Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection

إليك ملخص تقني مفصل لورقة البحث بعنوان: "Adaptive SINDy: تحديد هوية نظام القوة المتبقية لرفض اضطرابات الطائرات بدون طيار (UAV)."

١. بيان المشكلة

تواجه الطائرات بدون طيار (UAVs) تحديات كبيرة في الحفاظ على الاستقرار وتتبع المسار في بيئات الرياح المضطربة. وتشمل الصعوبات الجوهرية ما يلي:

• اللاخطية وعدم اليقين: ديناميكيات الرياح غير خطية للغاية ويصعب نمذجتها تحليلياً (على سبيل المثال، عبر نماذج Dryden أو von Kármán) لأغراض تصميم التحكم.
• محدودية الطرق الحالية:
  • التحكم الكلاسيكي (PID, LQR): غالباً ما تفشل في رفض الاضطرابات القوية أو تتطلب ضبطاً مكثفاً.
  • مراقبات الاضطراب (Disturbance Observers): قد تكون محدودة بالبيئات غير المعقدة أو بتكوينات نظام محددة.
  • النهج القائم على التعلم (الشبكات العصبية، التعلم التعزيزي): رغم فعاليتها، إلا أنها تفتقر غالباً إلى القابلية للتفسير (تعمل كـ "صناديق سوداء") وتتطلب مجموعات بيانات ضخمة للتدريب، مما يعيق قدرتها على التعميم لنماذج طائرات بدون طيار أو ظروف جديدة.
• الفجوة: هناك حاجة لإطار عمل تحكم يجمع بين القابلية للتفسير للنمذجة الفيزيائية والقدرة على التكيف مع الطرق القائمة على البيانات للتعامل مع القوى المتبقية المجهولة (الرياح) في الوقت الفعلي.

٢. المنهجية

يقترح المؤلفون إطار عمل هجينا مبتكراً يدمج بين التحديد المتناثر للديناميكيات غير الخطية (SINDy) والتحكم التكيفي القائم على المربعات الصغرى المتكررة (RLS).

أ. نمذجة النظام

يتم تفكيك ديناميكيات الطائرة بدون طيار إلى مكونات معروفة وغير معروفة:
$$\dot{X} = f(x, u)_{\text{known}} + g(x, u, w)_{\text{unknown}}$$
حيث تمثل $x$ الحالات الاثنتي عشرة (الموقع، السرعة، الاتجاه، إلخ)، و $u$ هو مدخل التحكم، و $w$ هو اضطراب الرياح المجهول.
الهدف هو تحديد القوة المتبقية ($\dot{Y}$)، والتي تُعرف بأنها الفرق بين الديناميكيات الفعلية والنموذج المعروف:
$$\dot{Y} = \dot{X} - f(x, u)_{\text{known}}$$

ب. التحديد المتناثر (SINDy)

بدلاً من استخدام شبكة عصبية، يستخدم المؤلفون SINDy لإيجاد مجموعة متناثرة من المعاملات $\Xi$ التي تقرب الديناميكيات المتبقية بأفضل شكل باستخدام مكتبة من الدوال المرشحة $\Theta(x, u)$:
$$\dot{Y} = \Theta(x, u) \Xi$$

• المكتبة المستندة إلى الفيزياء: بناءً على ملاحظة أن الرياح تسبب ميلاً (زاوية الالتفاف $\phi$ وزاوية الميل $\theta$) للطائرة لمواجهة القوة، تتضمن المكتبة:
  $$\Theta = [1, \theta, \phi, T, T\sin(\theta), T\cos(\theta), T\sin(\phi), T\cos(\phi)]$$
  حيث $T$ هو الدفع. يضمن هذا بقاء النموذج قابلاً للتفسير وذا صلة فيزيائية.
• التحسين: يستخدم المؤلفون الانحدار المنتظم المريح المتناثر (SR3) لحل مشكلة التحسين، مما يسمح بوضع قيود وتحسين الاستقرار العددي مقارنة بطريقة STLSQ القياسية.

ج. التحكم التكيفي (RLS)

بمجرد تحديد هيكل SINDy، يقوم متحكم RLS التكيفي بتحديث المعاملات ($A$) عبر الإنترنت لتتبع ظروف الرياح المتغيرة.

• تقدير المتبقي: يقدر المتحكم قوة الاضطراب $\hat{f}_{dist} = \phi A$.
• قانون التحكم: يتم حساب القوة المطلوبة $F_d$ عن طريق تعويض الاضطراب المقدر:
  $$F_d = m a_{cmd} + m g_{vec} - \hat{f}_{dist}$$
• قانون التحديث: يتم تحديث مصفوفة التكيف $A$ باستخدام قانون RLS "التسريبي" (leaky RLS) المدفوع بالخطأ بين القوى المتبقية المقدرة والفعلية، مما يضمن تكيف النظام مع أنماط الرياح الجديدة في الوقت الفعلي.

