Learning-based quadrotor tracking control using Recursive Gaussian Processes

Das Fliegen einer Drohne ist ein empfindlicher Balanceakt, eine ständige Verhandlung zwischen den Gesetzen der Physik und der Software, die versucht, sie zu steuern. Für einen Quadrocopter, ein kleines Luftfahrzeug mit vier rotierenden Rotoren, ist es schwierig, einem präzisen Pfad zu folgen, da die Luft um ihn herum niemals vollkommen stillsteht. Windböen, der komplexe Luftwirbel, der durch die Rotoren selbst erzeugt wird, und winzige Unvollkommenheiten in der Konstruktion der Maschine arbeiten zusammen, um sie vom Kurs abzubringen. Traditionelle Flugsteuerungen verlassen sich auf mathematische Modelle, um vorherzusagen, wie sich die Drohne bewegen sollte, aber diese Modelle sind niemals perfekt. Wenn die reale Welt von der Mathematik abweicht, gerät die Drohne ins Straucheln, und ihr Tracking wird träge oder zittrig. Jahrelang haben Ingenieure versucht, dies zu beheben, indem sie Computer lehren, aus ihren Fehlern zu lernen, und dabei maschinelles Lernen nutzen, um die Lücken im Modell zu schließen. Diese intelligenten Systeme waren jedoch historisch gesehen zu schwerfällig für den eigenen Computer der Drohne, um sie während des Flugs auszuführen, was Forscher dazu zwang, sie nur in Simulationen oder am Boden zu testen.

Ein Team von Forschern des Politecnico di Milano hat nun diese Lücke geschlossen und ein System entwickelt, das es einer echten Drohne ermöglicht, ihren Flugpfad während des Fluges zu lernen und zu korrigieren. Sie entwickelten eine Methode, die eine Standard-Flugsteuerung mit einem Lernalgorithmus namens „Recursive Gaussian Process“ kombiniert. Betrachten Sie diesen Lernalgorithmus als ein hocheffizientes Speichersystem, das nicht einfach jede einzelne Begegnung mit Daten speichert, was einen kleinen Computer schnell überfordern würde, sondern stattdessen eine kuratierte, kompakte Zusammenfassung der wichtigsten Informationen aufbewahrt. Dies ermöglicht es der Drohne, ihr Verständnis des Windes und ihrer eigenen Eigenheiten in Echtzeit zu aktualisieren, ohne anhalten zu müssen, um eine massive Datenbank zu verarbeiten. Die Forscher testeten dieses System an einem echten Quadrocopter namens ANT-X Lab Drone, der durch eine Reihe komplexer, wellenförmiger Pfade in einer Indoor-Arena flog. Die Ergebnisse waren eindeutig: Indem sie die Drohne erlaubten, ihre eigenen Fehler während des Flugs zu lernen, reduzierte das System die Tracking-Fehler um zwischen 38 % und 75 % im Vergleich zu derselben Drohne, die ohne diese Lernfähigkeit flog.

Die zentrale Herausforderung, die die Forscher bewältigten, war die Rechenleistung des Lernens. Standardmäßige maschinelle Lernmodelle, die Gauß-Prozesse verwenden, sind unglaublich leistungsfähig bei der Vorhersage unbekannter Verhaltensweisen, erfordern aber normalerweise, dass ein Computer alles bei jedem neuen Datensatz von Grund auf neu berechnet. Für eine Drohne, die mit hoher Geschwindigkeit fliegt, ist dies zu langsam. Die Forscher lösten dies durch einen „rekursiven“ Ansatz. Anstatt jede neue Beobachtung als einen Neuanfang zu behandeln, aktualisiert das System sein internes Modell inkrementell – ganz ähnlich wie ein Mensch, der seinen mentalen Plan verfeinert, während er durch eine neue Stadt geht, anstatt mit jedem Schritt die gesamte Karte neu zu zeichnen. Um dies noch schneller zu machen, wählten sie vorab einen festen Satz von Referenzpunkten oder „Basisfunktionen“ (Basis Vectors) aus, die den wahrscheinlichen Bewegungsbereich der Drohne abdecken. Der Lernalgorithmus passt dann nur die Werte im Zusammenhang mit diesen festen Punkten an, anstatt zu versuchen, jeden einzelnen Moment des Fluges zu speichern. Dieser Trick reduzierte die Rechenlast so weit, dass das gesamte System direkt auf dem Bordcomputer der Drohne laufen konnte – ein bedeutender Sprung gegenüber früheren Versuchen, die eine separate, leistungsstarke Bodenstation zur Berechnung benötigten.

