[論文レビュー] Neural-Swarm2: Planning and Control of Heterogeneous Multirotor Swarms using Learned Interactions

Guanya Shi, Wolfgang Hönig+3 more|arXiv (Cornell University)|Dec 10, 2020

Robotic Path Planning Algorithms参考文献 45被引用数 5

ひとこと要約

Neural-Swarm2 は、スペクトル正規化を施した新しい非均質的ディープセットアーキテクチャを用いて、空気力学的相互作用力の学習により、非均質的マルチローター群の安全で高密度な密着飛行を可能にする。この手法は、追跡精度を最大3倍に向上させ、24 cm未満の垂直距離でも安定した制御を実現し、相互作用力を無視するベースライン制御法を著しく上回る性能を発揮する。

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.

研究の動機と目的

• 未モデル化された空気力学的相互作用（例：ダウンワッシュや地表面効果）をモデル化することで、非均質的マルチローター群の安全で高密度な密着飛行を実現すること。
• ドローン間の力の不正確なモデル化に起因する保守的な安全マージンを必要とする従来のモデルベースの計画・制御手法の限界を克服すること。
• 表現力の低下を伴わずに、異なる数の非均質的近隣ドローンに一般化可能なスケーラブルで分散型の学習フレームワークを開発すること。
• 学習された相互作用力を運動計画と非線形追従制御の両方に統合し、軌道追従精度と安定性を向上させること。
• 低コストの32ビットマイコン上で、オンボード制御に適したリアルタイムの相互作用力予測の実現可能性を実証すること。

提案手法

• 自由空間モデルで捉えきれない残差空気力学的相互作用力を予測するディープニューラルネットワーク（DNN）を組み込んだ、物理ベースの名目的運動モデルを採用する。
• 異種ディープセットを導入し、相対的位置と近隣ドローンの相対速度を用いて、異なるマルチローター種別間の相互作用を符号化する、置換不変なDNNアーキテクチャを提案する。
• DNNにおけるリプシッツ連続性を保証するため、スペクトル正規化を適用し、未確認の構成や近隣数にわたる安定性と一般化性能を確保する。
• 予測された相互作用力を遅延補償付き非線形追従制御器のフィードフォワード項として用い、追従誤差を低減する。
• 2段階の運動計画フレームワークを設計：まず、相互作用を考慮したマルチロボット計画に適応したサンプリングベースのキネダイナミクス計画器を実行し、その後最適化ベースの精錬ステップを実施する。
• 地面やその他の環境境界を仮想的近隣として扱い、同じDNNフレームワーク内で地表面効果をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 学習ベースの手法は、密着飛行における非均質的マルチローター間の複雑で非線形な空気力学的相互作用力を正確に予測できるか？
• RQ2 ディープニューラルネットワークアーキテクチャは、表現力の損失を伴わず、複数の非均質的マルチローター間の置換不変でスケーラブルな相互作用モデリングをどのように実現できるか？
• RQ3 スペクトル正規化は、より大きな群や未確認の近隣構成に一般化する相互作用モデルの性能をどの程度向上させられるか？
• RQ4 学習された相互作用力は、それらを無視する従来の制御法と比較して、追従性能を著しく向上させ、より高密度な群形成を可能にするか？
• RQ5 32ビットマイコン上で、オンボード制御用途に適したリアルタイムの相互作用力予測が可能か？

主な発見

• Neural-Swarm2 は、ベースライン非線形制御法と比較して、最大で3倍の悪化した高さ追従誤差を低減し、L2S設定では中央値のz誤差を17 cmから7 cmに削減した。
• 本手法により、ドローン間の最小垂直距離24 cmでの安定飛行が可能になった。これは、先行研究が要請する安全距離の半分未満であり、群の密度向上が顕著に実証された。
• 大規模な群への一般化は効果的であった：16機のロボットで1機あたり最大15の近隣を想定した設定でも、最大z誤差は15 cmから10 cmに低下した。なお、モデルは最大2近隣での学習に限定して訓練された。
• 新しい群形やロボット数に対しても良好な一般化が得られた。5機の入れ違いリング形配置では、学習済み相互作用力を用いることで最大z誤差が10 cmから5 cmに50%削減された。
• DNNは32ビットマイコン上でリアルタイム推論を達成し、安定制御に不可欠な低遅延・遅延なしの力予測を可能にした。
• 学習なしで相互作用力をオンライン推定した場合、ドローンは急速に墜落した。これは、学習済みでフィルタリングされ、安定した予測アプローチの優位性を強く示している。