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

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

라이선스

• 오픈 액세스
• 논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

위치와 속도에만 의존하는 하강기류 잔차가 쿼드로터 2대의 동역학을 평탄하게 유지하므로, 저비용 평탄성 제어기가 약 20배 적은 풀이 시간으로 NMPC의 추종 성능에 필적한다.

중요한 이유

하강기류 보상이 선형 제어 방법으로 튜닝할 수 있는 고전적인 평탄성 기반 제어기 안에서의 작은 네트워크 평가 몇 번으로 바뀐다. 하드웨어에서 학습 데이터는 30초 미만이 필요했고 5 ms 루프 주기로 실행되었으며, 이는 소형 기체와 연산이 제한된 비행 스택에 적합하다.

문제

쿼드로터가 가까이 붙어 비행하면 위쪽 기체의 하강기류가 아래쪽 기체를 경로에서 밀어내 충돌을 일으킬 수 있다. 비행 데이터로 학습한 잔차 모델은 이러한 효과를 포착하지만, 일반적인 학습 모델을 제어기에 넣으려면 대개 비선형 MPC가 필요하며, 이는 계산량이 많고 모델 복잡도에 따라 잘 확장되지 않는다.

제안 방법

잔차 힘과 토크는 팀의 결합 위치와 속도에만 의존하도록 제한되며, 저자들은 이것이 다중 쿼드로터 시스템의 미분 평탄성을 유지함을 보인다. 잔차는 물리 기반 축소 차수 하강기류 모델에 회전 등변 특징(수직 및 반경 방향 간격)을 입력으로 하는 작은 신경망을 더한 것으로, 지식 기반 신경 ODE로 학습된다. 그런 다음 캐스케이드 피드백 선형화 제어기가 잔차와 그 야코비안을 사용해 피드포워드 추력 및 자세 보상을 수행한다.

핵심 통찰

• 학습된 잔차를 팀의 위치와 속도로만 제한하면 미분 평탄성이 유지되므로, 추력, 자세, 각속도를 여전히 작은 보정과 함께 평탄 출력으로부터 복원할 수 있다
• 물리 기반 축소 차수 하강기류 모델에 작은 네트워크를 더한 방식은 잔차만 학습하는 것보다 일반화가 더 잘 되며, 특히 결합이 가장 강한 근접 간격에서 그렇다
• 회전 등변 특징(국소 유동 좌표계에서의 수직 및 반경 방향 간격)은 네트워크를 매우 작게 유지한다. 시뮬레이션에서는 뉴런 9개의 은닉층 하나, 하드웨어에서는 뉴런 4개이다
• 동일한 학습된 잔차는 추가 데이터 수집이나 재학습 없이 표준 SE(3) 기하 제어기도 개선한다

주요 결과

• 하드웨어: 전체 방법(Learned-FBL)은 물리 모델만 쓰는 ROM-FBL 제어기 대비 RMSE를 추가로 29%, 최대 수직 오차를 43% 줄였으며, ROM-FBL 자체도 공칭 제어기보다 RMSE에서 24%, 최대 수직 오차에서 30% 우수했다
• 하드웨어: Learned-FBL은 60회 실행(경우당 5회 반복)에서 평균 RMSE 5 cm, 최대 수직 오차 10 cm에 도달하여, KNODE-DW MPC 베이스라인의 보고된 성능과 일치했다
• 같은 잔차를 쓴 NMPC와의 시뮬레이션 비교: 0.3 m 간격에서 평균 풀이 시간 0.99 ms 대 27.6 ms, 0.5 m에서 1.3 ms 대 26.2 ms이며, 3D RMSE는 비슷했다(0.016 m 대 0.020 m 및 0.018 m)
• Learned-SE(3)와 ROM-SE(3)는 공칭 SE(3) 제어기 대비 하드웨어 RMSE를 각각 43.7%와 34% 줄였다
• 잔차는 실제 비행 데이터 28초(6,720개 점)로 학습되었다. Crazyflie 2대가 0.4 m 높이의 창문을 통과하기 위해 1.1 m 적층 상태에서 0.1 m 수직 간격으로 합류했다

한계

• 저자는 평탄성 보존 잔차의 구조적 가정(위치와 속도에만 의존)을 완화하는 것을 향후 과제로 제시한다
• 실험은 쿼드로터 2대로 이루어진 팀만 다룬다. 실험 규모를 키우는 것은 향후 과제로 남겨 두었다
• 하드웨어에서 제어기는 추력과 각속도 명령을 출력하므로 잔차 힘만 보상되고 잔차 토크는 온보드 PID 루프에 맡겨진다
• 0.5 m 간격에서 학습 모델의 각가속도 오차는 물리 모델 단독보다 약간 나빴으며, 저자는 이를 근접 데이터에 대한 경미한 과적합 탓으로 본다. 시뮬레이션에서는 NMPC가 더 낮은 최대 수직 오차도 유지했다
• 하드웨어 테스트는 온보드 센싱이나 연산이 아니라 Vicon 모션 캡처와 명령을 계산하는 외부 노트북을 사용했다

분야에 미친 영향

IROS 2026 Best Paper / Best Student Paper Award 최종 후보이다. 논문은 평탄성 보존 잔차 학습을 밀집 쿼드로터 편대 비행에 적용한 최초의 하드웨어 사례라고 보고한다. 논문에는 코드나 프로젝트 페이지가 명시되어 있지 않다.

초록

밀집 편대로 비행하는 쿼드로터는 하강기류(downwash)와 같은 난류성 공기역학적 상호작용의 심각한 영향을 받으며, 이를 모델링하지 않으면 치명적인 충돌이 일어날 수 있다. 이러한 효과를 보상하기 위해 우리는 복잡한 공기역학적 상호작용을 포착하면서도 결합된 다중 쿼드로터 시스템이 미분 평탄성을 유지하도록 보장하는 물리 정보 기반 잔차 동역학 학습 프레임워크를 제안한다. 우리는 이렇게 유지된 평탄성을 활용하여, 선형 제어 기법으로 쉽게 튜닝할 수 있고 피드포워드 보상을 통해 공기역학적 외란을 상쇄하는 계산 효율적인 피드백 선형화 제어기를 설계한다. 하드웨어 실험은 우리의 프레임워크가 공칭 베이스라인 대비 평균 추종 오차를 31% 줄임을 보여 준다. 결정적으로, 우리의 경량 접근 방식은 최첨단 비선형 모델 예측 제어(NMPC)의 추종 성능에 필적하면서도 연산량은 한 자릿수(order of magnitude) 적게 요구한다. 우리는 30초 미만의 학습 데이터와 5ms 루프 주기로 안정적인 밀집 편대 비행을 달성할 수 있음을 처음으로 보여 주며, 연산이 제한된 비행 스택에서 고충실도 공기역학 보상을 가능하게 한다.

링크

• arXiv 2607.12275: https://arxiv.org/abs/2607.12275
• DOI 10.48550/arXiv.2607.12275: https://doi.org/10.48550/arXiv.2607.12275
• PDF: https://arxiv.org/pdf/2607.12275v1