[논문 리뷰] Deep Neural Networks for Improved, Impromptu Trajectory Tracking of Quadrotors

Qiyang Li, Jingxing Qian외 4명|arXiv (Cornell University)|2016. 10. 20.

Robotic Path Planning Algorithms인용 수 7

한 줄 요약

이 논문은 고전적 피드백 제어기의 최적 입력을 예측함으로써 다중로터의 궤적 추적 성능을 향상시키기 위해 딥 신경망(DNN) 기반의 기준 신호 학습 방법을 제안한다. 주기적인 비행 데이터로 훈련하고 향후 원하는 상태를 입력으로 사용함으로써, DNN은 사용자가 그린 새로운 궤적에 대해 최대 59.9%까지 추적 오차를 감소시키며, 실시간 적용 가능성과 강건한 일반화 능력을 입증한다.

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.

연구 동기 및 목표

• 비선형 역학과 모델링되지 않은 영향으로 인해 고전적 제어기(예: PID)가 어려움을 겪는 실제 응용 분야에서 다중로터의 궤적 추적 정밀도를 향상시키기 위해.
• 적응 조정 없이 즉각적인 고정밀도의 사용자 그림 궤적 추적을 가능하게 하여 상호작용 비행 응용을 지원하기 위해.
• 모든 블랙박스 피드백 제어기와 호환되는 계산적으로 효율적이고 안정적이며 일반화 가능한 DNN 기반 제어 보조 모듈을 개발하기 위해.
• 주기적인 궤적에서 훈련된 DNN의 일반화 능력이 임의의 새로운 사용자 그림 궤적에 적용되었을 때 어떻게 작용하는지 조사하기 위해.

제안 방법

• 주기적인 기준 궤적 비행 데이터를 사용하여 오프라인으로 DNN를 훈련하여 현재 및 향후 원하는 상태에서 최적의 기준 입력으로의 매핑을 학습한다.
• DNN는 현재 원하는 궤적 상태와 두 개의 향후 원하는 상태(예: 0.6초 및 0.9초 후)를 입력으로 받아 시스템 지연과 비선형 역학을 예측할 수 있도록 한다.
• DNN의 출력은 기본 피드백 제어기에 사전 필터링된 기준 신호로 사용되어 제어기의 내부 구조를 변경하지 않고도 성능을 향상시킨다.
• 사용자가 모바일 기기에서 궤적을 그림으로 입력하는 상호작용형 '그림을 그리며 비행' 응용 프로그램에 이 방법을 구현하여, 다중로터가 즉각적으로 DNN 기반 기준 신호를 사용해 그 궤적을 따라간다.
• 성능 향상을 위해 상태 피드백을 사용하고, DNN는 현재 상태와 향후 원하는 상태를 함께 입력하여 예측 능력을 향상시킨다.
• DNN 모델은 계산적으로 경량이며, 제한된 처리 능력을 가진 소형 차량에서도 실시간 구동에 적합하다.

실험 결과

연구 질문

• RQ1 주기적인 궤적에서 훈련된 DNN가 실시간으로 다양한 사용자 그림 궤적의 추적 성능 향상에 일반화될 수 있는가?
• RQ2 DNN 입력에 향후 원하는 상태를 포함시키면 시스템 지연과 비선형성 보완에 어떻게 기여하고 추적 성능가 향상되는가?
• RQ3 다양한 궤적 형태와 속도에서 기준 비선형 제어기 대비 DNN 기반 기준 학습 방법이 추적 오차를 얼마나 줄일 수 있는가?
• RQ4 기존 피드백 제어기의 내부 설계를 변경하지 않고도 DNN 기반 제어 시스템이 안정적이고 효과적으로 작동하는가?

주요 결과

• 상태 피드백과 향후 원하는 상태를 사용할 경우, DNN 기반 방법은 기준 제어기 대비 루트 평균 제곱(RMS) 추적 오차를 59.9% 감소시켰다.
• 30개의 사용자 그림 궤적과 훈련 궤적의 50초 분할 구간에서 평균적으로 DNN는 추적 성능을 43% 향상시켰다.
• 다양한 속도에서 일관된 오차 감소를 달성했으며, 상태 피드백과 향후 상태를 사용할 경우 각각 RMS 기준으로 35.6%와 59.9%의 향상이 있었다.
• DNN는 복잡하고 비주기적인 형태(예: 장시간 노출 촬영에서의 'DSL' 문자)를 포함한 새로운 궤적에도 효과적으로 일반화되었다.
• DNN 모델은 다양한 속도와 궤적 프로파일에서도 재훈련 없이도 안정성과 성능 유지 능력을 보였다.
• 이 방법은 계산적으로 효율적이며, 제한된 계산 자원을 가진 소형 플랫폼에서도 실시간 운영이 가능했다.