[논문 리뷰] Multi-Agent Spatial Predictive Control with Application to Drone Flocking (Extended Version)

Andreas Brandstätter, Scott A. Smolka외 3명|arXiv (Cornell University)|2022. 03. 31.

Advanced Control Systems Optimization인용 수 4

한 줄 요약

이 논문은 위치 기반 저수준 제어기를 갖춘 드론을 안정적으로 군집화시키기 위해 공간적 앞서보기와 기울기 기반 비용 최소화를 사용하는 분산형, 모델 기반 제어기인 공간 예측 제어(SPC)를 소개한다. SPC는 시뮬레이션 및 하드웨어 실험에서 잠재력장 제어기(Potential Field Controllers)를 능가하며, 식별된 식물 모델 없이 위치 관측만으로도 노이즈, 지연, 시뮬레이션에서 실제 환경으로의 전이 갭에 대해 강건성을 유지한다.

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.

연구 동기 및 목표

• 식별된 식물 모델 또는 저수준 제어기(LLL) 내부 파rameter에 접근할 수 없음에도 불구하고, 위치 기반 저수준 제어기를 갖춘 에이전트를 위한 분산형 고수준 제어기를 설계하여 위치 기반 비용 함수를 최소화하는 것.
• 이웃 에이전트의 위치 관측만을 사용하여 동적 환경에서 군집 형성 유지 및 장애물 회피 문제를 해결하는 것.
• 정밀한 동역학 모델이나 가정에 의존하지 않도록 하여 다중 에이전트 드론 제어의 강력한 시뮬레이션에서 실제 환경으로의 전이를 가능하게 하는 것.
• 기존 방법, 예를 들어 잠재력장 제어기(PFCs)에 비해 안정성, 수렴성 및 비선형 비용 함수에서의 성능 면에서 SPC가 뛰어나다는 것을 입증하는 것.
• 고정밀 시뮬레이션과 실제 하드웨어 실험을 통해 9台의 Crazyflie 2.1 드론을 사용하여 실제 로봇 실험실 환경에서 SPC를 검증하는 것.

제안 방법

• SPC는 각 에이전트의 현재 위치에서 비용 함수의 음의 기울기를 계산하여 이동 방향을 결정한다.
• 최대 앞서보기 거리 ε·N 내에서 기울기 방향으로 균일하게 간격을 두고 N개의 후보 위치를 평가함으로써 공간적 앞서보기 기능을 수행한다.
• 후보 위치 중 비용이 가장 낮은 위치를 선택하여 저수준 제어기의 목표 설정점으로 삼는다.
• 제어기는 피드백 루프로 작동하며, 매 시간 단위마다 현재 위치 관측을 기반으로 비용을 재평가하고 목표 위치를 갱신한다.
• SPC는 완전히 분산형이다: 각 에이전트는 자신의 위치와 이웃의 위치만을 사용하며, 중앙 집중식 조율 또는 전역 상태가 필요하지 않다.
• 복잡한 예측이나 시스템 식별을 피하기 위해 지역적 비용 평가와 기울기 기반 방향 선택에만 의존한다.

실험 결과

연구 질문

• RQ1 식별된 식물 모델나 LLC 내부 정보에 접근할 수 없음에도 불구하고 분산형 제어기가 위치 기반 비용 함수를 최소화할 수 있는가?
• RQ2 비선형 비용 함수에서 SPC는 잠재력장 제어기(PFCs)와 비교해 안정성과 성능 면에서 어떻게 다른가?
• RQ3 측정 노이즈와 통신 지연이 존재하는 실제 하드웨어 환경에서도 SPC는 안정적인 군집 형성과 장애물 회피를 유지할 수 있는가?
• RQ4 SPC는 시뮬레이션과 실제 환경 간 전이에서 얼마나 일반화되는가?
• RQ5 순수 기울기 강하보다 공간적 앞서보기 기능이 다중 에이전트 제어에서 성능 향상에 기여하는가?

주요 결과

• 시뮬레이션에서 SPC는 밀접하게 관련된 잠재력장 제어기(PFC) 접근 방식을 능가하여, 비선형 비용 함수 경관이 존재할 경우 특히 더 뛰어난 안정성과 진동 감소를 보였다.
• 실제 하드웨어 실험에서 9대의 Crazyflie 2.1 드론을 사용하여 SPC는 목표 위치로 이동하면서도 안정된 충돌 없는 군집을 유지했다.
• 정위치 시스템에서 유래한 측정 노이즈와 라디오 전송에 의한 위치 및 목표 설정점 데이터의 통신 지연에 대해 SPC가 강건성을 보였다.
• 시뮬레이션에서 실제 하드웨어로 SPC 제어기를 전이할 때는 소량의 파rameter 조정만으로도 충분했으며, 이는 강력한 시뮬레이션-실제 전이 가능성(robust sim-to-real transferability)을 시사한다.
• 노이즈로 인한 불규칙성은 있었지만 실험 그래프를 통해 시간이 지남에 따라 안전한 드론 간 거리와 높은 군집 형성 품질 지표를 유지함을 확인했다.
• 물리적 드론 모델이나 LLC 파rameter에 대한 지식 없이도 효과적인 군집 제어를 달성하였으며, 실제 임베디드 환경에서도 유능한 성능을 보였다.