Tiny Learning-Based MPC for Multirotors: Solver-Aware Learning for Efficient Embedded Predictive Control

要約

小型航空ロボットは、環境監視や捜索救助などの用途に有望ですが、限られたコンピューティング能力と複雑なダイナミクスのため、制御において課題に直面しています。
モデル予測制御 (MPC) は、機敏な軌道追跡を実現し、制約を処理できます。
ガウス プロセス (GP) MPC などの現在の学習ベースの MPC 手法は、残差ダイナミクスを学習することで制御パフォーマンスを向上させますが、計算量が多く、小型ロボットへのオンボード アプリケーションは制限されます。
この論文では、リソースに制約のあるマイクロ マルチコプター プラットフォーム用の新しいフレームワークである Tiny Learning-Based Model Predictive Control (LB MPC) を紹介します。
マルチローターダイナミクスの構造を利用し、効率的なソルバーを開発することにより、私たちのアプローチは、Teensy 4.0 マイクロコントローラーを備えた Crazyflie 2.1 で 100 Hz での高速制御を可能にします。
私たちは、既存の組み込み MPC 手法と比べて追跡パフォーマンスが平均 23% 向上していることを実証し、小型マルチローター (53 g) 上で学習ベースの MPC を初めてオンボード実装することを実現しました。

要約(オリジナル)

Tiny aerial robots show promise for applications like environmental monitoring and search-and-rescue but face challenges in control due to their limited computing power and complex dynamics. Model Predictive Control (MPC) can achieve agile trajectory tracking and handle constraints. Although current learning-based MPC methods, such as Gaussian Process (GP) MPC, improve control performance by learning residual dynamics, they are computationally demanding, limiting their onboard application on tiny robots. This paper introduces Tiny Learning-Based Model Predictive Control (LB MPC), a novel framework for resource-constrained micro multirotor platforms. By exploiting multirotor dynamics’ structure and developing an efficient solver, our approach enables high-rate control at 100 Hz on a Crazyflie 2.1 with a Teensy 4.0 microcontroller. We demonstrate a 23\% average improvement in tracking performance over existing embedded MPC methods, achieving the first onboard implementation of learning-based MPC on a tiny multirotor (53 g).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google