する、記載されたシステムの機能を実証します。
オンライン最適化 MPC におけるニューラル ネットワークの以前の実装と比較して、組み込みプラットフォーム上の 50Hz リアルタイム ウィンドウで 4000 倍を超えるパラメトリック容量のモデルを活用できます。
さらに、ニューラル ネットワーク ダイナミクスを使用しない最先端の MPC アプローチと比較して、位置追跡誤差を最大 82% 削減することで、現実世界の問題に対するフレームワークの実現可能性を示します。

要約(オリジナル)

Model Predictive Control (MPC) has become a popular framework in embedded control for high-performance autonomous systems. However, to achieve good control performance using MPC, an accurate dynamics model is key. To maintain real-time operation, the dynamics models used on embedded systems have been limited to simple first-principle models, which substantially limits their representative power. In contrast to such simple models, machine learning approaches, specifically neural networks, have been shown to accurately model even complex dynamic effects, but their large computational complexity hindered combination with fast real-time iteration loops. With this work, we present Real-time Neural MPC, a framework to efficiently integrate large, complex neural network architectures as dynamics models within a model-predictive control pipeline. Our experiments, performed in simulation and the real world onboard a highly agile quadrotor platform, demonstrate the capabilities of the described system to run learned models with, previously infeasible, large modeling capacity using gradient-based online optimization MPC. Compared to prior implementations of neural networks in online optimization MPC we can leverage models of over 4000 times larger parametric capacity in a 50Hz real-time window on an embedded platform. Further, we show the feasibility of our framework on real-world problems by reducing the positional tracking error by up to 82% when compared to state-of-the-art MPC approaches without neural network dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google