[论文解读] NeuroBEM: Hybrid Aerodynamic Quadrotor Model

Leonard Bauersfeld, Elia Kaufmann+3 more|Zurich Open Repository and Archive (University of Zurich)|Jun 15, 2021

Model Reduction and Neural Networks参考文献 39被引用 5

一句话总结

该论文提出NeuroBEM，一种混合四旋翼动力学模型，结合了叶素动量（BEM）理论与深度神经网络，以捕捉高速和敏捷飞行中的复杂气动效应。通过从飞行数据中学习残差力和力矩，该模型相比最先进方法将位置均方根误差（RMSE）降低了50%以上，实现了前所未有的精度，并展现出超越训练数据的强泛化能力。

ABSTRACT

Quadrotors are extremely agile, so much in fact, that classic first-principle-models come to their limits. Aerodynamic effects, while insignificant at low speeds, become the dominant model defect during high speeds or agile maneuvers. Accurate modeling is needed to design robust high-performance control systems and enable flying close to the platform's physical limits. We propose a hybrid approach fusing first principles and learning to model quadrotors and their aerodynamic effects with unprecedented accuracy. First principles fail to capture such aerodynamic effects, rendering traditional approaches inaccurate when used for simulation or controller tuning. Data-driven approaches try to capture aerodynamic effects with blackbox modeling, such as neural networks; however, they struggle to robustly generalize to arbitrary flight conditions. Our hybrid approach unifies and outperforms both first-principles blade-element theory and learned residual dynamics. It is evaluated in one of the world's largest motion-capture systems, using autonomous-quadrotor-flight data at speeds up to 65km/h. The resulting model captures the aerodynamic thrust, torques, and parasitic effects with astonishing accuracy, outperforming existing models with 50% reduced prediction errors, and shows strong generalization capabilities beyond the training set.

研究动机与目标

• 为解决基于第一性原理的模型在激进四旋翼机动中难以捕捉高速气动效应的局限性。
• 克服纯数据驱动模型在四旋翼动力学中泛化能力差且数据需求量大的问题。
• 开发一种混合模型，结合BEM理论的物理一致性与神经网络的表达能力，实现高精度、高鲁棒性且可泛化的动力学预测。
• 在不依赖昂贵现实世界试错的情况下，实现高保真仿真，以支持先进控制与导航系统开发。

提出的方法

• 该模型基于BEM理论构建物理流程，从电机转速和飞行器状态计算旋翼力和力矩。
• 深度神经网络通过处理过去状态和电机指令序列，预测残差力和力矩，捕捉未建模的气动相互作用。
• 神经网络在大规模动作捕捉系统中采集的高速飞行数据上进行训练，使其能够学习气流等隐藏状态依赖关系。
• 最终力和力矩由BEM预测值与神经网络残差预测值的和计算得出。
• 该架构设计为可微分，支持端到端训练，并可集成到基于模型的控制流程中。
• 通过真实飞行数据的闭环仿真对模型进行评估，包括速度高达65 km/h的轨迹。

实验结果

研究问题

• RQ1 结合第一性原理气动模型与学习残差的混合模型，是否能在高速四旋翼动力学预测中超越纯物理或纯数据驱动模型？
• RQ2 此类混合模型在训练数据之外的未见飞行条件和轨迹上的泛化能力如何？
• RQ3 将物理先验（BEM）引入对学习动力学模型的数据效率和鲁棒性有何影响？
• RQ4 学习残差在多大程度上能捕捉BEM未建模的复杂气动相互作用，如旋翼框架效应和旋翼-旋翼干扰？
• RQ5 将基于物理的建模与深度学习融合，是否能带来更稳定可靠的控制系统设计？

主要发现

• NeuroBEM模型在仿真中将位置RMSE相比最先进模型降低了50%以上，实现低于0.3 m的误差。
• 该模型在训练集之外表现出强大的泛化能力，在未见的高速轨迹上优于纯BEM和纯学习基线方法。
• 在速度超过4 m/s的轨迹上，混合模型相比纯数据驱动基线性能提升25%。
• 该模型能高精度捕捉复杂气动效应，如推力饱和、力矩耦合和寄生力。
• 将BEM作为先验显著提升了数据效率并防止了不稳定性，例如纯学习模型中导致崩溃的反馈环路。
• 控制流程的改进（如采用MPC控制器和建模通信延迟）可进一步降低仿真误差，表明其在真实世界部署中具有巨大潜力。