[论文解读] RotorPy: A Python-based Multirotor Simulator with Aerodynamics for Education and Research

Spencer Folk, James Paulos+1 more|arXiv (Cornell University)|Jun 7, 2023

Aerospace Engineering and Energy Systems被引用 8

一句话总结

RotorPy 是一个基于 Python 的无人机仿真器，具备六自由度动力学、气动扭矩、执行器、传感器、风模型和用于教育与研究的模块化环境。它包含风估计案例研究并与真实数据进行基准对比。

ABSTRACT

Simulators play a critical role in aerial robotics both in and out of the classroom. We present RotorPy, a simulation environment written entirely in Python intentionally designed to be a lightweight and accessible tool for robotics students and researchers alike to probe concepts in estimation, planning, and control for aerial robots. RotorPy simulates the 6-DoF dynamics of a multirotor robot including aerodynamic wrenches, obstacles, actuator dynamics and saturation, realistic sensors, and wind models. This work describes the modeling choices for RotorPy, benchmark testing against real data, and a case study using the simulator to design and evaluate a model-based wind estimator.

研究动机与目标

• 提供一个易于访问、基于 Python 的无人机仿真环境，用于教育与估计、规划与控制领域的研究。
• 对六自由度四旋翼动力学进行建模，包含气动扭矩、执行器动力学和风效应。
• 结合现实传感器、风场、障碍物和模块化组件，便于开展实验。
• 通过一个基于模型的风估计案例研究，展示其实用性并与真实飞行数据进行基准 comparison。

提出的方法

• 使用牛顿-欧拉方程对多旋翼动力学进行建模，包含控制扭矩和气动扭矩项。
• 结合基于相对气速 v_a 的气动扭矩，包括寄生阻力、转子阻力和叶片拍动。
• 以一阶电机延迟建模执行器动力学，以体现响应时间。
• 对传感器（惯性测量单元、外部动作捕捉）进行带噪声、偏差与漂移的建模，风作为具有时空分布特征的状态变量来表示。
• 在离散控制器更新之间使用可变步长的 RK45 积分器，对连续时间动力学进行求解。
• 提供 Environment 类，用于将载具、控制器、规划器、风、障碍物和传感器组合在一起，支持灵活的实验。

实验结果

研究问题

• RQ1 如何在保持可访问性的同时，对教育用途尽量实现贴近现实的气动与传感器建模？
• RQ2 RotorPy 的模型能否复现硬件端观测到的传感器测量与风的相互作用？
• RQ3 在 RotorPy 生成数据和经过标定阻力系数的条件下，基于模型的风估计器的效果如何？
• RQ4 在无人机仿真中，执行器动力学与风建模对估计、规划与控制研究有何影响？

主要发现

Parameter	Unit	Range (min-max)
m	kg	0.375–0.9375
c_{Dx}	N·(m/s)^{-2}	0–1(×10^{-3})
c_{Dy}	N·(m/s)^{-2}	0–1(×10^{-3})
c_{Dz}	N·(m/s)^{-2}	0–2(×10^{-2})
k_{d}	N·rad^{-1}·m·s^{-2}	0–1.19(×10^{-3})
k_{z}	N·rad^{-1}·m·s^{-2}	0–2.32(×10^{-3})

• RotorPy 复现了包括气动扭矩、执行器延迟和风效应在内的现实六自由度无人机动力学。
• 基准测试表明在激烈机动过程中，仿真 IMU 数据与 Crazyflie 硬件测量在质性上保持一致。
• 在仿真中使用加速度计与动作捕捉数据评估的风估计器，在随机试验的一半中实现约 0.5 m/s 的 RMSE，失败原因与不良的阻力标定相关。
• 在强风条件下，使用指令推力而非实际推力进行建模时会出现误差，影响风估计的准确性。
• 该框架通过单文件工作流和可导出结果，支持数据驱动研究，适用于强化学习与参数研究。