Model-Reference Adaptive Flight Control of the 95-mg Bee++

Technische Zusammenfassung: Modellreferenz-Adaptive Flugregelung des 95-mg Bee++

Problemstellung
Der Beitrag adressiert die Herausforderung, eine hochleistungsfähige Positionsverfolgung für den Bee++, ein 95 mg schweres insektengroßes Flatterflügel-Luftfahrzeug, zu erreichen. Aufgrund des mikroskopischen Maßstabs und der komplexen Fertigung des Roboters leidet sein dynamisches Modell unter erheblichen Parameterunsicherheiten, insbesondere hinsichtlich der Trägheitsmatrix und der Aktorabbildung. Darüber hinaus macht die geringe Trägheit des Bee++ ihn während des Flugs hochgradig anfällig für stochastische und systematische Störungen, einschließlich Seilspannung, Windböen und aerodynamischer Kräfte, die durch Flügelfehlausrichtungen entstehen. Diese Faktoren erschweren die Ausführung von Manövern mit hoher Geschwindigkeit und präzises Schweben und erfordern eine Regelungsarchitektur, die in Echtzeit auf Modellunsicherheiten und externe Störungen reagieren kann.

Methodik
Die Autoren schlagen einen Modellreferenz-adaptiven Regelungsrahmen (MRAC) vor, der für starre Flatterflügel-Roboter konzipiert ist, die im 3D-Raum operieren. Die Kernmethodik umfasst folgende Komponenten:

• Dynamische Modellierung: Die Translationsdynamik wird unter Verwendung des zweiten Newtonschen Gesetzes modelliert, wobei ein unbekannter aggregierter Störgrößen-Term $d(t)$ integriert wird. Diese Störung wird als lineare Kombination von Gauß-basierten Radialbasisfunktionen (RBFs) parametrisiert, $d(t) = W^T \phi(x)$, wobei $W$ eine Matrix unbekannter Parameter ist und $x$ den Zustandsvektor (Position und Geschwindigkeit) darstellt.
• Regelgesetz: Ein stabilisierendes Regelgesetz wird abgeleitet, das eine Standard-PID-ähnliche Struktur (proportionale, integrale und derivative Terme) kombiniert mit einem Vorwärtsglied und einem adaptiven Term, $f_a = \hat{W}^T \phi(x)$, umfasst. Der adaptive Term ist speziell darauf ausgelegt, die unbekannte Störung zu kompensieren.
• Adaptionsgesetz: Ein Adaptionsgesetz wird abgeleitet, um die Schätzung $\hat{W}$ in Echtzeit zu aktualisieren. Dieses Gesetz wird unter Verwendung einer Lyapunov-Stabilitätsanalyse konstruiert. Durch Definition eines Lyapunov-Funktionskandidaten und Sicherstellung, dass seine zeitliche Ableitung negativ semidefinit ist, leiten die Autoren eine Aktualisierungsregel ($\dot{\hat{W}} = -\gamma \phi \tilde{z}^T P^T B$) ab, die garantiert, dass der Verfolgungsfehler gegen Null konvergiert.
• Stabilitätsanalyse: Die Autoren beweisen, dass die Signale des geschlossenen Regelkreises beschränkt bleiben und dass der Verfolgungsfehler asymptotisch gegen Null konvergiert. Die Analyse zeigt, dass die adaptive Methode Störungen effektiv zurückweist, indem sie den Systemzustand zwingt, ein störungsfreies Referenzmodell zu verfolgen.

Hauptbeiträge

• MRAC-Architektur für Mikro-Roboter: Der Beitrag stellt eine spezifische MRAC-Architektur vor, die auf die einzigartigen Einschränkungen insektengroßer Flatterflügel-Fahrzeuge zugeschnitten ist und sowohl Modellunsicherheiten als auch externe Störungen adressiert.
• Rigoroser Stabilitätsbeweis: Die Arbeit liefert eine formale Stabilitätsanalyse unter Verwendung der Lyapunov-Theorie und beweist die gleichmäßige Stabilität des Gleichgewichtszustands sowie die asymptotische Konvergenz des Verfolgungsfehlers.
• Echtzeit-Experimentelle Validierung: Der Ansatz wird durch Echtzeit-Flugexperimente am physischen Bee++-Roboter validiert und demonstriert damit seine praktische Anwendbarkeit, anstatt sich ausschließlich auf Simulationen zu verlassen.

Experimentelle Ergebnisse
Der vorgeschlagene MRAC-Plan wurde gegen einen Benchmark-Regler ohne Adaptivität (aus vorheriger Arbeit [1]) durch fünf aufeinanderfolgende Schwebversuche mit einer konstanten Referenzposition evaluiert. Die Ergebnisse zeigen:

• Überlegene Leistung: Während beide Regler den Roboter stabilisieren konnten, schnitt das MRAC-Schema den nicht-adaptiven Benchmark deutlich besser ab.
• Quantitative Verbesserungen: Der MRAC-Regler reduzierte die mittleren Root-Mean-Square (RMS)-Positionsfehler um 15 % in Richtung $n_1$, um 44 % in Richtung $n_2$ und um 35 % in Richtung $n_3$ im Vergleich zum Benchmark.
• Spezifische Fehlermetriken: Für das MRAC-Schema betrugen die mittleren RMS-Fehler $2,32 \pm 0,60$ cm ($n_1$), $0,87 \pm 0,39$ cm ($n_2$) und $0,13 \pm 0,03$ cm ($n_3$).
• Adaptives Verhalten: Die zeitliche Entwicklung des adaptiven Kraftterms ($f_a$) demonstrierte die aktive Kompensation von Störungen durch den Regler während des Fluges.

Bedeutung und Behauptungen
Der Beitrag positioniert diese Arbeit als einen entscheidenden Schritt hin zur Ermöglichung von Manövern mit hoher Geschwindigkeit und fortschrittlicher Lageregelung für insektengroße Roboter. Die Autoren behaupten, dass der vorgeschlagene MRAC-Rahmen dem Bee++ erfolgreich ermöglicht, sein Verhalten anzupassen, um Störungen und Modellunsicherheiten zu kompensieren, und damit eine hochleistungsfähige Positionsverfolgung zu gewährleisten. Die Studie zeigt, dass der Ansatz geeignet, funktional und in der Lage ist, unter realen Flugbedingungen hohe Leistung zu erbringen, wie die experimentellen Daten belegen. Die Arbeit behauptet nicht, alle Regelungsprobleme für Mikro-Roboter zu lösen, sondern etabliert ein robustes Fundament für die adaptive Regelung bei erheblichen Unsicherheiten und Störungen.