[论文解读] Neural-Swarm: Decentralized Close-Proximity Multirotor Control Using Learned Interactions

Guanya Shi, Wolfgang Hönig+2 more|arXiv (Cornell University)|Mar 6, 2020

Aerospace and Aviation Technology参考文献 29被引用 5

一句话总结

Neural-Swarm 提出了一种基于学习的去中心化控制器，用于多旋翼近距离飞行，采用正则化、排列不变的深度神经网络（DNN）来建模多个四旋翼机之间复杂的气动相互作用（如下洗气流）。通过将 DNN 预测的相互作用力作为非线性跟踪控制器中的前馈项，该方法相比基线控制器将最坏情况下的高度跟踪误差降低了四倍，同时在更大规模蜂群中表现出良好的泛化能力。

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.

研究动机与目标

• 解决多旋翼蜂群近距离精确飞行的挑战，传统控制器因未建模的气动相互作用（如下洗气流）而失效。
• 克服现有方法依赖较大安全距离的局限，通过建模高阶、多机相互作用的气动效应。
• 开发一种计算高效、完全去中心化的控制器，仅使用邻近机体的相对位置和速度作为输入。
• 实现所学相互作用模型在训练时未使用的大规模蜂群中的泛化能力，包括 4–5 架飞行构型。
• 在低成本 32 位微控制器上实现实时、稳定、高精度的轨迹跟踪。

提出的方法

• 训练一种谱归一化的、排列不变的深度神经网络（DNN），用于预测名义自由空间动力学模型未能捕捉的残余气动相互作用力。
• 以邻近多旋翼的相对位置和速度作为 DNN 的输入，实现完全去中心化的计算。
• 将预测的相互作用力作为前馈项集成到非线性跟踪控制器中，以提升轨迹跟踪性能。
• 利用深度集合（deep sets）架构确保排列不变性，从而实现对不同数量邻居及新构型的泛化。
• 应用谱归一化以强制实现利普希茨连续性，确保稳定性保证，并提升对分布外测试案例的泛化能力。
• 在小规模蜂群（2–3 架）的飞行数据上训练 DNN，并在不重新训练的情况下验证其在更大规模蜂群（4–5 架）上的泛化性能。

实验结果

研究问题

• RQ1 深度神经网络能否有效建模多于两架多旋翼在近距离下复杂的高阶气动相互作用？
• RQ2 仅使用邻近机体状态的去中心化控制器能否在密集编队中实现稳定且精确的轨迹跟踪？
• RQ3 谱归一化与深度集合的结合是否能提升相互作用模型对未见蜂群规模和构型的泛化能力？
• RQ4 与未补偿相互作用的基线控制器相比，所学相互作用模型在多大程度上可降低跟踪误差？
• RQ5 当仅在小规模蜂群（如 2–3 架）上训练时，控制器能否泛化至更大规模蜂群（如 4–5 架）？

主要发现

• 所提出的 Neural-Swarm 控制器相比基线非线性跟踪控制器，将最坏情况下的高度跟踪误差降低了最多四倍。
• 控制器在 32 位微控制器上实现了稳定、实时的性能，支持在低成本平台（如 Crazyflie 2.0）上部署。
• 基于 DNN 的相互作用模型在更大蜂群中表现出良好泛化能力：即使仅在 2–3 架数据上训练，4–5 架任务的性能依然强劲。
• 飞行实验表明，该模型能准确预测复杂的、非可叠加的相互作用力，包括速度相关效应和传统成对模型未捕捉的强上升气流区域。
• 在 4 架机交换任务中，预测的相互作用力（如 $f_{a,z}$）即使在高推力饱和条件下，也与真实测量值高度吻合。
• 该模型能够捕捉非平稳、动态的相互作用（如由移动邻机引起的作用），表现出对相对速度的敏感性，而不仅限于静态下洗效应。