[논문 리뷰] Generic Evolving Self-Organizing Neuro-Fuzzy Control of Bio-inspired Unmanned Aerial Vehicles

Md Meftahul Ferdaus, Mahardhika Pratama외 3명|arXiv (Cornell University)|2018. 02. 02.

Adaptive Dynamic Programming Control참고 문헌 65인용 수 5

한 줄 요약

이 논문은 생물학적으로 영감을 받은 무인 항공기(UAV)를 위한 새로운 모델 프리, 자기조직화 및 진화형 신경 퍼지 제어기인 Generic-controller(G-controller)를 제안한다. 슬라이딩 모드 제어(SMC) 이론과 Generic Evolving Neuro-Fuzzy Inference System(GENEFIS)를 통합함으로써 G-controller는 사전 지식 없이 온라인에서 퍼지 규칙을 동적으로 구축하고 제거하며, 르아프노프 안정성 보장과 불확실성 및 바람 돌기력에 대한 강건성을 확보한다. 이는 BIFW MAV 및 헥사코pter 시뮬레이션을 통해 검증되었다.

ABSTRACT

At recent times, with the incremental demand of the fully autonomous system, a huge research interest is observed in learning machine based intelligent, self-organizing, and evolving controller. In this work, a new evolving and self-organizing controller namely Generic-controller, G-controller, is proposed. The G-controller that works in the fully online mode with very minor expert domain knowledge is developed by incorporating the sliding model control, SMC, theory based learning algorithm with an advanced incremental learning machine namely Generic Evolving Neuro-Fuzzy Inference System , GENEFIS. The controller starts operating from scratch with an empty set of fuzzy rules, and therefore, no offline training is required. To cope with the plant vulnerable behavior, the controller can add, or prune the rules on demand. Control law and adaptation laws for the consequents are derived from the SMC algorithm to establish a stable closed-loop system, where the stability of the G-controller is guaranteed using the Lyapunov function. The uniform asymptotic convergence of tracking error to zero is witnessed through the implication of an auxiliary robustifying control term. In addition, the implementation of the multivariate Gaussian function helps the controller to handle the non-axis parallel data from the plant and consequently enhances the robustness against the uncertainties and environmental perturbations. Finally, the controller performance has been evaluated by observing the tracking performance in controlling simulated plants of unmanned aerial vehicle namely bio-inspired flapping wing micro air vehicle BIFW MAV and hexacopter for a variety of trajectories.

연구 동기 및 목표

• 정확한 제1원리 모델에 의존하지 않고도 고비선형성, 과다구동성 및 불확실성을 갖는 생물학적으로 영감을 받은 UAV를 제어하는 데 도전하는 것.
• 고정된 구조를 갖는 신경 퍼지 및 퍼지 신경망 제어기의 한계를 극복하여 변화하는 동역학이나 시스템 불확실성에 적응할 수 없음을 해결하는 것.
• 사전 지식 최소화 및 오프라인 훈련 없이도 완전히 온라인에서 작동하며, 구조를 처음부터 스스로 진화시키는 제어기를 개발하는 것.
• SMC 이론과 多변량 가우시안 함수를 통합하여 환경적 요란함(예: 바람 돌기력)과 시스템 불확실성에 대한 강건성을 확보하는 것.
• 복잡하고 동적인 UAV 비행 시나리오에서 전통적인 PID 및 T-S 퍼지 제어기와 비교해 뛰어난 추적 성능을 입증하는 것.

제안 방법

• G-controller는 Generic Evolving Neuro-Fuzzy Inference System(GENEFIS) 기반의 진화형 신경 퍼지 시스템으로, 온라인 데이터로부터 점진적으로 학습한다.
• 슬라이딩 모드 제어(SMC) 이론을 통합하여 결과 매개변수에 대한 제어 및 적응 법칙을 유도하며, 르아프노프 함수 분석을 통해 닫힌 루프 안정성을 확보한다.
• 외부 교란에 비해 추적 오차가 0으로 균일하게 점점 수렴하도록 보장하기 위해 보조 강건화 제어 항목을 구현한다.
• 축에 평행하지 않은 데이터를 모델링하기 위해 다변량 가우시안 함수를 사용하여 입력 불확실성과 비선형성에 대한 강건성을 향상시킨다.
• 오차 지표와 시스템 성능에 기반한 온라인 규칙 생성 및 제거를 가능하게 하여 사전에 규칙 수를 정의하지 않고도 구조적 진화를 허용한다.
• 자율 UAV 플랫폼에 직접 하드웨어 배포가 가능한 C 언어로 제어기를 설계하여 실시간 실행 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 오프라인 훈련이나 전문가가 정의한 규칙 수가 없이도 온라인에서 자기조직화되고 진화하는 모델 프리, 자기조직화 신경 퍼지 제어기를 개발할 수 있는가?
• RQ2 SMC 기반 적응 법칙의 통합이 시스템 불확실성과 외부 교란 하에서 신경 퍼지 제어기의 강건성과 안정성에 어떻게 기여하는가?
• RQ3 다변량 가우시안 함수의 사용이 비축에 평행하지 않은 데이터를 처리하고 비선형 UAV 동역학에서 성능을 향상시키는 데 얼마나 기여하는가?
• RQ4 생물학적으로 영감을 받은 다중로터 UAV에서 다양한 복잡한 궤적에 대해 제안된 G-controller가 전통적인 PID 및 T-S 퍼지 제어기와 비교해 추적 성능에서 얼마나 뛰어나게 나타나는가?
• RQ5 바람 돌기력과 같은 외부 교란 하에서도 르아프노프 분석과 시뮬레이션을 통해 안정성과 정확한 추적을 유지할 수 있는가?

주요 결과

• 보조 강건화 제어 항목의 포함로 인해 추적 오차가 균일하게 점점 0으로 수렴하며, 교란 하에서도 안정성이 보장된다.
• BIFW MAV 및 헥사코프터 시뮬레이션에서 G-controller는 PID 및 T-S 퍼지 제어기보다 뛰어난 성능을 보였으며, 사인파 추적 시 RMSE 값은 최소 0.0356, 맞춤형 파동 함수 추적 시 0.1026을 기록했다.
• 스텝 함수 고도 추적 시 BIFW MAV에서 G-controller는 상승 시간 0.824초, 정착 시간 4.1초를 기록했으며, 동일 조건에서 PID 제어기(상승 시간: 3.43초, 정착 시간: 22.6초)보다 뚜렷이 뛰어난 성능을 보였다.
• BIFW MAV 플랜트에서 바람 돌기력에 대한 강건성을 입증하였으며, 외부 교란에도 정확한 궤적 추적을 유지했다.
• GRAT+와 다변량 가우시안 함수로 강화된 G-controller의 자기진화 메커니즘은 기존의 진화형 퍼지 시스템보다 더 빠른 규칙 적응과 더 낮은 계산 비용을 제공했다.
• 비행 시뮬레이션 동안 G-controller는 실시간으로 퍼지 규칙을 구축하고 제거했으며, 다양한 궤적(예: 스텝, 맞춤형, 피치, 롤)에서 규칙 생성 과정을 시각화하여 구조적 적응 가능성 확인.