⚡ electrical engineering

Error-State LQR Formulation for Quadrotor UAV Trajectory Tracking

Dieses Papier schlägt eine robuste Trajektorienfolgeregelungsstrategie für Quadrotor-UAVs vor, die einen Fehlerzustands-LQR (Linear Quadratic Regulator) mit Exponentialkoordinaten für Orientierungsfehler nutzt, integriert mit einem kaskadierten Körperratenregler, um eine präzise und stabile Leistung in dynamischen Umgebungen zu gewährleisten.

Ursprüngliche Autoren: Micah Reich

Veröffentlicht 2026-06-08

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC0 1.0

Ursprüngliche Autoren: Micah Reich

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem winzigen, vierrotoren-gesteuerten Hubschrauber (einem Quadrocopter) beizubringen, perfekt entlang eines bestimmten Pfades zu fliegen, wie ein Seiltänzer auf einem Seil in der Luft. Das Problem ist, dass der Hubschrauber von Natur aus chaotisch ist; er wackelt, dreht sich und reagiert unvorhersehbar auf Wind und seine eigenen Bewegungen. Wenn man versucht, ihm eine einzige, riesige Anweisung für den gesamten Pfad auf einmal zu geben, wird er verwirrt und stürzt ab.

Dieses Paper schlägt eine intelligentere Art vor, die Drohne zu steuern, indem es eine Methode namens Error-State LQR verwendet. So funktioniert es, unterteilt in einfache Konzepte:

1. Der „Geister-Hubschrauber“ vs. der „reale Hubschrauber“

Anstatt zu versuchen, die tatsächliche, chaotische Position der Drohne direkt zu steuern, erstellt der Controller einen mentalen „Geister-Hubschrauber“.

Der Geister-Hubschrauber fliegt perfekt entlang des idealen Pfades, den Sie vorgegeben haben. Er weiß genau, wo er sein sollte, wie schnell er sein sollte und in welche Richtung er schauen muss.
Der reale Hubschrauber ist derjenige, der tatsächlich in der Luft ist und vielleicht etwas von der Kursabweichung entfernt ist.

Der Controller macht sich keine Sorgen um die absolute Position der Drohne (wie „Ich bin bei den Koordinaten 10, 10, 10“). Stattdessen kümmert er sich nur um den Unterschied zwischen dem realen Hubschrafer und dem Geister-Hubschrauber. Dieser Unterschied wird als Error State (Fehlerzustand) bezeichnet.

2. Der „Kleine-Winkel“-Trick (Exponentialkoordinaten)

Einer der schwierigsten Teile beim Fliegen einer Drohne ist es, deren Orientierung (in welche Richtung sie geneigt ist) zu beschreiben. Traditionelle Methoden verwenden Winkel (wie Nick-, Roll- und Gierwinkel), aber diese können mathematisch „feststecken“ oder kaputtgehen, wenn die Drohne sich überschlägt (ein Problem, das als Singularität bezeichnet wird).

Dieses Paper verwendet ein cleveres mathematisches Werkzeug namens Exponentialkoordinaten. Man kann sich das so vorstellen, als würde man eine Neigung nicht dadurch beschreiben, dass man sagt „es sind 90 Grad“, sondern indem man sagt „es braucht einen winzigen Stoß in diese spezifische Richtung, um wieder gerade zu werden“.

Solange die Drohne nah am Pfad ist, sind diese „winzigen Stöße“ sehr klein und leicht zu berechnen.
Dies ermöglicht es dem Computer, die komple-xe, verdrehende Bewegung der Drohne als ein einfaches, geradliniges Problem zu behandeln, was viel schneller zu lösen ist.

3. Das „Perfekte Gleichgewicht“ (LQR)

Sobald das Problem vereinfacht wurde auf die Fragen „Wie weit sind wir abseits?“ und „Wie stark müssen wir stoßen?“, nutzt der Controller eine Strategie namens Linear Quadratic Regulator (LQR).

Stellen Sie sich vor, Sie balancieren einen Besenstiel auf Ihrer Hand aus.

Wenn der Besenstiel ein wenig nach links neigt, bewegen Sie Ihre Hand ein wenig nach links.
Wenn er stark neigt, bewegen Sie Ihre Hand stark.
Aber Sie wollen auch nicht Ihre Hand zu wild bewegen, da dies Energie verschwendet und den Besenstiel zum Zittern bringt.

Der LQR ist eine mathematische Formel, die ständig das perfekte Gleichgewicht berechnet zwischen:

Die Drohne schnell wieder auf den Pfad zu bringen (den Fehler minimieren).
Nicht zu viel Energie oder Motorkraft zu verbrauchen (den Aufwand minimieren).

