[논문 리뷰] Neural-Swarm2: Planning and Control of Heterogeneous Multirotor Swarms using Learned Interactions

Guanya Shi, Wolfgang Hönig외 3명|arXiv (Cornell University)|2020. 12. 10.

Robotic Path Planning Algorithms참고 문헌 45인용 수 5

한 줄 요약

Neural-Swarm2는 스펙트럴 정규화를 적용한 새로운 이종 딥 세트 아키텍처를 사용하여 비행기구 간의 기계적 상호작용력을 학습함으로써 이종 다중 로터 기구 군집의 안전하고 고밀도의 근접 비행을 가능하게 한다. 이 방법은 추적 정확도를 최대 3배 향상시키며, 24cm 이하의 수직 거리에서도 안정적인 제어를 가능하게 하여 상호작용력을 忽시하는 기존 기준 제어기보다 뛰어난 성능을 발휘한다.

ABSTRACT

We present Neural-Swarm2, a learning-based method for motion planning and control that allows heterogeneous multirotors in a swarm to safely fly in close proximity. Such operation for drones is challenging due to complex aerodynamic interaction forces, such as downwash generated by nearby drones and ground effect. Conventional planning and control methods neglect capturing these interaction forces, resulting in sparse swarm configuration during flight. Our approach combines a physics-based nominal dynamics model with learned Deep Neural Networks (DNNs) with strong Lipschitz properties. We make use of two techniques to accurately predict the aerodynamic interactions between heterogeneous multirotors: i) spectral normalization for stability and generalization guarantees of unseen data and ii) heterogeneous deep sets for supporting any number of heterogeneous neighbors in a permutation-invariant manner without reducing expressiveness. The learned residual dynamics benefit both the proposed interaction-aware multi-robot motion planning and the nonlinear tracking control design because the learned interaction forces reduce the modelling errors. Experimental results demonstrate that Neural-Swarm2 is able to generalize to larger swarms beyond training cases and significantly outperforms a baseline nonlinear tracking controller with up to three times reduction in worst-case tracking errors.

연구 동기 및 목표

• 자유공간 모델이 포착하지 못하는 강하류, 지면 효과 등의 모델링되지 않은 기계적 상호작용력을 고려하여 이종 다중 로터 기구 군집의 안전하고 고밀도의 근접 비행을 가능하게 한다.
• 다른 드론 간의 힘을 정확히 모델링하지 못해 보수적인 안전 마진을 필요로 하는 전통적인 모델 기반 계획 및 제어의 한계를 극복한다.
• 표현력 손실 없이 다양한 수의 이종 이웃 드론에 대해 일반화 가능한 확장 가능한 분산 학습 프레임워크를 개발한다.
• 학습된 상호작용력을 운동 계획 및 비선형 추적 제어에 통합하여 궤적 정확도와 안정성을 향상시킨다.
• 현장 제어 응용을 위한 실시간 상호작용력 예측이 저비용 32비트 마이크로컨트롤러에서 가능함을 입증한다.

제안 방법

• 자유공간 모델이 포착하지 못한 잔여 기계적 상호작용력을 예측하는 딥 신경망(DNN)을 물리기반의 명시적 동역학 모델에 통합한다.
• 이종 딥 세트를 도입하여 서로 다른 다중 로터 유형 간의 상호작용을 이웃의 상대적 위치와 속도를 사용해 인코딩하는 순열 불변 DNN 아키텍처를 설계한다.
• DNN의 리프시츠 연속성을 확보하기 위해 스펙트럴 정규화를 적용하여 안정성과 새로운 구성 및 이웃 수에 대한 일반화 능력을 향상시킨다.
• 예측된 상호작용력을 지연 보상 비선형 추적 제어기의 피드포워드 항목으로 사용하여 추적 오차를 감소시킨다.
• 이중 단계의 운동 계획 프로세스를 설계한다: 먼저 상호작용 고려 다중 로봇 계획에 적합한 샘플링 기반의 운동학적 계획기로, 그 다음 최적화 기반의 정밀화 단계를 거친다.
• 지면 및 기타 환경 경계를 가상의 이웃로 간주하여 동일한 DNN 프레임워크 내에서 지면 효과를 모델링한다.

실험 결과

연구 질문

• RQ1 학습 기반 방법이 이종 다중 로터 기구 간의 복잡한 비선형 기계적 상호작용력을 근접 비행 조건에서 정확하게 예측할 수 있는가?
• RQ2 딥 신경망 아키텍처가 표현력 손실 없이 다수의 이종 다중 로터 기구 간의 순열 불변이고 확장 가능한 상호작용 모델링을 어떻게 지원할 수 있는가?
• RQ3 스펙트럴 정규화가 더 큰 군집과 예측되지 않은 이웃 구성에 대한 상호작용 모델의 일반화 능력을 어느 정도 향상시킬 수 있는가?
• RQ4 학습된 상호작용력이 기존의 이러한 힘을 忽시하는 제어기보다 추적 성능을 크게 향상시키고 더 높은 밀도의 군집 형성 가능성을 제공하는가?
• RQ5 현장 제어 응용을 위한 실시간 상호작용력 예측이 임베디드 32비트 마이크로컨트롤러에서 가능할 수 있는가?

주요 결과

• Neural-Swarm2는 기준 비선형 제어기 대비 최악의 고도 추적 오차를 최대 3배 감소시키며, L2S 구성에서 중앙값 z오차를 17cm에서 7cm로 감소시켰다.
• 이 방법은 드론 간 최소 수직 거리 24cm에서 안정적인 비행을 가능하게 하여 이전 연구에서 요구하는 안전 거리의 절반 이하로 줄였으며, 형성 밀도 향상의 뚜렷한 성과를 보였다.
• 더 큰 군집으로의 일반화가 효과적이다: 16대의 로봇 구성에서 최대 15명의 이웃을 가질 수 있었으며, 모델은 최대 z오차를 15cm에서 10cm로 감소시켰다. 이는 훈련 시 최대 2명의 이웃만을 고려했음에도 불구하고 성취된 성과이다.
• 새로운 형성과 로봇 수에 대해 모델의 일반화 능력이 뛰어나며, 5대의 이종 루프 형성에서 최대 z오차가 10cm에서 5cm로 50% 감소하였다.
• DNN는 32비트 마이크로컨트롤러에서 실시간 추론을 수행하여 저지연, 지연 없는 力 예측이 가능하게 하여 안정적인 제어에 필수적인 조건을 충족시켰다.
• 학습 없이 상호작용력을 실시간 추정할 경우 드론이 급격히 추락하는 결과를 보였으며, 이는 학습된, 필터링된, 안정적인 예측 방식의 우수성을 입증한다.