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

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

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

강건 튜브 MPC를 모방하도록 학습한 2층 신경망을 적응형 자세 제어기와 계단식으로 연결하여, 0.7 g의 소프트 구동 MAV를 2 kHz로 위치 RMSE 1.8 cm 미만으로 비행시킨다.

중요한 이유

제약과 불확실성을 고려하는 MPC 방식의 궤적 추종을 작은 외부 컴퓨터에서 2 kHz로 곤충 크기 로봇에 적용하며, 저자들은 이를 온보드 배치로 가는 길로 본다. 새로운 정책은 약 1분 만에 학습되므로 제어기 튜닝이 빨라진다.

문제

1그램 미만의 날갯짓 MAV는 모델 불확실성이 크고 동역학이 매우 빠르며 온보드 계산 능력이 거의 없으므로, 소프트 액추에이터의 절연 파괴 전압 같은 액추에이터 한계도 지키는 강건한 고속 피드백이 필요하다. MPC와 강건 튜브 MPC는 제약과 불확실성을 다루지만, 제약된 플랫폼에서 고속으로 실행하기에는 너무 비용이 크며, 기존 1그램 미만 제어기는 불확실성이나 구동 제약을 명시적으로 고려하지 않는다.

제안 방법

계단식 제어기다. 내부 루프는 천천히 변하는 토크 외란을 추정하고 상쇄하는 정상 상태 칼만 필터 토크 관측기로 보강한 기하학적 자세 제어기다. 외부 루프는 1 s 호라이즌(N = 50)의 궤적 추종 강건 튜브 MPC를 모방하도록 학습한 완전 연결 네트워크(뉴런 32개짜리 은닉층 2개)다. 학습 데이터는 고충실도 시뮬레이터에서 얻으며, 튜브 내부에서 샘플링하고 튜브의 보조 제어기로 레이블을 붙인 타임스텝당 200개의 추가 상태–행동 쌍으로 증강한다.

핵심 통찰

• 강건 튜브 내부에서 추가 상태를 샘플링하고 보조 제어기로 레이블을 붙이면, 외란 없는 시뮬레이션으로 학습한 정책이 RTMPC의 강건성을 유지할 수 있다.
• 롤 및 피치 각속도를 MPC 입력으로 사용하면 불연속적인 자세 명령을 피하고 자세 제어기에 각속도 피드포워드를 줄 수 있다.
• 토크 관측기는 위치에 따라 달라지는 외란을 포착했는데, 이는 전원 케이블이나 안전 테더에서 비롯되었을 수 있다. 원형 궤적에서 관측기는 몸체 x축 주위 최대 토크 권한의 약 30%에 해당하는 토크를 보상했다.
• 작은 관성 덕분에 로봇은 각 충격 후 200 ms 이내에 가속도를 50% 줄였다.

주요 결과

• 세 축 모두를 따르는 램프(과제 1, 3회 실행): x / y / z의 평균 위치 RMSE 0.6 / 0.8 / 0.1 cm, 최대 절대 오차는 x–y에서 최대 1.6 cm, z에서 0.2 cm.
• 이는 이전 SoftFly 연구가 호버링 과제에서 보고한 x–y 4.0 cm(z 0.5 cm) 대비 최대 절대 오차를 60% 줄인 것이다.
• 안전 테더를 막대로 찌르는 램프(과제 2, 1회 실행, 가속도 0.25 g 초과): x / y / z의 RMSE 0.7 / 1.0 / 0.2 cm, 최대 절대 오차 2.5 / 2.1 / 0.3 cm.
• 반지름 5.0 cm의 원을 5.2 cm/s로 비행(과제 3, 3회 실행): 평균 RMSE 1.0 / 1.5 / 0.3 cm, 최악 실행의 RMSE는 y에서 1.8 cm, 최대 절대 오차는 최대 3.1 cm.
• 정책은 Speedgoat Baseline Target Machine에서 2 kHz로 실행된다. 각 정책의 학습은 RTX 3090 GPU 두 개를 갖춘 Intel i9-10920에서 약 1분(T = 350 스텝)이 걸린다.

한계

• 논문에 한계 절이 없다. 제어기가 외부 Speedgoat 컴퓨터에서 실행되고 Vicon 모션 캡처가 위치와 자세를 제공했으므로, 온보드 배치를 다음 단계로 제시한다.
• 액추에이터 배치상 몸체 z축 주위 토크를 만들 수 없으므로 요(yaw)는 능동적으로 제어되지 않는다.
• 궤적 유형(램프, 원)마다 별도의 정책을 학습했으며, 실험 중 제어기 파라미터를 약간 튜닝했다.
• 모델은 바람이 없다고 가정하고, 로봇은 전원 테더를 단 채 비행하며, 외란 시험은 단 1회의 실행에서 안전 테더를 막대로 찌르는 것으로 한정되었다.

분야에 미친 영향

ICRA 2023 Outstanding Dynamics and Control Paper 상 최종 후보에 올랐으며, 인용 수는 7회다. 라이선스된 사본은 코드, 학습된 정책 또는 데이터를 링크하지 않는다.

초록

1그램 미만 초소형 비행체(MAV)에서 정확하고 민첩한 궤적 추종은 어렵다. 로봇의 작은 크기가 큰 모델 불확실성을 유발해 강건한 피드백 제어기가 필요한 반면, 빠른 동역학과 계산 제약 때문에 계산 비용이 큰 전략은 배치할 수 없기 때문이다. 이 연구에서 우리는 1그램 미만 MAV(0.7그램)인 MIT SoftFly [1]에서 민첩하고 계산 효율적인 궤적 추종을 위한 접근법을 제시한다. 우리의 전략은 적응형 자세 제어기를 궤적 추종 강건 튜브 모델 예측 제어기(RTMPC)를 모방하도록 학습한 신경망 정책과 결합하는 계단식 제어 구조를 사용한다. 신경망 정책은 우리의 최근 연구 [2]를 사용해 얻으며, 이를 통해 정책은 RTMPC의 강건성을 유지하면서도 계산 비용은 그 일부에 불과하다. 우리는 접근법을 실험적으로 평가하여, 더 어려운 기동에서도 위치 평균 제곱근 오차(RMSE)를 1.8 cm 미만으로 달성하고, [3] 대비 최대 위치 오차를 60% 줄였으며, 큰 외란에 대한 강건성을 입증했다.

링크

• 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