[논문 리뷰] Neural-Swarm: Decentralized Close-Proximity Multirotor Control Using Learned Interactions

Guanya Shi, Wolfgang Hönig외 2명|arXiv (Cornell University)|2020. 03. 06.

Aerospace and Aviation Technology참고 문헌 29인용 수 5

한 줄 요약

Neural-Swarm는 정규화된, 순열에 불변인 딥 네URAL 네트워크(DNN)를 사용하여 여러 퀸티콥터 간의 복잡한 기체역학적 상호작용(예: 하향류)을 모델링하는 분산형, 학습 기반 제어기를 제안한다. 비선형 추적 제어기에 DNN가 예측한 상호작용력을 피드포워드 항으로 통합함으로써, 기준 제어기 대비 최악의 고도 추적 오차를 최대 4배까지 감소시키며, 훈련에 사용된 크기보다 큰 군집 크기로도 효과적으로 일반화된다.

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.

연구 동기 및 목표

• 기존 제어기가 하향류와 같은 모델링되지 않은 기체역학적 상호작용으로 인해 실패하는 다중 퀸티콥터 군집의 정밀한 밀접 비행 문제를 해결한다.
• 큰 안전 거리를 요구하는 기존 방법의 한계를 극복하기 위해 고차원, 다중 기체 기체역학적 상호작용을 모델링한다.
• 다른 기체의 상대 위치와 속도만을 입력으로 사용하는 계산 효율적이고 완전히 분산된 제어기를 개발한다.
• 훈련에 사용된 크기보다 큰 군집 크기로도 학습된 상호작용 모델의 일반화를 가능하게 한다. 특히 4–5대의 기체 형성에 대해 적용 가능하다.
• 저비용 32비트 마이크로컨트롤러에서 실시간으로 안정적이고 고정밀의 궤도 추적 성능을 달성한다.

제안 방법

• 정규화된, 순열에 불변인 딥 네URAL 네트워크(DNN)를 훈련하여, 명시적 자유공간 동역학 모델이 포괄하지 못하는 잔여 기체역학적 상호작용력을 예측한다.
• 다른 기체의 상대 위치와 속도를 DNN의 입력으로 사용함으로써 완전히 분산된 계산을 가능하게 한다.
• 예측된 상호작용력을 비선형 추적 제어기에 피드포워드 항으로 통합하여 궤도 추적 성능을 향상시킨다.
• 깊은 세트(Deep Sets) 아키텍처를 활용하여 순열 불변성을 확보함으로써, 이웃 수의 변화나 새로운 형성에 대한 일반화를 가능하게 한다.
• 스펙트럼 정규화를 적용하여 리프시츠 연속성을 강제함으로써 안정성 보장을 확보하고, 분포 외 테스트 케이스에 대한 일반화 성능을 향상시킨다.
• 소규모 군집(2–3대)의 비행 데이터로 DNN를 훈련하고, 재훈련 없이도 더 큰 군집(4–5대)으로의 일반화를 검증한다.

실험 결과

연구 질문

• RQ1 2대 이상의 다중 퀸티콥터가 밀접한 거리에서 상호작용할 때, 딥 네URAL 네트워크가 복잡한 고차원 기체역학적 상호작용을 효과적으로 모델링할 수 있는가?
• RQ2 다른 기체의 상대 상태만을 사용하는 분산 제어기가 고밀도 형성에서 안정적이고 정밀한 궤도 추적을 달성할 수 있는가?
• RQ3 스펙트럼 정규화와 딥 세트의 적용이 상호작용 모델의 일반화 성능을 새로운 군집 크기와 구성에 대해 향상시키는가?
• RQ4 기본 제어기에서 상호작용 보정 기능을 제거한 경우에 비해, 학습된 상호작용 모델이 추적 오차를 얼마나 줄일 수 있는가?
• RQ5 2–3대의 군집에서만 훈련된 제어기가 4–5대의 더 큰 군집으로 일반화될 수 있는가?

주요 결과

• 제안된 Neural-Swarm 제어기는 기준 비선형 추적 제어기 대비 최악의 고도 추적 오차를 최대 4배까지 감소시킨다.
• 32비트 마이크로컨트롤러에서 실시간으로 안정적인 성능을 달성하여, Crazyflie 2.0과 같은 저비용 플랫폼에의 배치를 가능하게 한다.
• DNN 기반 상호작용 모델은 큰 군집으로의 일반화가 잘 된다: 2–3대 데이터로만 훈련된 모델도 4–5대 기체 작업에서 뛰어난 성능 유지를 보인다.
• 비행 실험 결과, 모델은 복잡한 비초과성 상호작용력(예: 속도에 의존하는 효과, 이변수 모델이 포괄하지 못하는 강한 상향류 영역)을 정확히 예측한다.
• 4대 기체 스위칭 작업에서 예측된 상호작용력($f_{a,z}$)은 고정밀 측정값과 매우 유사하게 일치하며, 고출력 포화 조건에서도 정확하다.
• 모델은 이동 중인 이웃 기체에 의한 비정적, 동적 상호작용을 포착하며, 정적 하향류 효과를 넘어서 상대 속도에 민감한 반응을 보임을 입증한다.