[论文解读] 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 5

一句话总结

Neural-Swarm2 通过使用一种新型异构深度集合架构结合谱归一化，学习空气动力学相互作用力，实现了异构多旋翼集群的安全、密集近距离飞行。该方法将跟踪精度提升了三倍，并实现了在垂直距离低于 24 cm 时的稳定控制，显著优于忽略相互作用力的基线控制器。

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.

研究动机与目标

• 通过建模未建模的空气动力学相互作用（如下洗流和地面效应），实现异构多旋翼集群的安全且密集的近距离飞行。
• 克服传统基于模型的规划与控制方法的局限性，这些方法因对机间作用力建模不准确而依赖保守的安全裕量。
• 开发一种可扩展的、去中心化的学习框架，能够在不损失表达能力的前提下泛化到不同数量的异构邻居。
• 将学习到的相互作用力整合到运动规划和非线性跟踪控制中，以提高轨迹精度和稳定性。
• 证明在低成本 32 位微控制器上实时预测相互作用力的可行性，以支持机载控制。

提出的方法

• 采用基于物理的名义动力学模型，并通过一个深度神经网络（DNN）预测自由空间模型未捕捉到的残余空气动力学相互作用力。
• 引入异构深度集合（heterogeneous deep sets），一种排列不变的 DNN 架构，通过邻居的相对位置和速度编码不同类型多旋翼之间的相互作用。
• 应用谱归一化以在 DNN 中强制实现利普希茨连续性，确保稳定性和对未见配置及邻居数量的泛化能力。
• 将预测的相互作用力作为延迟补偿非线性跟踪控制器中的前馈项，以减少跟踪误差。
• 设计两级运动规划器：首先采用适用于交互感知多机器人规划的采样式动力学规划器，随后进行基于优化的精炼步骤。
• 将地面和其他环境边界视为虚拟邻居，以在相同的 DNN 框架内建模地面效应。

实验结果

研究问题

• RQ1 基于学习的方法能否准确预测异构多旋翼在近距离飞行中复杂的非线性空气动力学相互作用力？
• RQ2 深度神经网络架构在不损失表达能力的前提下，如何支持对多个异构多旋翼之间排列不变且可扩展的相互作用建模？
• RQ3 谱归一化在多大程度上能提升相互作用模型对更大集群和未见邻居配置的泛化能力？
• RQ4 学习到的相互作用力是否能显著改善跟踪性能，并使集群构型比忽略此类力的传统控制器更密集？
• RQ5 在嵌入式 32 位微控制器上实时预测相互作用力是否可行，以支持机载控制应用？

主要发现

• 与基线非线性控制器相比，Neural-Swarm2 将最坏情况下的高度跟踪误差最多减少三倍，在 L2S 配置中，中位 z 误差从 17 cm 降低至 7 cm。
• 该方法实现了在无人机之间最小垂直距离为 24 cm 时的稳定飞行——小于先前工作所需安全距离的一半，显著提升了集群构型的密度。
• 对更大集群的泛化效果良好：在每架无人机最多有 15 个邻居的 16 架无人机配置中，最大 z 误差从 15 cm 降低至 10 cm，尽管模型仅在最多 2 个邻居的情况下进行训练。
• 该模型对新构型和机器人数量的泛化能力出色，在 5 架无人机交错环形构型中，最大 z 误差降低了 50%（从 10 cm 降至 5 cm），使用学习到的相互作用力后。
• DNN 在 32 位微控制器上实现了实时推理，支持低延迟、无延迟的力预测，这对稳定控制至关重要。
• 在无学习的情况下在线估计相互作用力导致无人机迅速坠毁，凸显了所提出的基于学习、滤波且稳定的预测方法的优势。