[论文解读] Control of a Tail-Sitter VTOL UAV Based on Recurrent Neural Networks

Jinni Zhou, Hao Xu+3 more|arXiv (Cornell University)|Apr 5, 2021

Robotic Path Planning Algorithms参考文献 31被引用 5

一句话总结

本文提出了一种基于统一循环神经网络（RNN）的控制框架，用于尾推式垂直起降无人机（VTOL UAV），通过单一控制器无缝集成悬停、过渡和水平飞行模式。通过训练长短期记忆网络（SCPNet）来近似计算密集型的非线性求解器，实现实时推力与姿态计算，该方法实现了平滑、低延迟的控制，近似误差可忽略不计，并减少了控制抖振，经大量仿真和户外风扰动飞行实验验证。

ABSTRACT

Tail-sitter vertical takeoff and landing (VTOL) unmanned aerial vehicles (UAVs) have the capability of hovering and performing efficient level flight with compact mechanical structures. We present a unified controller design for such UAVs, based on recurrent neural networks. An advantage of this design method is that the various flight modes (i.e., hovering, transition and level flight) of a VTOL UAV are controlled in a unified manner, as opposed to treating them separately and in the runtime switching one from another. The proposed controller consists of an outer-loop position controller and an inner-loop attitude controller. The inner-loop controller is composed of a proportional attitude controller and a loop-shaping linear angular rate controller. For the outer-loop controller, we propose a nonlinear solver to compute the desired attitude and thrust, based on the UAV dynamics and an aerodynamic model, in addition to a cascaded PID controller for the position and velocity tracking. We employ a recurrent neural network (RNN) to approximate the behavior of the nonlinear solver, which suffers from high computational complexity. The proposed RNN has negligible approximation errors, and can be implemented in real-time (e.g., 50 Hz). Moreover, the RNN generates much smoother outputs than the nonlinear solver. We provide an analysis of the stability and robustness of the overall closed-loop system. Simulation and experiments are also presented to demonstrate the effectiveness of the proposed method.

研究动机与目标

• 开发一种统一的飞行控制框架，可处理所有飞行模式——悬停、过渡和水平飞行，而无需模式切换。
• 解决实时无人机控制中使用的非线性优化求解器带来的高计算成本问题。
• 通过用基于RNN的近似方法替代非线性求解器，提升控制平滑性并减少执行器激励。
• 确保基于RNN的控制器在不同飞行速度下以及在风扰动下均具备稳定性和鲁棒性。
• 通过全面的仿真和户外飞行实验验证控制器的有效性。

提出的方法

• 控制器架构由外环位置控制器和内环姿态控制器组成，外环使用基于非线性优化的求解器计算期望推力和姿态。
• 采用序列凸规划（SCP）求解器求解非线性优化问题，以实现实时推力与姿态指令，但计算成本较高。
• 训练基于长短期记忆网络的RNN（SCPNet），利用从大量飞行仿真和动态激励中收集的数据，使其行为与SCP求解器保持一致。
• SCPNet部署于机载NVIDIA TX2，推理时间低于5 ms，支持50 Hz的实时实现。
• 内环采用比例姿态控制器和基于环路整形的线性角速度控制器，实现稳定姿态跟踪。
• 通过在不同飞行速度下进行线性化分析，评估系统稳定性和鲁棒性，确认闭环性能。

实验结果

研究问题

• RQ1 能否使用单一基于RNN的控制器，在无需模式切换的情况下，统一且平滑地控制尾推式VTOL无人机的所有飞行模式？
• RQ2 RNN在保持实时性能的前提下，对高复杂度非线性求解器输出的近似精度如何？
• RQ3 与原始非线性求解器相比，基于RNN的控制器是否减少了控制抖振并提升了平滑性？
• RQ4 风扰动对基于RNN的控制器在真实飞行中的跟踪性能有何影响？
• RQ5 与传统方法相比，基于RNN的控制器在稳定性、鲁棒性和轨迹跟踪精度方面表现如何？

主要发现

• 基于RNN的SCPNet在NVIDIA TX2上实现了低于5 ms的推理时间，支持50 Hz的实时部署。
• SCPNet在户外飞行实验中表现出可忽略的近似误差，位置均方根误差（RMSE）低于0.81 m，姿态RMSE低于0.02°。
• 与非线性求解器相比，RNN输出的控制信号显著更平滑，有效降低了对柔性机体模态的激励。
• 在户外实验中，位置跟踪误差保持在[-0.98, 3.28] m范围内，机体X方向加速度误差在[-1.03, 3.02] m/s²之间。
• 系统在风速高达4.1 m/s的风扰动下仍保持稳定性能，跟踪误差低，线性化稳定性分析证实了其鲁棒性。
• 统一控制器成功在室内和室外环境中执行了复杂轨迹，包括起飞、悬停、前后过渡、水平飞行和着陆。