[论文解读] Multi-Agent Spatial Predictive Control with Application to Drone Flocking (Extended Version)

Andreas Brandstätter, Scott A. Smolka+3 more|arXiv (Cornell University)|Mar 31, 2022

Advanced Control Systems Optimization被引用 4

一句话总结

本文提出空间预测控制（SPC），一种分布式、无模型的控制器，利用空间前瞻和基于梯度的成本最小化，引导具有位置型低层控制器的无人机。SPC在仿真和硬件实验中均优于势场控制器（PFC），仅使用位置观测且无需系统模型，即可在存在噪声、时延及仿真到现实的差异时保持稳定的群体飞行。

ABSTRACT

We introduce the novel concept of Spatial Predictive Control (SPC) to solve the following problem: given a collection of agents (e.g., drones) with positional low-level controllers (LLCs) and a mission-specific distributed cost function, how can a distributed controller achieve and maintain cost-function minimization without a plant model and only positional observations of the environment? Our fully distributed SPC controller is based strictly on the position of the agent itself and on those of its neighboring agents. This information is used in every time-step to compute the gradient of the cost function and to perform a spatial look-ahead to predict the best next target position for the LLC. Using a high-fidelity simulation environment, we show that SPC outperforms the most closely related class of controllers, Potential Field Controllers, on the drone flocking problem. We also show that SPC is able to cope with a potential sim-to-real transfer gap by demonstrating its performance on real hardware, namely our implementation of flocking using nine Crazyflie 2.1 drones.

研究动机与目标

• 设计一种分布式高层控制器，以最小化具有位置型低层控制器（LLCs）的智能体的位置成本函数，且无需访问系统模型或LLC内部参数。
• 解决在仅使用邻近智能体位置观测的情况下，于动态环境中维持群体队形和避障的挑战。
• 通过最小化对精确动力学或模型假设的依赖，实现多智能体无人机控制的稳健仿真到现实迁移。
• 证明SPC在稳定性、收敛性和非线性成本函数性能方面优于现有方法（如势场控制器，PFCs）。
• 在高保真仿真和真实硬件上验证SPC，实验环境为真实机器人实验室中九架Crazyflie 2.1无人机。

提出的方法

• SPC通过计算当前智能体位置处成本函数的负梯度，确定移动方向。
• 通过在最大前瞻距离ε·N内沿梯度方向等距采样N个候选位置，执行空间前瞻。
• 智能体选择成本最小的候选位置作为其位置型LLC的目标设定点。
• 控制器以反馈回路运行，每时间步使用当前位置观测重新评估成本并更新目标位置。
• SPC完全分布式：每个智能体仅使用自身位置和邻居位置，无需中心协调或全局状态。
• 该方法通过仅依赖局部成本评估和基于梯度的方向选择，避免了复杂预测或系统辨识。

实验结果

研究问题

• RQ1 在无系统模型或LLC内部信息的情况下，分布式控制器能否最小化位置成本函数？
• RQ2 SPC在非线性成本函数上的稳定性与性能与势场控制器相比如何？
• RQ3 SPC能否在存在传感噪声和通信时延的真实硬件中维持稳定的群体飞行与避障？
• RQ4 SPC在仿真与真实世界部署之间的泛化能力如何（即仿真到现实的迁移程度）？
• RQ5 与纯梯度下降相比，空间前瞻是否能提升多智能体控制中的性能？

主要发现

• 在仿真中，SPC优于相关性较强的势场控制器（PFC）方法，表现出更优的稳定性并显著减少振荡，尤其在非线性成本函数景观下。
• 在九架Crazyflie 2.1无人机的真实硬件实验中，SPC成功维持了紧凑、无碰撞的群体飞行，同时实现悬停和目标点间移动。
• 控制器对定位系统引入的传感噪声以及无线电传输位置和设定点数据带来的通信延迟表现出鲁棒性。
• 仅需少量参数调整即可将SPC控制器从仿真迁移到真实硬件，表明其具备强大的仿真到现实迁移能力。
• SPC在长时间内保持了安全的无人机间距和高质量的紧凑队形指标，实验图表中虽因噪声呈现锯齿状，但整体性能保持一致。
• 该方法在无需了解物理无人机模型或LLC参数的情况下实现了有效的群体飞行控制，证明其在真实嵌入式环境中的有效性。