Robust, High-Rate Trajectory Tracking on Insect-Scale Soft-Actuated Aerial Robots with Deep-Learned Tube MPC

Auteurs: Andrea Tagliabue, Yi-Hsuan Hsiao, Urban Fasel, J. Nathan Kutz, Steven L. Brunton, YuFeng Chen, Jonathan P. How · ICRA 2023

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

Un réseau de neurones à deux couches entraîné à imiter une MPC robuste à tube, en cascade avec un contrôleur d'attitude adaptatif, fait voler un MAV à actionnement souple de 0,7 g à 2 kHz avec une RMSE de position inférieure à 1,8 cm.

Pourquoi c'est important

Il apporte un suivi de trajectoire de type MPC, tenant compte des contraintes et de l'incertitude, à un robot à l'échelle d'un insecte à 2 kHz sur un petit ordinateur déporté, ce que les auteurs voient comme une voie vers un déploiement embarqué. Une nouvelle politique s'entraîne en une minute environ, ce qui accélère le réglage du contrôleur.

Problème

Les MAVs à ailes battantes de moins d'un gramme présentent une grande incertitude de modèle, une dynamique très rapide et peu de capacité de calcul embarqué ; ils ont donc besoin d'une rétroaction robuste à haute fréquence qui respecte aussi les limites des actionneurs, comme la tension de claquage diélectrique des actionneurs souples. La MPC et la MPC robuste à tube gèrent contraintes et incertitude, mais sont trop coûteuses pour tourner à haute fréquence sur des plateformes contraintes, et les contrôleurs existants pour engins de moins d'un gramme ne tiennent pas explicitement compte de l'incertitude ni des contraintes d'actionnement.

Solution proposée

Un contrôleur en cascade : la boucle interne est un contrôleur d'attitude géométrique complété par un observateur de couple à filtre de Kalman en régime permanent, qui estime et annule les perturbations de couple lentement variables. La boucle externe est un réseau entièrement connecté (2 couches cachées de 32 neurones) entraîné à imiter une MPC robuste à tube de suivi de trajectoire avec un horizon de 1 s (N = 50) ; les données d'entraînement proviennent d'un simulateur haute fidélité, augmentées de 200 paires état–action supplémentaires par pas de temps, échantillonnées à l'intérieur du tube et étiquetées par le contrôleur auxiliaire du tube.

Idées clés

• Échantillonner des états supplémentaires à l'intérieur du tube robuste et les étiqueter avec le contrôleur auxiliaire permet à une politique entraînée en simulation sans perturbation de conserver la robustesse de la RTMPC.
• Utiliser les vitesses de roulis et de tangage comme entrées de la MPC évite des consignes d'attitude discontinues et permet une anticipation (feed-forward) de vitesse angulaire vers le contrôleur d'attitude.
• L'observateur de couple a détecté une perturbation dépendant de la position, provenant peut-être des câbles d'alimentation ou de la longe de sécurité ; sur le cercle, il a compensé des couples d'environ 30 % de l'autorité de couple maximale autour de l'axe x du corps.
• Grâce à sa faible inertie, le robot a réduit son accélération de 50 % en moins de 200 ms après chaque choc.

Principaux résultats

• Rampe selon les trois axes (tâche 1, 3 essais) : RMSE de position moyenne de 0,6 / 0,8 / 0,1 cm sur x / y / z, avec une erreur absolue maximale allant jusqu'à 1,6 cm sur x–y et 0,2 cm sur z.
• Cela représente une réduction de 60 % de l'erreur absolue maximale par rapport aux 4,0 cm sur x–y (et 0,5 cm sur z) rapportés par des travaux antérieurs sur SoftFly pour une tâche de vol stationnaire.
• Rampe avec des coups de bâton sur la longe de sécurité (tâche 2, 1 essai, accélérations supérieures à 0,25 g) : RMSE de 0,7 / 1,0 / 0,2 cm et erreur absolue maximale de 2,5 / 2,1 / 0,3 cm sur x / y / z.
• Cercle de 5,0 cm de rayon à 5,2 cm/s (tâche 3, 3 essais) : RMSE moyenne de 1,0 / 1,5 / 0,3 cm, RMSE du pire essai de 1,8 cm sur y, erreur absolue maximale allant jusqu'à 3,1 cm.
• La politique tourne à 2 kHz sur une Speedgoat Baseline Target Machine ; l'entraînement de chaque politique prend environ 1 minute (T = 350 pas) sur un Intel i9-10920 avec deux GPU RTX 3090.

Limites

• L'article ne comporte pas de section sur les limites ; il présente le déploiement embarqué comme une étape suivante, le contrôleur ayant tourné sur un ordinateur Speedgoat déporté, avec une capture de mouvement Vicon fournissant la position et l'attitude.
• La disposition des actionneurs ne peut pas produire de couple autour de l'axe z du corps, donc le lacet n'est pas commandé activement.
• Une politique distincte a été entraînée pour chaque type de trajectoire (rampe, cercle), et les paramètres du contrôleur ont été légèrement réglés pendant les expériences.
• Le modèle suppose l'absence de vent, le robot vole relié à des câbles d'alimentation, et les tests de perturbation se sont limités à des coups de bâton sur la longe de sécurité lors d'un seul essai.

Impact sur le domaine

Finaliste du prix ICRA 2023 Outstanding Dynamics and Control Paper, avec 7 citations. La copie sous licence ne renvoie ni au code, ni aux politiques entraînées, ni aux données.

Résumé

Le suivi de trajectoire précis et agile sur des micro-véhicules aériens (MAVs) de moins d'un gramme est difficile, car la petite taille du robot induit de grandes incertitudes de modèle, ce qui exige des contrôleurs à rétroaction robustes, tandis que la dynamique rapide et les contraintes de calcul empêchent le déploiement de stratégies coûteuses en calcul. Dans ce travail, nous présentons une approche de suivi de trajectoire agile et efficace en calcul sur le MIT SoftFly [1], un MAV de moins d'un gramme (0,7 gramme). Notre stratégie utilise un schéma de commande en cascade, dans lequel un contrôleur d'attitude adaptatif est combiné à une politique par réseau de neurones entraînée à imiter un contrôleur prédictif robuste à tube (RTMPC) de suivi de trajectoire. La politique par réseau de neurones est obtenue grâce à nos travaux récents [2], qui permettent à la politique de conserver la robustesse de la RTMPC pour une fraction de son coût de calcul. Nous évaluons notre approche expérimentalement : nous obtenons des erreurs quadratiques moyennes (RMSEs) de position inférieures à 1,8 cm même dans les manœuvres les plus difficiles, une réduction de 60 % de l'erreur de position maximale par rapport à [3], et démontrons une robustesse à de fortes perturbations extérieures.

Liens

• arXiv 2209.10007: https://arxiv.org/abs/2209.10007
• DOI 10.1109/ICRA48891.2023.10161510: https://doi.org/10.1109/ICRA48891.2023.10161510
• PDF: https://arxiv.org/pdf/2209.10007v1