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

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

Licenze

Open access
Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

Una rete neurale a due strati addestrata a imitare un MPC robusto a tubo, in cascata con un controllore d'assetto adattivo, fa volare un MAV da 0,7 g ad attuazione soft a 2 kHz con un RMSE di posizione inferiore a 1,8 cm.

Perché è importante

Porta un inseguimento della traiettoria di tipo MPC, consapevole dei vincoli e dell'incertezza, su un robot in scala d'insetto a 2 kHz su un piccolo computer esterno, cosa che gli autori vedono come un percorso verso l'impiego a bordo. Una nuova policy si addestra in circa un minuto, il che velocizza la taratura del controllore.

Problema

I MAV ad ali battenti di peso inferiore al grammo hanno una grande incertezza di modello, una dinamica molto rapida e poca capacità di calcolo a bordo, quindi necessitano di una retroazione robusta e ad alta frequenza che rispetti anche i limiti degli attuatori, come la tensione di rottura dielettrica degli attuatori soft. L'MPC e l'MPC robusto a tubo gestiscono vincoli e incertezza, ma sono troppo costosi da eseguire ad alta frequenza su piattaforme con risorse limitate, e i controllori esistenti per veicoli sotto il grammo non tengono conto esplicitamente dell'incertezza né dei vincoli di attuazione.

Soluzione proposta

Un controllore in cascata: l'anello interno è un controllore d'assetto geometrico arricchito con un osservatore di coppia basato su un filtro di Kalman a regime che stima e cancella i disturbi di coppia a variazione lenta. L'anello esterno è una rete completamente connessa (2 strati nascosti da 32 neuroni) addestrata a imitare un MPC robusto a tubo per l'inseguimento della traiettoria con un orizzonte di 1 s (N = 50); i dati di addestramento provengono da un simulatore ad alta fedeltà, arricchiti con 200 coppie stato–azione aggiuntive per passo temporale campionate all'interno del tubo ed etichettate dal controllore ancillare del tubo.

Idee chiave

Campionare stati aggiuntivi all'interno del tubo robusto ed etichettarli con il controllore ancillare consente a una policy addestrata in simulazione senza disturbi di mantenere la robustezza dell'RTMPC.
Usare le velocità di rollio e beccheggio come ingressi dell'MPC evita comandi d'assetto discontinui e permette un feed-forward di velocità angolare verso il controllore d'assetto.
L'osservatore di coppia ha rilevato un disturbo dipendente dalla posizione, forse dovuto ai cavi di alimentazione o al cavo di sicurezza; sul cerchio ha compensato coppie pari a circa il 30 % della capacità massima di coppia attorno all'asse x del corpo.
Grazie alla sua piccola inerzia, il robot ha ridotto la propria accelerazione del 50 % in meno di 200 ms dopo ogni impatto.

Risultati principali

Rampa lungo tutti e tre gli assi (Compito 1, 3 prove): RMSE medio di posizione di 0,6 / 0,8 / 0,1 cm su x / y / z, con errore assoluto massimo fino a 1,6 cm su x–y e 0,2 cm su z.
Si tratta di una riduzione del 60 % dell'errore assoluto massimo rispetto ai 4,0 cm su x–y (e 0,5 cm su z) riportati in un precedente lavoro su SoftFly per un compito di volo stazionario.
Rampa con colpi di bastone sul cavo di sicurezza (Compito 2, 1 prova, accelerazioni superiori a 0,25 g): RMSE di 0,7 / 1,0 / 0,2 cm ed errore assoluto massimo di 2,5 / 2,1 / 0,3 cm su x / y / z.
Cerchio di 5,0 cm di raggio a 5,2 cm/s (Compito 3, 3 prove): RMSE medio di 1,0 / 1,5 / 0,3 cm, RMSE della prova peggiore di 1,8 cm su y, errore assoluto massimo fino a 3,1 cm.
La policy gira a 2 kHz su una Speedgoat Baseline Target Machine; l'addestramento di ciascuna policy richiede circa 1 minuto (T = 350 passi) su un Intel i9-10920 con due GPU RTX 3090.

Limiti

L'articolo non ha una sezione sui limiti; presenta l'impiego a bordo come passo successivo, poiché il controllore girava su un computer Speedgoat esterno con un sistema di motion capture Vicon che forniva posizione e assetto.
La disposizione degli attuatori non può produrre coppia attorno all'asse z del corpo, quindi l'imbardata non è controllata attivamente.
È stata addestrata una policy separata per ciascun tipo di traiettoria (rampa, cerchio), e i parametri del controllore sono stati leggermente ritoccati durante gli esperimenti.
Il modello presuppone assenza di vento, il robot vola collegato a cavi di alimentazione e le prove di disturbo si sono limitate a colpi di bastone sul cavo di sicurezza in una sola prova.

Impatto sul settore

Finalista dell'ICRA 2023 Outstanding Dynamics and Control Paper award, con 7 citazioni. La copia con licenza non rimanda a codice, policy addestrate o dati.

Abstract

Un inseguimento della traiettoria accurato e agile nei microveicoli aerei (Micro Aerial Vehicles, MAVs) di peso inferiore al grammo è difficile, poiché la piccola scala del robot induce grandi incertezze di modello, richiedendo controllori in retroazione robusti, mentre la dinamica rapida e i vincoli computazionali impediscono l'impiego di strategie computazionalmente costose. In questo lavoro presentiamo un approccio per un inseguimento della traiettoria agile ed efficiente dal punto di vista computazionale sul MIT SoftFly [1], un MAV di peso inferiore al grammo (0,7 grammi). La nostra strategia impiega uno schema di controllo in cascata, in cui un controllore d'assetto adattivo è combinato con una policy a rete neurale addestrata a imitare un controllore predittivo basato su modello robusto a tubo (RTMPC) per l'inseguimento della traiettoria. La policy a rete neurale è ottenuta con un nostro lavoro recente [2], che consente alla policy di preservare la robustezza dell'RTMPC, ma con una frazione del suo costo computazionale. Valutiamo sperimentalmente il nostro approccio, ottenendo errori quadratici medi (Root Mean Square Errors, RMSEs) di posizione inferiori a 1,8 cm anche nelle manovre più impegnative, una riduzione del 60 % dell'errore massimo di posizione rispetto a [3], e dimostrando robustezza a grandi disturbi esterni.

Link

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