Um sicherzustellen, dass die Drohne sicher und effektiv lernen konnte, entwarf das Team einen spezifischen Arbeitsablauf. Bevor das Lernen einsetzt, schwebt die Drohne und stabilisiert sich. Dann folgt eine „Aufwärmphase“ von vier Sekunden, in der das System erste Daten sammeln und seine internen Einstellungen abstimmen kann, ohne sofort zu versuchen, den Flugpfad zu korrigieren. Dies verhindert, dass die Drohne auf Rauschen oder plötzliche, untypische Bewegungen überreagiert. Sobön das System bereit ist, beginnt es, auf die Differenz zwischen dem Ort, an den die Drohne geschickt werden sollte, und dem Ort, an dem sie tatsächlich war, zu hören. Dieser Unterschied, verursacht durch Wind oder aerodynamischen Widerstand, ist das, was der Lernalgorithmus vorherzusagen und zu kompensieren versucht. Die Forscher verwendeten eine spezielle Filtertechnik, um die Rohsensordaten zu glätten, um sicherzustellen, dass die Drohne nicht von zufälligen Sensorfehlern lernte, sondern von echten Mustern in der Luft. Diese sorgfältige Vorbereitung ermöglichte es dem Lernsystem, sich auf die wahre Physik des Fluges zu konzentrieren und nicht auf das Rauschen der Sensoren.

Die Experimente beinhalteten das Fliegen der Drohne entlang verschiedener sinusförmiger oder wellenförmiger Pfade. Einige Pfade wiederholten das gleiche Muster immer und immer wieder, während andere ihre Form oder Geschwindigkeit kontinuierlich änderten, um zu testen, ob das System auf neue Situationen reagieren konnte, die es zuvor noch nie gesehen hatte. In den Tests wurde die Drohne angewiesen, Pfaden mit unterschiedlichen Geschwindigkeiten und Amplituden zu folgen, wobei sie sich auf einer geraden Linie vor und zurück bewegte. Die Ergebnisse zeigten, dass die lernbasierte Steuerung die Standardsteuerung deutlich übertraf. Beim Fliegen eines stetigen, sich wiederholenden Wellenmusters bei moderater Geschwindigkeit reduzierte das Lernsystem den durchschnittlichen Fehler auf nur 4,5 Zentimeter, eine dramatische Verbesserung gegenüber dem Fehler von 17,3 Zentimetern der Standardsteuerung. Selbst wenn sich der Flugpfad ständig änderte, wie etwa bei einer schwenkenden Bewegung, bei der Geschwindigkeit und Richtung variierten, gelang es dem Lernsystem dennoch, den Fehler um fast 40 % zu senken. Die Verbesserung war am ausgeprägtesten, wenn die Drohne innerhalb des Bereichs der Bedingungen flog, die sie während ihrer Lernphase gesehen hatte, aber sie bot auch in neuen, variierenden Bedingungen erhebliche Vorteile.

Einer der wichtigsten Aspekte dieser Arbeit ist, dass sie beweist, dass lernbasierte Steuerung sicher und effektiv auf echter Hardware erfolgen kann, nicht nur in Computersimulationen. Die Forscher demonstrierten, dass das System die Komplexität einer realen Umgebung bewältigen konnte, einschließlich der subtilen aerodynamischen Effekte, die mathematisch schwer zu modellieren sind. Durch den erfolgreichen Betrieb des Algorithmus an Bord zeigten sie, dass die rechnerischen Einschränkungen kleiner Drohnen kein hartes Hindernis mehr für die Nutzung fortgeschrittener Lerntechniken darstellen. Die Studie hob auch die Bedeutung der Feinabstimmung des Lernsystems hervor. Die Forscher entwickelten eine neue Methode zur Anpassung der internen Parameter des Systems, die von der Funktionsweise von Kalman-Filtern inspiriert war, was es dem System ermöglichte, die optimalen Einstellungen für das Lernen wesentlich effektiver zu finden als bisherige Methoden. Diese Abstimmung war entscheidend, um sicherzustellen, dass die Drohne beim Lernen nicht zu empfindlich oder instabil wurde.

Der Erfolg dieses Projekts deutet auf eine Zukunft hin, in der Drohnen autonomer sein können und in der Lage sind, komplexe Aufgaben in unvorhersehbaren Umgebungen zu bewältigen. Wenn eine Lieferdrohne lernen kann, eine plötzliche Windböe oder eine Änderung der Luftdichte ohne menschliches Eingreifen zu kompensieren, wird sie zu einem viel zuverlässigeren Werkzeug. Die Arbeit der Forscher bietet einen konkreten Weg nach vorn und zeigt, dass es möglich ist, durch die Kombination von klassischer Regelungstheorie mit modernen, effizienten Lernalgorithmen Flugsyteme zu schaffen, die sowohl intelligent als auch robust sind. Der Schlüssel lag nicht nur im Lernen selbst, sondern in dem Engineering, das das Lernen schnell genug machte, um in Echtzeit zu geschehen. Indem sie die Rechenanforderungen niedrig hielten und den Lernprozess fokussierten, verwandelte das Team ein theoretisches Konzept in eine praktische Realität und demonstrierte, dass eine kleine Drohne tatsächlich lernen kann, während sie fliegt, besser zu fliegen.