Er löst dieses Gleichgewichtsproblem tausende Male pro Sekunde. In jedem Sekundenbruchteil berechnet er den Pfad des „Geister-Hubschraubers“ neu und fragt: „Okay, gegeben die Position, an der wir jetzt gerade sind, was ist der beste winzige Stoß, um wieder auf Kurs zu kommen?“

4. Das Zwei-Ebenen-Team (Kaskadierte Steuerung)

Das Paper beschreibt einen Zwei-Personen-Team-Ansatz, um die Drohne tatsächlich zu bewegen:

Das Gehirn (der LQR-Controller): Dieser übergeordnete Denker entscheidet: „Wir müssen leicht nach rechts drehen und beschleunigen.“ Er gibt eine gewünschte Geschwindigkeit für die Rotation der Drohne aus. Er weiß nicht, wie die Motoren funktionieren; er kennt nur das Ziel.
Der Muskel (der Bodyrate-Controller): Dies ist der untergeordnete Arbeiter, der tatsächlich die Motoren steuert. Er nimmt das Ziel des Gehirns („Drehe mit dieser Geschwindigkeit nach rechts“) und berechnet genau, wie viel Leistung er an jeden der vier Motoren senden muss, um das zu erreichen. Er nutzt eine einfache Feedback-Schleife: „Drehen wir zu langsam? Gib den Motoren mehr Power. Zu schnell? Verringere die Power.“

Zusammenfassung

Kurz gesagt präsentiert dieses Paper ein System, bei dem eine Drohne nicht versucht, einen komplexen Flugpfad auswendig zu lernen. Stattdessen vergleicht sie sich ständig mit einer perfekten „Geister“-Version des Fluges. Sie misst die winzigen Unterschiede, nutzt eine mathematische „Waage“, um den effizientesten Weg zu finden, um diese winzigen Unterschiede zu korrigieren, und sendet dann einfache Befehle an ihre Motoren, um die Korrektur auszuführen. Dies ermöglicht es der Drohne, selbst in schwierigen, wechselnden Umgebungen reibungslos und präzise zu fliegen.

Technisches Resümee: Error-State LQR-Formulierung für die Trajektorienverfolgung von Quadrotor-UAVs

Problemstellung

Die Steuerung von Quadrotor-Unmanned Aerial Vehicles (UAVs) wird durch deren inhärente nichtlineare Dynamik, Unteraktuierung und die Anforderung einer präzisen Trajektorienverfolgung in dynamischen Umgebungen erschwert. Traditionelle Steuerungsverfahren stehen oft vor einem Kompromiss zwischen der effizienten Handhabung dieser Nichtlinearitäten und der notwendigen Rechenpraktikabilität für Echtzeitanwendungen. Insbesondere die Darstellung von Orientierungsfehlern mittels Standardparametrisierungen wie Euler-Winkeln führt zu Singularitäten, während die direkte Steuerung der vollen nichtlinearen Dynamik für Hochfrequenz-Feedbackschleifen rechentechnisch zu aufwendig sein kann.

Methodik

Die Arbeit schlägt eine Error-State Linear Quadratic Regulator (LQR)-Formulierung vor, die diese Herausforderungen durch eine kaskadierte Steuerungsarchitektur und eine spezifische mathematische Darstellung von Fehlern adressiert.

1. Error-State-Darstellung

Der Kern der Methodik ist die Definition eines Error-State-Vektors ( $\delta x$ ), der Abweichungen von einer nominalen Trajektorie erfasst.

Zustandsdefinition: Der volle Zustand umfasst Position ( $p$ ), Geschwindigkeit ( $v$ ) und Orientierung (dargestellt als Einheitsquaternion $q$ ).
Fehlerdefinition: Der Error-State $\delta x = [\delta p, \delta \theta, \delta v]^T$ wird konstruiert, indem der nominale Zustand vom tatsächlichen Zustand subtrahiert wird.
Handhabung der Orientierung: Entscheidend ist, dass die Orientierungsfehler nicht als Quaternionendifferenz oder Euler-Winkel dargestellt werden. Stattdessen werden Exponentialkoordinaten ( $\delta \theta$ ) verwendet, wobei die Rotationsfehlermatrix als $\delta R = \exp([\delta \theta]_\times)$ definiert ist. Dies bietet eine kompakte, singularitätsfreie Darstellung von Orientierungsfehlern.

2. Systemdynamik und Linearisierung

Die Arbeit leitet die Kinematik und Dynamik für den tatsächlichen Zustand, den nominalen Zustand und den Error-State basierend auf einer einzigen Starrkörperannahme mit gebündelter Masse ab.

Ableitung: Die Zeitableitungen der Error-States ( $\dot{\delta p}, \dot{\delta v}, \dot{\delta \theta}$ ) werden hergeleitet. Die Ableitung nutzt Kleinzahl-Approximationen und vernachlässigt Terme zweiter Ordnung, um die Beziehung zwischen der tatsächlichen und der nominalen Dynamik zu vereinfachen.
Linearisierung: Die nichtlinearen Error-State-Dynamiken werden in einer ausreichend hohen Frequenz um den aktuellen Tracking-Fehler herum linearisiert. Diese iterative Re-Linearisierung ermöglicht es, das System in der Form $\dot{\delta x} \approx A\delta x + B\delta u$ darzustellen, wobei $A$ und $B$ Jacobi-Matrizen sind, die aus der Fehlerdynamik abgeleitet wurden. Dieser Ansatz ermöglicht die Anwendung linearer Steuerungstheorie auf ein nichtlineares System, indem der Linearisierungspunkt kontinuierlich aktualisiert wird.

