Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight

Autoren: Pei-An Hsieh, Fengjun Yang, Nikolai Matni, M. Ani Hsieh · IROS 2026

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Ein Downwash-Residual, das nur von Positionen und Geschwindigkeiten abhängt, hält die Dynamik zweier Quadrokopter flach, sodass ein günstiger Flachheitsregler die NMPC-Trajektorienfolge mit etwa 20x weniger Lösungszeit erreicht.

Warum es wichtig ist

Die Downwash-Kompensation wird zu wenigen kleinen Netzauswertungen innerhalb eines klassischen flachheitsbasierten Reglers, der sich mit linearen Regelungsmethoden abstimmen lässt. Auf Hardware benötigte sie weniger als 30 Sekunden Trainingsdaten und lief mit einer Schleifenrate von 5 ms, was zu kleinen Fluggeräten und rechenbeschränkten Flugsoftware-Stacks passt.

Problem

Wenn Quadrokopter dicht beieinander fliegen, drückt der Downwash des oberen Fluggeräts das untere von seiner Bahn und kann Kollisionen verursachen. Aus Flugdaten gelernte Residualmodelle erfassen diese Effekte, doch die Einbindung eines allgemeinen gelernten Modells in den Regler erfordert meist nichtlineare MPC, die rechenintensiv ist und mit der Modellkomplexität schlecht skaliert.

Lösungsansatz

Residualkraft und -moment werden so beschränkt, dass sie nur von den gemeinsamen Positionen und Geschwindigkeiten des Teams abhängen, was nach Darstellung der Autoren das Multi-Quadrokopter-System differentiell flach hält. Das Residual ist ein physikbasiertes Downwash-Modell reduzierter Ordnung plus ein kleines neuronales Netz auf rotationsäquivarianten Merkmalen (vertikaler und radialer Abstand), trainiert mit wissensbasierten neuronalen ODEs. Ein kaskadierter Regler mit Feedback-Linearisierung nutzt dann das Residual und seine Jacobi-Matrix für die Vorsteuerung von Schub und Lage.

Wichtigste Erkenntnisse

Die Beschränkung des gelernten Residuals auf die Positionen und Geschwindigkeiten des Teams erhält die differentielle Flachheit, sodass Schub, Lage und Winkelgeschwindigkeit weiterhin mit kleinen Korrekturen aus den flachen Ausgängen rekonstruiert werden können
Ein physikbasiertes Downwash-Modell reduzierter Ordnung plus ein kleines Netz generalisiert besser als das alleinige Lernen des Residuals, besonders bei geringem Abstand, wo die Kopplung am stärksten ist
Rotationsäquivariante Merkmale (vertikaler und radialer Abstand in einem lokalen Strömungskoordinatensystem) halten das Netz winzig: eine verdeckte Schicht mit neun Neuronen in der Simulation, vier Neuronen auf Hardware
Dasselbe gelernte Residual verbessert auch einen standardmäßigen geometrischen SE(3)-Regler ohne zusätzliche Datenerhebung oder erneutes Training

Hauptergebnisse

Hardware: Die vollständige Methode (Learned-FBL) senkte den RMSE um weitere 29 % und den maximalen vertikalen Fehler um 43 % gegenüber dem rein physikbasierten ROM-FBL-Regler, der selbst den nominalen Regler um 24 % im RMSE und 30 % im maximalen vertikalen Fehler übertraf
Hardware: Learned-FBL erreichte über 60 Läufe (fünf Wiederholungen pro Fall) einen mittleren RMSE von 5 cm und einen maximalen vertikalen Fehler von 10 cm, entsprechend der berichteten Leistung der KNODE-DW-MPC-Baseline
Simulation gegenüber NMPC mit demselben Residual: 0,99 ms gegenüber 27,6 ms mittlerer Lösungszeit bei 0,3 m Abstand und 1,3 ms gegenüber 26,2 ms bei 0,5 m, bei ähnlichem 3D-RMSE (0,016 m gegenüber 0,020 m und 0,018 m)
Learned-SE(3) und ROM-SE(3) senkten den Hardware-RMSE gegenüber dem nominalen SE(3)-Regler um 43,7 % bzw. 34 %
Residual trainiert auf 28 s (6.720 Punkte) realer Flugdaten; zwei Crazyflies gingen von einer 1,1 m hohen Stapelung auf 0,1 m vertikalen Abstand zusammen, um ein 0,4 m hohes Fenster zu passieren

Einschränkungen

Die Autoren nennen als künftige Arbeit, die strukturellen Annahmen des flachheitserhaltenden Residuals (Abhängigkeit nur von Positionen und Geschwindigkeiten) zu lockern
Die Experimente umfassen nur Teams aus zwei Quadrokoptern; die Skalierung der Experimente bleibt künftiger Arbeit überlassen
Auf Hardware gibt der Regler Schub- und Winkelgeschwindigkeitsbefehle aus, sodass nur Residualkräfte kompensiert werden und Residualmomente der PID-Schleife an Bord überlassen bleiben
Bei 0,5 m Abstand war der Winkelbeschleunigungsfehler des gelernten Modells etwas schlechter als der des Physikmodells allein, was die Autoren auf leichtes Overfitting an Daten aus großer Nähe zurückführen; NMPC hielt in der Simulation zudem einen niedrigeren maximalen vertikalen Fehler
Die Hardwaretests verwendeten Vicon-Motion-Capture und einen externen Laptop zur Befehlsberechnung, keine Sensorik oder Rechenleistung an Bord

Wirkung auf das Fachgebiet

Finalist für den IROS 2026 Best Paper / Best Student Paper Award. Das Paper berichtet über die erste Hardware-Anwendung von flachheitserhaltendem Residuallernen auf den Formationsflug eng fliegender Quadrokopter. Im Paper sind weder Code noch Projektseite angegeben.

Zusammenfassung

Quadrokopter, die in engen Formationen fliegen, werden stark von turbulenten aerodynamischen Wechselwirkungen wie Downwash beeinträchtigt, die ohne Modellierung zu katastrophalen Kollisionen führen können. Um diese Effekte zu kompensieren, schlagen wir ein physikinformiertes Framework zum Lernen der Residualdynamik vor, das komplexe aerodynamische Wechselwirkungen erfasst und zugleich sicherstellt, dass das gemeinsame Multi-Quadrokopter-System differentiell flach bleibt. Wir nutzen diese erhaltene Flachheit, um einen recheneffizienten Regler mit Feedback-Linearisierung zu entwerfen, der sich mit linearen Regelungstechniken leicht abstimmen lässt und aerodynamische Störungen über eine Vorsteuerung kompensiert. Hardware-Experimente zeigen, dass unser Framework die mittleren Folgefehler gegenüber nominalen Baselines um 31 % reduziert. Entscheidend ist, dass unser leichtgewichtiger Ansatz die Folgeleistung der modernsten nichtlinearen modellprädiktiven Regelung (NMPC) erreicht und dabei eine Größenordnung weniger Rechenaufwand benötigt. Wir zeigen als Erste, dass stabiler Flug in enger Formation mit weniger als 30 Sekunden Trainingsdaten und einer Schleifenrate von 5ms erreicht werden kann, was eine hochgenaue aerodynamische Kompensation für rechenbeschränkte Flugsoftware-Stacks ermöglicht.

Open Source Robotics