[論文レビュー] NeuroBEM: Hybrid Aerodynamic Quadrotor Model

Leonard Bauersfeld, Elia Kaufmann+3 more|Zurich Open Repository and Archive (University of Zurich)|Jun 15, 2021

Model Reduction and Neural Networks参考文献 39被引用数 5

ひとこと要約

本論文では、ブレード要素モーメント（BEM）理論とディープニューラルネットワークを組み合わせることで、高速かつ機敏なフライトにおける複雑な空力的効果を捉えるハイブリッドなマルチローター力学モデルであるNeuroBEMを提案する。飛行データから残留力および残留モーメントを学習することで、最先端の手法と比較して位置誤差のRMSEを50%以上低減し、訓練データを超える広範な一般化性能を達成し、前例のない高い精度を実現した。

ABSTRACT

Quadrotors are extremely agile, so much in fact, that classic first-principle-models come to their limits. Aerodynamic effects, while insignificant at low speeds, become the dominant model defect during high speeds or agile maneuvers. Accurate modeling is needed to design robust high-performance control systems and enable flying close to the platform's physical limits. We propose a hybrid approach fusing first principles and learning to model quadrotors and their aerodynamic effects with unprecedented accuracy. First principles fail to capture such aerodynamic effects, rendering traditional approaches inaccurate when used for simulation or controller tuning. Data-driven approaches try to capture aerodynamic effects with blackbox modeling, such as neural networks; however, they struggle to robustly generalize to arbitrary flight conditions. Our hybrid approach unifies and outperforms both first-principles blade-element theory and learned residual dynamics. It is evaluated in one of the world's largest motion-capture systems, using autonomous-quadrotor-flight data at speeds up to 65km/h. The resulting model captures the aerodynamic thrust, torques, and parasitic effects with astonishing accuracy, outperforming existing models with 50% reduced prediction errors, and shows strong generalization capabilities beyond the training set.

研究の動機と目的

• 急激なマルチローター飛行における高精度な空力的効果を捉えることが難しい第一原理モデルの限界を解消すること。
• 完全にデータ駆動のモデルがマルチローター力学において一般化性能が低く、データを大量に必要とするという欠点を克服すること。
• BEM理論の物理的整合性とニューラルネットワークの表現力の両方を活用し、正確で頑健かつ一般化可能な力学予測を実現するハイブリッドモデルを開発すること。
• 高価な実世界の試行錯誤に依存せずに、先進的な制御およびナビゲーションシステム開発に適した高精度なシミュレーションを可能にすること。

提案手法

• モデルは、モータースピードと機体状態からローターの力およびモーメントを計算する物理的パイプライン（BEM理論に基づく）を用いる。
• ディープニューラルネットワークは、過去の状態およびモーターコマンドのシーケンスを処理し、未モデル化された空力的相互作用を捉える残留力および残留モーメントを予測する。
• ニューラルネットワークは、大規模なモーションキャプチャシステムで収集した高速飛行データ上で訓練され、気流のような隠れた状態依存性を学習できる。
• 最終的な力およびモーメントは、BEMで予測された値とニューラルネットワークによる残留予測値の和として計算される。
• アーキテクチャは微分可能に設計されており、エンドツーエンドの訓練およびモデルベース制御パイプラインへの統合が可能である。
• モデルは、実世界の飛行データを用いたクローズドループシミュレーションで評価され、最高速度65 km/hの軌道を含む。

実験結果

リサーチクエスチョン

• RQ1 第一原理的空力モデルと学習された残留項を組み合わせたハイブリッドモデルは、純粋に物理的または純粋にデータ駆動のモデルよりも、高速マルチローター力学予測において優れているか？
• RQ2 このようなハイブリッドモデルは、訓練データを超える未観測の飛行状態や軌道に対して、どの程度一般化性能を示すか？
• RQ3 物理的事前知識（BEM）を組み込むことで、学習された力学モデルのデータ効率性と頑健性はどの程度向上するか？
• RQ4 学習された残留項は、BEMでモデル化されていない複雑な空力的相互作用（例：ローター座標系効果、ローター間干渉）をどの程度正確に捉えられるか？
• RQ5 物理ベースのモデリングとディープラーニングの統合は、より安定で信頼性の高い制御システム設計を可能にするか？

主な発見

• NeuroBEMモデルは、最先端のモデルと比較して、シミュレーションにおける位置誤差RMSEを50%以上低減し、0.3 m未満の誤差を達成した。
• モデルは訓練データセットをはるかに超えて強く一般化しており、未観測の高速飛行軌道において、純粋なBEMおよび完全に学習ベースのアプローチを上回った。
• 4 m/sを超える軌道では、純粋にデータ駆動のベースラインと比較して、ハイブリッドモデルが25%の性能向上を示した。
• モデルは、推力の飽和、モーメントの結合、寄生力といった複雑な空力的効果を高い精度で捉えている。
• BEMを事前知識として用いることで、データ効率が著しく向上し、完全に学習されたモデルで見られたフィードバックループによるクラッシュを引き起こす不安定性を防止した。
• 制御パイプラインの改善（例：MPCコントローラーの使用、通信遅延のモデル化）により、さらなるシミュレーション誤差低減が可能であり、実世界への展開に大きな可能性を示している。