3. Steuerungsarchitektur

Die Steuerungsstrategie ist als kaskadiertes System implementiert:

Äußerer Regelkreis (LQR): Ein LQR-Regler wird entworfen, um eine quadratische Kostenfunktion $J = \int_0^\infty (\delta x^T Q \delta x + \delta u^T R \delta u) dt$ zu minimieren. Der Regler berechnet eine Feedback-Gain-Matrix $K$ (via der algebraischen Riccati-Gleichung), um einen korrigierenden Steuerungsinput $\delta u = -K\delta x$ zu generieren. Der gesamte Steuerungsinput ist $u_t = u - K\delta x$ .
Innerer Regelkreis (Bodyrate-Regler): Der LQR behandelt die gewünschte Winkelgeschwindigkeit als virtuellen Steuerungsinput. Es wird ein kaskadierter Bodyrate-Regler eingesetzt, um diese gewünschten Geschwindigkeiten zu verfolgen. Dieser innere Regelkreis verwendet einen Proportional (P)-Regler mit Feedback-Linearisierung, der das erforderliche Drehmoment $\tau$ bassierend auf dem Trägheitstensor $J$ und der Differenz zwischen gewünschten und tatsächlichen Winkelgeschwindigkeiten berechnet.

Zentrale Beiträge

Singularitätsfreie Orientierungsfehler: Die Arbeit demonstriert die Verwendung von Exponentialkoordinaten zur Darstellung von Orientierungsfehlern, wodurch die mit Euler-Winkeln verbundenen Singularitäten vermieden werden.
Iterative Re-Linearisierung: Sie liefert eine detaillierte Herleitung, die zeigt, wie Error-State-Dynamiken um den aktuellen Fehler linearisiert werden können, was es einem LQR-Regler ermöglicht, effektiv auf nichtlineare Quadrotor-Dynamiken in Echtzeit zu operieren.
Integration kaskadierter Steuerung: Die Arbeit integriert den LQR-Trajektorienverfolger mit einem Bodyrate-Regler und behandelt explizit die Abbildung von virtuellen Winkelgeschwindigkeitsbefehlen auf physikalische Aktuatordrehmomente.
Umfassende Herleitung: Die Arbeit bietet eine vollständige mathematische Herleitung der Error-State-Kinematik, des Linearisierungsprozesses und der Konstruktion der Jacobi-Matrizen ( $A$ und $B$ ), die für die LQR-Formulierung erforderlich sind.

Ergebnisse

Die Arbeit präsentiert Simulationsergebnisse, welche die Leistung des vorgeschlagenen Reglers demonstrieren.

Trajektorienverfolgung: Es wird gezeigt, dass der Regler eine Lemniskaten-Trajektorie (Achtform) erfolgreich verfolgt.
Yaw-Tracking: Das System verfolt Yaw-Winkel entlang der Trajektorie effektiv.
Anfangsbedingungen: Die Ergebnisse merken an, dass Tracking-Fehler zu Beginn der Trajektorie darauf zurückzuführen sind, dass das UAV mit einer flachen Anfangsorientierung ( $q_0 = (1, 0, 0, 0)^T$ ) startet, welche der Regler im Verlauf korrigiert.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass diese Error-State LQR-Formulierung eine robuste und recheneffiziente Lösung für die Trajektorienverfolgung von Quadrotoren bietet. Durch die Nutzung von Exponentialkoordinaten und iterativer Linearisierung erreicht die Methode:

Präzision und Stabilität: Die Fähigkeit, Positions-, Geschwindigkeits- und Orientierungsfehler in dynamischen Umgebungen gegen Null zu führen.
Echtzeit-Anwendbarkeit: Die linearisierte Systemdarstellung ermöglicht hochfrequente Steuerungs-Updates ohne den Rechenaufwand, bei jedem Schritt vollständige nichtlineare optimale Kontrollprobleme lösen zu müssen.
Robustheit: Der Ansatz handhabt die Nichtlinearitäten des Quadrotors, indem er sich auf die Minimierung der Abweichungen von einer nominalen Trajektorie konzentriert, anstatt die volle nichtlineare Dynamik direkt zu steuern.

Die Arbeit positioniert sich als praktischer Rahmen für die präzise Quadrotor-Steuerung, der die Lücke zwischen klassischer linearer Steuerungstheorie (LQR) und der komplexen nichtlinearen Realität des UAV-Fluges schließt.