[論文レビュー] Neural-Swarm: Decentralized Close-Proximity Multirotor Control Using Learned Interactions

Guanya Shi, Wolfgang Hönig+2 more|arXiv (Cornell University)|Mar 6, 2020

Aerospace and Aviation Technology参考文献 29被引用数 5

ひとこと要約

Neural-Swarmは、正則化され、置換不変性を持つ深層ニューラルネットワーク（DNN）を用いて、複数のクアッドコpter間の複雑な空気力学的相互作用（例：ダウンワッシュ）をモデル化することで、分散型で学習ベースのコントローラーを提案する。非線形トラッキングコントローラーにDNNで予測された相互作用力をフィードフォワード項として組み込むことで、ベースラインコントローラーと比較して最大4倍まで悪化する高さトラッキング誤差を低減し、より大きなスワームサイズにも一般化可能である。

ABSTRACT

In this paper, we present Neural-Swarm, a nonlinear decentralized stable controller for close-proximity flight of multirotor swarms. Close-proximity control is challenging due to the complex aerodynamic interaction effects between multirotors, such as downwash from higher vehicles to lower ones. Conventional methods often fail to properly capture these interaction effects, resulting in controllers that must maintain large safety distances between vehicles, and thus are not capable of close-proximity flight. Our approach combines a nominal dynamics model with a regularized permutation-invariant Deep Neural Network (DNN) that accurately learns the high-order multi-vehicle interactions. We design a stable nonlinear tracking controller using the learned model. Experimental results demonstrate that the proposed controller significantly outperforms a baseline nonlinear tracking controller with up to four times smaller worst-case height tracking errors. We also empirically demonstrate the ability of our learned model to generalize to larger swarm sizes.

研究の動機と目的

• ダウンワッシュなどのモデル化されていない空気力学的相互作用のため、従来のコントローラーが失敗するような、多機体スワームにおける高精度な近接飛行の課題に対処すること。
• 大規模な安全距離に依存する既存手法の限界を克服し、高次元で複数の機体が関与する空気力学的相互作用をモデル化すること。
• 隣接機体の相対的位置と速度のみを入力として使用する、計算効率的で完全に分散型のコントローラーを開発すること。
• トレーニング時に使用されたスワームサイズよりも大きなスワームサイズ（4〜5機体）に、学習済みの相互作用モデルを一般化できること。
• 低価格の32ビットマイコン上でリアルタイムに安定した高精度な軌道追従を達成すること。

提案手法

• 名目的な自由空間動力学モデルで捉えきれない残差空気力学的相互作用力を予測するため、スペクトル正規化を施した置換不変性を持つ深層ニューラルネットワーク（DNN）を訓練する。
• 隣接するマルチローターの相対的位置と速度をDNNの入力として使用し、完全に分散型の計算を可能にする。
• 予測された相互作用力を非線形トラッキングコントローラーにフィードフォワード項として統合し、軌道追従性を向上させる。
• 一般化を可能にするために、ディープセットアーキテクチャを活用し、隣接機体数の変動や新しいフォーメーションに対応する。
• 安定性の保証と分布外テストケースへの一般化の向上を図るため、スペクトル正規化を適用してリプシッツ連続性を強制する。
• DNNを小規模スワーム（2〜3機体）の飛行データで訓練し、再トレーニングなしに大規模スワーム（4〜5機体）への一般化を検証する。

実験結果

リサーチクエスチョン

• RQ1 2台を超えるマルチコプターが近接して飛行する際の複雑で高次元の空気力学的相互作用を、深層ニューラルネットワークが効果的にモデル化できるか？
• RQ2 隣接機体の状態のみを入力として使用する分散型コントローラーが、密集したフォーメーションでも安定的かつ高精度な軌道追従を達成できるか？
• RQ3 スペクトル正規化とディープセットの活用により、未観測のスワームサイズや構成に対する相互作用モデルの一般化が向上するか？
• RQ4 相互作用補償なしのベースラインコントローラーと比較して、学習済みの相互作用モデルがトラッキング誤差をどの程度低減できるか？
• RQ5 2〜3機体でのみトレーニングしたコントローラーが、4〜5機体のスワームに一般化可能か？

主な発見

• 提案されたNeural-Swarmコントローラーは、ベースライン非線形トラッキングコントローラーと比較して、最悪ケースの高さトラッキング誤差を最大4倍まで低減した。
• コントローラーは32ビットマイコン上で安定したリアルタイム性能を達成し、Crazyflie 2.0のような低価格プラットフォームへのデプロイを可能にした。
• DNNベースの相互作用モデルは、大規模スワームへも良好に一般化された：2〜3機体のデータでのトレーニングのみで、4〜5機体のタスクでも高い性能を維持した。
• 飛行実験では、非可換な相互作用力（例：速度依存効果、ペairワイズモデルで捉えきれない強いアップドラフト領域）を正確に予測できた。
• 4機体のスワップタスクにおいて、予測された相互作用力（例：$f_{a,z}$）は、高推力飽和状態下でも真値測定値とよく一致した。
• モデルは非定常的で動的な相互作用（移動する隣接機体に起因するもの）を捉えており、静的なダウンワッシュ効果を超えた相対速度への感受性を示した。