Accurate Trajectory Tracking with Model Predictive Contouring Control for Bird-Scale Flapping-Wing MAVs

Stellen Sie sich eine Welt vor, in der der Himmel nicht mit summenden, propellergesteuerten Drohnen gefüllt ist, sondern mit lautlosen, anmutigen Maschinen, die ihre Flügel genau wie Vögel schlagen. Dies ist der Traum des Schlagflügelflugs – ein Feld der Robotik, das eine sicherere, leisere und natürlichere Interaktion mit unserer Umgebung verspricht. Während winzige, insektengroße Roboter diese Kunst bereits perfektioniert haben, stellt die Skalierung auf die Größe eines Vogels ein einzigartiges Rätsel dar. Im Gegensatz zu Insekten, die schweben und abheben können, ohne sich vorwärts zu bewegen, sind vogelgroße Flieger wie Segelboote: Sie benötigen Vorwärtsgeschwindigkeit, um Auftrieb zu erzeugen, und ihre Fähigkeit zu wenden, zu steigen oder zu tauchen, ist eng miteinander gekoppelt. Wenn man schneller wird, kann man besser wenden; wenn man stärker schlägt, steigt man auf, beschleunigt aber gleichzeitig. Diese „Kopplung“ macht die Steuerung unglaublich schwierig. Traditionelle Steuerungen versuchen, Höhe, Geschwindigkeit und Richtung separat zu regeln, wie ein Fahrer, der versucht, zu lenken, zu bremsen und zu beschleunigen, mit drei verschiedenen Händen, die nicht miteinander kommunizieren. Dies führt oft zu einem wackeligen, ungenauen Flug, besonders wenn der Vogel einem komplexen, gewundenen Pfad folgen muss.

Dieses Paper stellt einen neuen Weg vor, wie man diese vogelgroßen Roboter lehrt, mit Präzision zu fliegen. Die Forscher entwickelten ein intelligentes Steuersystem namens Model Predictive Contouring Control (MPCC). Stellen Sie sich das wie ein GPS vor, das dem Vogel nicht nur sagt, wo er zu einem bestimmten Zeitpunkt sein soll, sondern ihn wie einen Zug auf einer Schiene entlang eines Pfades führt, wobei der Vogel seine eigene Geschwindigkeit selbst bestimmen darf. Anstatt einem starren Zeitplan zu folgen, blickt der Vogel ständig voraus, berechnet, wie sein Schlagen und Wenden seine zukünftige Position beeinflussen werden, und passt sich in Echtzeit an, um auf der Linie zu bleiben. Um dies zu ermöglichen, erschufen sie ein vereinfachtes, aber akkurates „Gehirn“ für den Roboter – ein mathematisches Modell, das die komplizierten Verbindungen zwischen Geschwindigkeit, Wenden und Steigen versteht, ohne sich in komplexer Strömungsphysik zu verlieren. Als sie dies an einem echten, kommerziell erhältlichen Vogel-Drohnenmodell namens XFly testeten, waren die Ergebnisse beeindruckend. Der Roboter konnte entlang kreisförmiger und 3D-Rennstrecken mit Geschwindigkeiten von bis zu 3 Metern pro Sekunde fliegen und dabei innerhalb eines winzigen Bereichs von 6,5 bis 9 Zentimetern von der gewünschten Bahn bleiben. Dies ist eine 8,5-fache Verbesserung gegenüber bisherigen Methoden und beweist, dass vogelgroße Drohnen mit der richtigen Art des „Denkens“ endlich so reibungslos fliegen können wie das echte Vorbild.

Das Problem: Der wackelnde Vogel

Stellen Sie sich vor, Sie fahren Fahrrad, wobei der Lenker, die Pedale und die Bremsen alle durch eine einzige, verhedderte Schnur verbunden sind. Wenn Sie schneller treten, um einen Hügel hinaufzufahren, reißt der Lenker plötzlich nach links. Wenn Sie versuchen zu wenden, werden Sie langsamer und sinken einige Zentimeter ab. Genau das passiert bei vogelgroßen Schlagflügel-Drohnen. Sie werden von nur wenigen Steuerungen regiert: wie stark sie schlagen und wie sehr sie ihren Schwanz (das Ruder) bewegen. Aber diese Steuerungen arbeiten nicht isoliert. Stärkeres Schlagen lässt den Vogel schneller werden und aufsteigen. Schnelleres Wenden erfordert mehr Geschwindigkeit, um stabil zu bleiben.

Ältere Steuerungsverfahren versuchten dies zu handhaben, indem sie jede Aufgabe separat behandelten. Eine Computerschleife versuchte, die Höhe stabil zu halten, eine andere die Geschwindigkeit und eine dritte die Richtung. Da die Physik des Vogels jedoch so eng miteinander verwoben ist, verschlimmerte die Lösung eines Problems oft ein anderes. Es war, als würde man versuchen, einen Stapel Jenga-Blöcke zu balancieren, indem man immer nur einen Stein nach dem anderen berührt; das Ganze würde wackeln und abstürzen, sobald komplexe Manöver durchgeführt werden. Zudem erforderten diese alten Systeme einen vorab geplanten Zeitplan, der der Drohne genau vorgab, wie schnell sie in jeder Sekunde fliegen sollte. Wenn der Vogel müde wurde (Batterie leer war) oder von einer Windböe getroffen wurde, konnte er sich nicht anpassen, und der gesamte Plan brach zusammen.

Die Lösung: Das „Pfadfolgende“ Gehirn

Die Autoren dieses Papers entschieden sich, nicht gegen die natürliche Physik des Vogels anzukämpfen, sondern mit ihr zu arbeiten. Sie entwickelten ein neues Steuersystem bassierend auf dem Konzept des Model Predictive Contouring Control (MPCC).

