[论文解读] Deep Neural Networks for Improved, Impromptu Trajectory Tracking of Quadrotors

Qiyang Li, Jingxing Qian+4 more|arXiv (Cornell University)|Oct 20, 2016

Robotic Path Planning Algorithms被引用 7

一句话总结

本文提出了一种基于深度神经网络（DNN）的参考信号学习方法，通过预测经典反馈控制器的最优参考输入，提升了无人飞行器的轨迹跟踪性能。该方法在周期性飞行数据上进行训练，并以未来期望状态作为输入，可在未见过的用户绘制轨迹上将跟踪误差降低高达59.9%，展示了出色的泛化能力以及在即兴飞行任务中的实时适用性。

ABSTRACT

Trajectory tracking control for quadrotors is important for applications ranging from surveying and inspection, to film making. However, designing and tuning classical controllers, such as proportional-integral-derivative (PID) controllers, to achieve high tracking precision can be time-consuming and difficult, due to hidden dynamics and other non-idealities. The Deep Neural Network (DNN), with its superior capability of approximating abstract, nonlinear functions, proposes a novel approach for enhancing trajectory tracking control. This paper presents a DNN-based algorithm as an add-on module that improves the tracking performance of a classical feedback controller. Given a desired trajectory, the DNNs provide a tailored reference input to the controller based on their gained experience. The input aims to achieve a unity map between the desired and the output trajectory. The motivation for this work is an interactive "fly-as-you-draw" application, in which a user draws a trajectory on a mobile device, and a quadrotor instantly flies that trajectory with the DNN-enhanced control system. Experimental results demonstrate that the proposed approach improves the tracking precision for user-drawn trajectories after the DNNs are trained on selected periodic trajectories, suggesting the method's potential in real-world applications. Tracking errors are reduced by around 40-50% for both training and testing trajectories from users, highlighting the DNNs' capability of generalizing knowledge.

研究动机与目标

• 提升无人飞行器在真实应用场景中的轨迹跟踪精度，解决经典控制器（如PID）因非线性动力学和未建模效应而表现不佳的问题。
• 实现在无需适应的情况下，对用户绘制的轨迹实现即时、高精度的跟踪，支持交互式飞行应用。
• 开发一种计算高效、稳定且可泛化的基于DNN的控制附加模块，可与任意黑箱反馈控制器协同工作。
• 探究在周期性轨迹上训练的DNN在应用于任意、未见过的用户绘制轨迹时的泛化能力。

提出的方法

• 在离线阶段使用周期性参考轨迹的飞行数据训练DNN，学习从当前及未来期望状态到优化参考输入的映射关系。
• DNN输入包括当前期望轨迹状态以及两个未来期望状态（例如，0.6秒和0.9秒后），以预估系统延迟和非线性动力学。
• DNN的输出被用作基准反馈控制器的预滤波参考信号，从而在不改变控制器内部结构的前提下提升其性能。
• 该方法被实现在一个交互式‘边画边飞’应用中，用户在移动设备上绘制轨迹，无人飞行器立即根据DNN增强的参考信号进行跟踪。
• 采用状态反馈以提升性能，且DNN在训练时同时使用当前状态和未来期望状态，以增强预测能力。
• DNN模型计算轻量化，适用于处理能力有限的小型飞行平台的实时部署。

实验结果

研究问题

• RQ1 在周期性轨迹上训练的DNN能否在实时场景中泛化到任意、未见过的用户绘制轨迹并提升跟踪性能？
• RQ2 将未来期望状态纳入DNN输入，如何提升跟踪性能并补偿系统延迟与非线性？
• RQ3 与基线非线性控制器相比，基于DNN的参考学习方法在不同轨迹形状与速度下，能在多大程度上减少跟踪误差？
• RQ4 作为附加模块应用于现有反馈控制器时，基于DNN的控制系统是否保持稳定且有效，而无需修改其内部设计？

主要发现

• 在使用状态反馈和未来期望状态的情况下，与基线控制器相比，基于DNN的方法将均方根（RMS）跟踪误差降低了59.9%。
• 在30条用户绘制轨迹及50秒训练轨迹的片段中，DNN平均将跟踪性能提升了43%。
• 该方法在不同速度下均表现出一致的误差降低，使用反馈和未来状态时，RMS误差分别降低了35.6%和59.9%。
• DNN能有效泛化到未见过的轨迹，包括复杂且非周期性的形状，例如在长曝光图像中呈现的字母‘DSL’。
• DNN模型表现出鲁棒性和稳定性，在不重新训练或适应的情况下，能保持在不同速度和轨迹配置下的性能。
• 该方法计算效率高，可在计算资源有限的小型平台实现实时运行。