[論文レビュー] Deep Neural Networks for Improved, Impromptu Trajectory Tracking of Quadrotors

Qiyang Li, Jingxing Qian+4 more|arXiv (Cornell University)|Oct 20, 2016

Robotic Path Planning Algorithms被引用数 7

ひとこと要約

本論文では、周期的飛行データで学習された深層ニューラルネットワーク（DNN）を用いて、古典的フィードバック制御系の最適な参照入力を予測することで、マルチローターの軌道追従性能を向上させる手法を提案する。未来の望ましい状態を入力とすることで、未知のユーザーが描いた軌道に対して最大59.9％の追従誤差低減を達成し、一般化能力とリアルタイム適用可能性の両面で優れた性能を示した。

ABSTRACT

Trajectory tracking control for quadrotors is important for applications ranging from surveying and inspection, to film making. However, designing and tuning classical controllers, such as proportional-integral-derivative (PID) controllers, to achieve high tracking precision can be time-consuming and difficult, due to hidden dynamics and other non-idealities. The Deep Neural Network (DNN), with its superior capability of approximating abstract, nonlinear functions, proposes a novel approach for enhancing trajectory tracking control. This paper presents a DNN-based algorithm as an add-on module that improves the tracking performance of a classical feedback controller. Given a desired trajectory, the DNNs provide a tailored reference input to the controller based on their gained experience. The input aims to achieve a unity map between the desired and the output trajectory. The motivation for this work is an interactive "fly-as-you-draw" application, in which a user draws a trajectory on a mobile device, and a quadrotor instantly flies that trajectory with the DNN-enhanced control system. Experimental results demonstrate that the proposed approach improves the tracking precision for user-drawn trajectories after the DNNs are trained on selected periodic trajectories, suggesting the method's potential in real-world applications. Tracking errors are reduced by around 40-50% for both training and testing trajectories from users, highlighting the DNNs' capability of generalizing knowledge.

研究の動機と目的

• 非線形ダイナミクスやモデル化されていない影響のため、古典的制御系（例：PID）が困難をきたす実世界の応用において、マルチローターの軌道追従精度を向上させること。
• 適応処理を要せず、即座に高精度でユーザーが描いた軌道を追従可能とする、インタラクティブ飛行アプリケーションを支援すること。
• 任意のブラックボックスフィードバック制御系と連携可能な、計算効率が高く、安定的かつ一般化可能なDNNベースの制御拡張モジュールを開発すること。
• 周期的軌道で学習したDNNが、任意の未学習のユーザーが描いた軌道へ一般化できる能力を調査すること。

提案手法

• 周期的参照軌道からの飛行データを用いて、DNNをオフラインで学習し、現在および将来の望ましい状態から最適な参照入力をマッピングする能力を習得する。
• DNNは現在の望ましい軌道状態と、2つの将来の状態（例：0.6秒後および0.9秒後）を入力とすることで、システム遅延や非線形ダイナミクスを事前に予測可能となる。
• DNNの出力は、ベースラインフィードバック制御系の事前フィルタリングされた参照信号として使用され、制御系の内部構造を変更せずに性能向上を実現する。
• ユーザーがモバイルデバイス上で軌道を描くと即座にマルチローターが追従するインタラクティブな「描いたまま飛行」アプリケーションに本手法を実装した。
• 状態フィードバックを用いて性能を向上させ、DNNは現在の状態と将来の望ましい状態を入力とすることで、予測能力を強化した。
• DNNモデルは計算的に軽量であり、処理能力が限られた小型機器へのリアルタイム実装に適している。

実験結果

リサーチクエスチョン

• RQ1 周期的軌道で学習したDNNは、リアルタイムで未学習のユーザーが描いた軌道の追従性能を向上させることができるか？
• RQ2 DNNの入力に将来の望ましい状態を組み込むことで、追従性能が向上し、システム遅延や非線形性を補償できるか？
• RQ3 多様な軌道形状と速度において、DNNベースの参照学習手法が、ベースライン非線形制御系と比較してどの程度追従誤差を低減できるか？
• RQ4 内部設計を変更せずに既存のフィードバック制御系に本DNNベースの制御システムを追加適用した場合、安定的かつ有効に機能するか？

主な発見

• 状態フィードバックと将来の望ましい状態を組み合わせたDNNベースの手法は、ベースライン制御系と比較して、平均二乗誤差（RMS）を59.9％低減した。
• 30件のユーザーが描いた軌道と50秒分のトレーニング軌道セグメント全体で、平均してDNNは43％の追従性能向上を達成した。
• 速度にかかわらず一貫した誤差低減が実現され、状態フィードバックと将来の状態を組み合わせた場合、RMS誤差はそれぞれ35.6％および59.9％低減した。
• DNNは未学習の軌道、特に複雑で周期的でない形状（例：露光時間の長い写真における「DSL」という文字）に対しても効果的に一般化した。
• DNNモデルは、再学習や適応処理なしに、さまざまな速度と軌道プロファイルにおいても、性能を維持するという強靭性と安定性を示した。
• 本手法は計算効率が高く、処理能力が限られた小型プラットフォームでもリアルタイム動作が可能である。