Um MPCC zu verstehen, stellen Sie sich einen Rennwagenfahrer auf einer kurvigen Strecke vor. Eine traditionelle Steuerung ist wie ein Fahrer, der ein Skript auswendig gelernt hat: „Nach 10 Sekunden Gas geben; nach 11 Sekunden nach links lenken.“ Wenn das Auto einen Schlagloch trifft und langsamer wird, versucht der Fahrer immer noch, zur 11-Sekunden-Marke nach links zu lenken, obwohl er noch gar nicht an der richtigen Stelle ist.

Der MPCC-Ansatz ist anders. Er sagt dem Fahrer: „Bleib auf der weißen Linie der Strecke.“ Es ist egal, wann du die nächste Kurve erreichst, nur wichtig ist, dass du nah an der Linie bleibst. Das System fragt sich ständig: „Wenn ich jetzt ein wenig lenke, wo werde ich in der nächsten Sekunde sein? Wenn ich etwas stärker schlage, werde ich dann auch zu hoch steigen?“ Es löst dieses Rätsel immer und immer wieder, hunderte Male pro Sekunde, um das perfekte Gleichgewicht zwischen Flügelschlag und Wenden zu finden, um auf dem Pfad zu bleiben. Dies ermöglicht es dem Vogel, natürlich zu beschleunigen oder abzubremsen, um der Kurve der Strecke zu entsprechen, anstatt eine starre Geschwindigkeit zu erzwingen, die zum Absturz führen könnte.

Das Geheimrezept: Ein einfaches, aber kluges Modell

Damit ein Computer dieses Rätsel in Echtzeit lösen kann, benötigt er ein Modell davon, wie sich der Vogel bewegt. Doch die reale Physik von schlagenden Flügeln ist unglaublich komplex und beinhaltet wirbelnde Luft und Strömungsdynamik, deren Berechnung Stunden dauern kann. Die Forscher brauchten ein Modell, das einfach genug war, um sofort zu laufen, aber präzise genug, um das komplexe Verhalten des Vogels zu erfassen.

Sie erstellten ein Neun-Zustands-Modell. Betrachten Sie dies als eine vereinfachte Karte der Welt des Vogels. Anstatt jedes winzige Luftmolekül zu verfolgen, verfolgt es neun Schlüsselwerte: wo sich der Vogel befindet, wie schnell er vorwärts fliegt, wie schnell er steigt, wie schnell er sich dreht und wie schnell sich diese Geschwindigkeiten ändern. Entscheidend ist, dass dieses Modell die „Kopplungen“ enthält – die Tatsache, dass das Wenden zu einem Höhenverlust führt und das Schlagen zur Beschleunigung führt. Durch die Verwendung glatter mathematischer Funktionen machten sie dieses Modell für den Computer leicht lösbar, sodass es 100 Mal pro Sekunde (100 Hz) laufen konnte.

Die Testfahrt: Das Rennen mit der XFly

Um zu beweisen, dass ihre Idee funktioniert, testete das Team sie an der XFly, einer kommerziell erhältlichen Vogel-Drohne mit einer Spannweite von 38 cm und einem Gewicht von etwa 12 Gramm. Sie richteten einen Motion-Capture-Raum mit Kameras ein, um die Position des Vogels mit Millimeterpräzision zu verfolgen.

Sie forderten den Vogel mit zwei Arten von Tests heraus:

1. Der Kreis: Eine einfache Schleife mit einem Radius von 1,5 Metern.
2. Die Rennstrecke: Ein komplexer 3D-Kurs mit Toren, Loops und Höhenänderungen, der einem Vogelflugrennen ähnelt.

Die Ergebnisse waren beeindruckend. Auf der kreisförmigen Bahn hielt das neue MPCC-System den Vogel auf einer durchschnittlichen Distanz von 6,5 Zentimetern vom idealen Pfad. Die bisher beste Methode, die dieselbe Drohne und dieselbe Hardware verwendete, hatte einen durchschnittlichen Fehler von 55 Zentimetern. Das ist eine 8,5-fache Verbesserung. Auf den schwierigeren 3D-Rennstrecken blieb der Fehler unter 9 Zentimetern, selbst während der Vogel Geschwindigkeiten von bis zu 3 Metern pro Sekunde erreichte.

Warum es wichtig ist

Die Forscher führten auch ein „Was-wäre-wenn“-Experiment durch, um zu sehen, welche Teile ihres neuen Gehirns am wichtigsten waren. Sie versuchten, die Teile zu entfernen, die erklärten, wie die Geschwindigkeit des Vogels das Wenden beeinflusst, oder die Teile, die erklärten, dass das Wenden zu einem Höhenverlust führt. In beiden Fällen wurde der Vogel instabil und stürzte ab. Dies bewies, dass das Verständnis der natürlichen „Kopplungen“ des Vogels nicht nur ein nettes Extra ist, sondern essenziell für einen stabilen Flug.

Obwohl das aktuelle System einen Laptop benötigt, um die schweren Berechnungen durchzuführen (was es zu schwer macht, um es selbst auf dem Vogel zu tragen), zeigt der Erfolg dieses Experiments, dass vogelgroße Drohnen endlich die Art des präzisen, autonomen Flugs erreichen können, die lange Zeit dem Bereich der Hubschrauber und Propellerdrohnen vorbehalten war. Indem sie diese Maschinen gelehrt haben, über ihren Pfad zu „denken“, statt nur einem Skript zu folgen, haben die Autoren einen großen Schritt in Richtung einer Zukunft gemacht, in der schlagflügelartige Roboter unsere Welt so anmutig und sicher navigieren können wie die Vögel, denen sie nachempfunden sind.