[논문 리뷰] NeuroBEM: Hybrid Aerodynamic Quadrotor Model

Leonard Bauersfeld, Elia Kaufmann외 3명|Zurich Open Repository and Archive (University of Zurich)|2021. 06. 15.

Model Reduction and Neural Networks참고 문헌 39인용 수 5

한 줄 요약

이 논문은 고속 및 민첩한 비행 중 복잡한 항공역학적 효과를 포착하기 위해 블레이드-요소-모멘텀(BEM) 이론과 딥 뉴럴 네트워크를 조합한 하이브리드 퀸타로터 역학 모델인 NeuroBEM을 제안한다. 비행 데이터로부터 잔차 힘과 토크를 학습함으로써, 최신 기술 대비 위치 RMSE를 50% 이상 감소시켜 높은 정확도와 훈련 데이터를 초월한 강력한 일반화 성능을 달성한다.

ABSTRACT

Quadrotors are extremely agile, so much in fact, that classic first-principle-models come to their limits. Aerodynamic effects, while insignificant at low speeds, become the dominant model defect during high speeds or agile maneuvers. Accurate modeling is needed to design robust high-performance control systems and enable flying close to the platform's physical limits. We propose a hybrid approach fusing first principles and learning to model quadrotors and their aerodynamic effects with unprecedented accuracy. First principles fail to capture such aerodynamic effects, rendering traditional approaches inaccurate when used for simulation or controller tuning. Data-driven approaches try to capture aerodynamic effects with blackbox modeling, such as neural networks; however, they struggle to robustly generalize to arbitrary flight conditions. Our hybrid approach unifies and outperforms both first-principles blade-element theory and learned residual dynamics. It is evaluated in one of the world's largest motion-capture systems, using autonomous-quadrotor-flight data at speeds up to 65km/h. The resulting model captures the aerodynamic thrust, torques, and parasitic effects with astonishing accuracy, outperforming existing models with 50% reduced prediction errors, and shows strong generalization capabilities beyond the training set.

연구 동기 및 목표

• 공격적인 퀸타로터 비행 중 고속 항공역학적 효과를 포착하지 못하는 제1원리 모델의 한계를 해결하기 위해.
• 순수 데이터 기반 모델이 퀸타로터 역학에서 일반화 능력이 떨어지고 데이터 소비가 많다는 점을 극복하기 위해.
• BEM 이론의 물리적 일관성과 뉴럴 네트워크의 표현 능력을 활용하여 정확하고 강력하며 일반화 가능한 역학 예측을 위한 하이브리드 모델을 개발하기 위해.
• 비용이 많이 드는 실제 세계의 시험·오류 반복에 의존하지 않고도 고정밀 시뮬레이션을 가능하게 하여 고급 제어 및 탐색 시스템 개발을 지원하기 위해.

제안 방법

• 모델은 모터 속도와 차량 상태에서 블레이드-요소-모멘텀(BEM) 이론 기반 물리적 파이프라인을 사용해 로터의 힘과 토크를 계산한다.
• 딥 뉴럴 네트워크는 과거 상태와 모터 명령의 시퀀스를 처리하여 잔차 힘과 토크를 예측함으로써 모델링되지 않은 항공역학적 상호작용을 포착한다.
• 신경망은 대규모 모션 캡처 시스템에서 확보한 고속 비행 데이터를 기반으로 훈련되어, 기류와 같은 숨겨진 상태 의존성을 학습할 수 있다.
• 최종 힘과 토크는 BEM으로 예측한 값과 신경망의 잔차 예측값의 합으로 계산된다.
• 아키텍처는 미분 가능하도록 설계되어 엔드 투 엔드 훈련과 모델 기반 제어 파이프라인에의 통합이 가능하다.
• 모델는 실제 비행 데이터를 사용한 클로즈드 루프 시뮬레이션을 통해 평가되었으며, 최대 시속 65 km/h의 궤적을 포함한다.

실험 결과

연구 질문

• RQ1 제1원리 항공역학과 학습된 잔차를 조합한 하이브리드 모델이 순수 물리적 또는 순수 데이터 기반 모델보다 고속 퀸타로터 역학 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ2 이러한 하이브리드 모델은 훈련 데이터를 초월한 새로운 비행 조건과 궤적에 대해 얼마나 잘 일반화되는가?
• RQ3 물리적 사전 지식(BEM)을 통합할 경우, 학습된 역학 모델의 데이터 효율성과 안정성은 어떻게 향상되는가?
• RQ4 학습된 잔차는 BEM으로 모델링되지 않은 복잡한 항공역학적 상호작용, 예를 들어 로터-프레임 간섭이나 로터-로터 간섭을 얼마나 잘 포착할 수 있는가?
• RQ5 물리 기반 모델링과 딥 러닝의 융합은 더 안정적이고 신뢰할 수 있는 제어 시스템 설계에 어떤 영향을 미치는가?

주요 결과

• NeuroBEM 모델은 최신 기술 대비 시뮬레이션에서 위치 RMSE를 50% 이상 감소시켜 0.3 m 이하의 오차를 달성한다.
• 모델은 훈련 데이터 세트를 초월해 강력한 일반화 성능을 보이며, 훈련된 고속 궤적 외부의 시험 궤적에서 순수 BEM 및 순수 학습 기반 접근 방식을 모두 압도한다.
• 시속 4 m/s 이상의 궤적에서는 하이브리드 모델이 순수 데이터 기반 기준 대비 성능을 25% 향상시킨다.
• 모델은 양력 포화, 토크 결합, 부가력과 같은 복잡한 항공역학적 효과를 높은 정확도로 포착한다.
• BEM을 사전 지식로 사용함으로써 데이터 효율성이 크게 향상되고, 순수 학습 기반 모델에서 발생한 크래시로 이어지는 피드백 루프와 같은 불안정성도 방지된다.
• MPC 컨트롤러 사용 및 통신 지연 모델링 등의 제어 파이프라인 개선 조치는 시뮬레이션 오차를 추가로 감소시킬 수 있으며, 이는 실세계 적용 잠재력이 매우 높음을 시사한다.