٣. المساهمات الرئيسية

1. تكامل مبتكر: أول تطبيق لتحديد النظام القائم على SINDy مقترناً بالتحكم التكيفي RLS خصيصاً لرفض اضطرابات الرياح في الطائرات بدون طيار.
2. القابلية للتفسير: على عكس نهج التعلم العميق، يستخدم النموذج الناتج مكتبة متناثرة مستندة إلى الفيزياء (زوايا الميل والدفع)، مما يجعل ديناميكيات الاضطراب مفهومة.
3. كفاءة البيانات: تتطلب هذه الطريقة كميات صغيرة نسبياً من البيانات للتدريب مقارنة بالتعلم التعزيزي أو الشبكات العصبية العميقة.
4. بنية قوية: تم إثبات النجاح في كل من المحاكاة (ArduPilot SITL و Crazyflie) والرحلات الواقعية على طائرة Crazyflie خفيفة الوزن في بيئة شديدة الاضطراب (رياح تصل سرعتها إلى 2 م/ث من أربعة اتجاهات).

٤. النتائج التجريبية

تم اختبار الإطار على ثلاثة مسارات (دائري، ليمنيسكيت/لانهاية، حلزوني) تحت تأثير اضطرابات الرياح.

أ. المحاكاة (ArduPilot SITL & Crazyflie)

• المقارنة: تمت مقارنة Adaptive SINDy مع PID الأساسي، ومتحكم (Incremental Non-Linear Dynamic Inversion - INDI)، ومتحكم (DAIML) التكيفي المدرب مسبقاً.
• الأداء:
  • تفوق Adaptive SINDy باستمرار على PID الأساسي، حيث قلل من جذر متوسط مربع الخطأ (RMSE) بفوارق كبيرة (على سبيل المثال، من ~0.5م إلى ~0.3م في المسارات الدائرية).
  • في مسار الليمنيسكيت، تفوق Adaptive SINDy قليلاً على نموذج DAIML (RMSE: 0.350m مقابل 0.373m) وعلى متحكم INDI، مما أظهر قدرة فائقة على التعامل مع المسارات المعقدة وغير المحدبة.
  • حافظ على توزيعات خطأ ضيقة (قيم P95 منخفضة)، مما يشير إلى المتانة ضد الهبات الأسوأ.

ب. الطيران الواقعي (Crazyflie)

• الإعداد: طائرة Crazyflie 2.1 طارت في بيئة نفق رياح محاكية في Gazebo باستخدام أربع مراوح دوارة (رياح 1-2 م/ث).
• النتيجة:
  • الأساس (PID): فشل تماماً، حيث تحطمت في كل محاولة بسبب عدم القدرة على رفض الاضطرابات.
  • Adaptive SINDy: نجح في إكمال جميع الرحلات الـ 15 (6 دوائر، 4 ليمنيسكيت، 5 حلزونات) دون تحطم.
• المقاييس (الطيران الواقعي):
  • الليمنيسكيت: RMSE = 12.2 سم، MAE = 10.5 سم.
  • الدائرة: RMSE = 17.6 سم، MAE = 13.7 سم.
  • الحلزون: RMSE = 32.7 سم (الأعلى بسبب اتساع نصف القطر وزيادة الطلب على الاضطراب).

٥. الأهمية والخاتمة

تمثل هذه الورقة خطوة كبيرة للأمام في التحكم في الطائرات بدون طيار من خلال سد الفجوة بين نظرية التحكم الكلاسيكية والأساليب الحديثة القائمة على البيانات.

• السلامة: القدرة على الحفاظ على استقرار طائرة خفيفة الوزن في رياح مضطربة حيث يفشل PID أمر بالغ الأهمية لتطبيقات مثل البحث والإنقاذ أو التوصيل في الممرات الحضرية.
• القدرة على التعميم: لا يعتمد النهج على مجموعات بيانات ضخمة أو نماذج "الصندوق الأسود"، مما يسهل نشره على منصات طائرات مختلفة بأقل قدر من إعادة التدريب.
• العمل المستقبلي: يقترح المؤلفون توسيع هذا إلى طائرات بدون طيار أكبر، وبيئات أكثر اضطراباً، وتنفيذ تحديد النظام على متن الطائرة باستخدام تاريخ الحالة للتكيف مع الديناميكيات المتغيرة في الوقت الفعلي دون الحاجة لجمع بيانات خارجية.

باختصار، يوفر Adaptive SINDy حلاً قوياً، قابلاً للتفسير، وفعالاً من حيث البيانات لرفض اضطرابات الطائرات بدون طيار، وقد أثبت فعاليته في كل من المحاكاة وظروف الطيران الواقعية الصعبة.