[論文レビュー] Multi-Agent Spatial Predictive Control with Application to Drone Flocking (Extended Version)

Andreas Brandstätter, Scott A. Smolka+3 more|arXiv (Cornell University)|Mar 31, 2022

Advanced Control Systems Optimization被引用数 4

ひとこと要約

本論文は、空間的先読みと勾配ベースのコスト最小化を用い、位置情報に基づく低レベル制御系を備えたドローンを誘導する、分散型でモデルフリーの制御系である空間予測制御（SPC）を紹介する。SPCはシミュレーションおよび実機実験においてポテンシャルフィールド制御系（PFC）を上回り、プラントモデルを一切使用せず、位置情報のみを用いても、ノイズ、遅延、シミュレーションから実世界へのギャップに対して安定したフロックイングを維持する。

ABSTRACT

We introduce the novel concept of Spatial Predictive Control (SPC) to solve the following problem: given a collection of agents (e.g., drones) with positional low-level controllers (LLCs) and a mission-specific distributed cost function, how can a distributed controller achieve and maintain cost-function minimization without a plant model and only positional observations of the environment? Our fully distributed SPC controller is based strictly on the position of the agent itself and on those of its neighboring agents. This information is used in every time-step to compute the gradient of the cost function and to perform a spatial look-ahead to predict the best next target position for the LLC. Using a high-fidelity simulation environment, we show that SPC outperforms the most closely related class of controllers, Potential Field Controllers, on the drone flocking problem. We also show that SPC is able to cope with a potential sim-to-real transfer gap by demonstrating its performance on real hardware, namely our implementation of flocking using nine Crazyflie 2.1 drones.

研究の動機と目的

• プラントモデルや低レベル制御系（LLC）の内部パrameterにアクセスできない状況下で、位置情報に基づくコスト関数を最小化する分散型ハイレベル制御系を設計すること。
• 周囲のエージェントの位置情報のみを用いて、動的な環境下でもフロックイングの形成と障害物回避を維持する課題に対処すること。
• 正確な動的特性やモデル仮定に依存しないようにすることで、マルチエージェントドローン制御におけるシミュレーションから実世界への移行を強化すること。
• SPCが、ポテンシャルフィールド制御系（PFC）など既存手法よりも、非線形コスト関数において安定性、収束性、性能で優れていることを実証すること。
• 高精度なシミュレーションおよび実機実験を用い、9台のCrazyflie 2.1ドローンを用いた実世界のロボット工学ラボ環境でSPCを検証すること。

提案手法

• SPCは、各エージェントの現在位置におけるコスト関数の負の勾配を計算し、移動方向を決定する。
• 空間的先読みを実施する。最大先読み距離ε·Nの範囲内で、勾配方向に等間隔に配置されたN個の候補位置でコスト関数を評価する。
• コストが最小となる候補位置を選択し、その位置を位置情報ベースの低レベル制御系（LLC）の目標設定値（set-point）とする。
• フィードバックループで動作し、各タイムステップで現在の位置情報に基づいてコスト関数を再評価し、目標位置を更新する。
• SPCは完全に分散型である。各エージェントは自らの位置と周囲のエージェントの位置のみを用い、中央集権的制御やグローバル状態の必要がない。
• 複雑な予測やシステム同定を避けるために、局所的なコスト評価と勾配ベースの方向選択にのみ依存する。

実験結果

リサーチクエスチョン

• RQ1 プラントモデルやLLCの内部構造にアクセスできない状況下で、分散型制御系が位置情報に基づくコスト関数を最小化できるか？
• RQ2 非線形コスト関数の下で、SPCはポテンシャルフィールド制御系（PFC）と比較して安定性と性能に優れているか？
• RQ3 センシングノイズや通信遅延がある実世界のハードウェア環境でも、SPCは安定したフロックイングと障害物回避を維持できるか？
• RQ4 SPCはシミュレーションと実世界のデプロイメントの間でどの程度一般化できるか（シミュレーションから実世界への移行性）？
• RQ5 空間的先読みは、純粋な勾配降下法に比べて、マルチエージェント制御において性能を向上させるか？

主な発見

• シミュレーションでは、SPCは密接に関連するポテンシャルフィールド制御系（PFC）を上回り、特に非線形コスト関数の地形下で優れた安定性と振動の低減を示した。
• 実機実験では、9台のCrazyflie 2.1ドローンを用いて、静止時および移動中においても、コンactかつ衝突のないフロックイングを成功裏に維持した。
• ローカライゼーションシステムからのセンシングノイズや、位置情報および目標設定値データの無線伝送による通信遅延に対しても、SPCはロバストであることを示した。
• シミュレーションから実機への移行にあたっては、僅かなパrameter調整しか必要とせず、強いシミュレーションから実世界への移行性を示した。
• 実験結果のプロットではノイズによる粗さが見られたが、全体として一貫した性能を示し、安全なドローン間距離と良好なフォーメーション品質を長時間維持した。
• 物理的ドローンモデルやLLCパrameterの知識がなくても、実世界の埋め込み環境で効果的に機能することが実証された。