A Data-Driven Autopilot for Fixed-Wing Aircraft Based on Model Predictive Control

要約

固定翼航空機のオートパイロットは通常、風洞試験から得られた安定性と制御微分値で構成される線形化された空力モデルに基づいて設計されます。
結果として得られるローカル コントローラーは、ゲイン スケジューリングを使用して結合されます。
空気力学がモデル化されていないアプリケーションに対して、本論文では予測コスト適応制御 (PCAC) に基づく自動操縦を提案します。
モデル予測制御の間接的な適応制御の拡張として、PCAC はオンライン閉ループ システム識別に可変レート忘却を伴う再帰的最小二乗法 (RLS) を使用します。
各タイム ステップで、RLS ベースのシステム同定は、次数がユーザーによって指定されたハイパーパラメーターである入出力モデルの係数を更新します。
MPC の場合、後退地平線の最適化は、後方伝播リカッチ方程式または二次計画法のいずれかによって実行できます。
この論文では、空力モデリングやオフライン/事前のデータ収集を使用せずに、固定翼航空機の PCAC のパフォーマンスを調査します。

要約(オリジナル)

Autopilots for fixed-wing aircraft are typically designed based on linearized aerodynamic models consisting of stability and control derivatives obtained from wind-tunnel testing. The resulting local controllers are then pieced together using gain scheduling. For applications in which the aerodynamics are unmodeled, the present paper proposes an autopilot based on predictive cost adaptive control (PCAC). As an indirect adaptive control extension of model predictive control, PCAC uses recursive least squares (RLS) with variable-rate forgetting for online, closed-loop system identification. At each time step, RLS-based system identification updates the coefficients of an input-output model whose order is a hyperparameter specified by the user. For MPC, the receding-horizon optimization can be performed by either the backward-propagating Riccati equation or quadratic programming. The present paper investigates the performance of PCAC for fixed-wing aircraft without the use of any aerodynamic modeling or offline/prior data collection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google