Hybrid Software Controller for Precise Position and Trajectory Control of Quadcopters

Stellen Sie sich vor, Sie versuchen, einem tollpatschigen, vierbeinigen Roboterhund beizubringen, in einer geraden Linie zu laufen, während ein starker Wind gegen ihn bläst. Wenn Sie dem Hund einfach nur sagen würden: „Geh vorwärts“, könnte er stolpern, sich im Kreis drehen oder stecken bleiben, weil er nicht weiß, wie er auf den Wind oder seine eigenen wackeligen Beine reagieren soll. Dies ist die Welt der unbemannten Luftfahrzeuge (Unmanned Aerial Vehicles, UAVs) oder Quadrocopter – diese coolen Flugdrohnen, die wir beim Fotografieren oder bei der Paketlieferung sehen. Sie sind schwierig zu steuern, da sie von Natur aus instabil sind; wenn man sie stößt, wackeln sie, und wenn der Wind sie trifft, driften sie ab.

Um diese Drohnen stabil zu halten, verwenden Ingenieure normalerweise ein Regelsystem namens PID-Regler. Stellen Sie sich einen PID-Regler wie einen sehr strengen, regelkonformen Trainer vor. Er prüft ständig, wo sich die Drohne befindet im Vergleich zu dem, wo sie sein sollte. Wenn die Drohne vom Kurs abkommt, schreit der Trainer: „Beweg dich nach links!“ oder „Beweg dich nach oben!“. Der Trainer hat drei Regeln: Er reagiert auf den aktuellen Fehler (Proportional), er erinnert sich an vergangene Fehler, um anhaltende Fehler zu beheben (Integral), und er sagt zukünftige Fehler voraus, um sie frühzeitig zu verhindern (Derivativ). Dieser Trainer hat jedoch einen Makel: Er ist etwas starr. Wenn der Wind zu stark ist, erreichen die Motoren der Drohne ihre maximale Geschwindigkeit (wie ein Läufer, der gegen eine Wand rennt), und der Trainer schreit weiter „Schneller!“, obwohl er es gar nicht mehr kann. Dies führt dazu, dass die Drohne über das Ziel hinausschießt und wild wackelt, ein Problem, das als „Wind-up“ bezeichnet wird. Um dies zu beheben, haben Ingenieure eine „Sicherheitsbremse“ (Anti-Windup) hinzugefügt, um den Trainer zu stoppen, wenn die Motoren am Limit sind. Aber selbst mit der Sicherheitsbremse kann dieser Trainer nicht lernen oder sich an neue, schwierige Situationen im laufenden Betrieb anpassen.

Dies führt zu einer neuen Idee: Was wäre, wenn wir dem Trainer ein Gehirn geben könnten, das lernen kann? Hier kommen Künstliche Neuronale Netze (ANN) und Tiefe Neuronale Netze (DNN) ins Spiel. Stellen Sie sich dies als einen Schüler vor, der neben dem Trainer sitzt. Der Schüler beobachtet den Wind und das Wackeln der Drohne, lernt aus den Fehlern und flüstert eine winzige Korrektur an das „Ziel“ des Trainers, noch bevor dieser überhaupt schreien kann. Diese Arbeit mit dem Titel „Hybrid Software Controller for Precise Position and Trajectory Control of Quadcopters“ von Mayank Sharma und Kollegen von der Amity University untersucht genau dies. Die Forscher bauten eine Simulation, um zu sehen, ob die Kombination aus dem strengen Trainer (PID) und einem lernenden Schüler (Neuronales Netz) die Drohne flüssiger und genauer fliegen lassen könnte als der Trainer allein.

Das Experiment: Den Drohne den Tanz im Wind beibringen

Die Forscher richteten eine virtuelle 3D-Welt ein, um ihre Ideen zu testen. Sie erstellten eine digitale Quadrocopter, die 1,0 kg wog und einen maximalen Schub von 20 N hatte. Um es realistisch zu machen, ließen sie die Drohne nicht einfach in einem ruhigen Raum fliegen; sie beschossen sie mit einem Wind, der mit einer Stärke von 0,3 N drückte und zog, wobei die Richtung in einem Wellenmuster alle 0,5 Sekunden (einer Frequenz von 0,5 Hz) wechselte. Das Ziel war einfach: Die Drohne sollte zu einem bestimmten Punkt in der Luft fliegen – 2,0 Meter nach vorne, 2,0 Meter zur Seite und 1,5 Meter nach oben – und dort ohne Wackeln bleiben.

Sie testeten drei verschiedene „Gehirne“ für die Drohne:

1. Der klassische Trainer: Ein Standard-PID-Regler mit der Sicherheitsbremse (Anti-Windup), um die Motorlimits zu handhaben.
2. Der Trainer + der Schüler (ANN): Der PID-Regler gepaart mit einem einfachen Künstlichen Neuronalen Netz. Dieser Schüler hatte ein „flaches“ Gehirn mit nur zwei Schichten von Neuronen, das darauf ausgelegt war, Fehler schnell zu erkennen und eine Korrektur an das Ziel zu flüstern.
3. Der Trainer + der tiefe Denker (DNN): Der PID-Regler gepaart mit einem Tiefen Neuronalen Netz. Dieser Schüler hatte ein viel „tieferes“ Gehirn mit vier Schichten von Neuronen, einschließlich einiger spezieller Filter, um Rauschen zu ignorieren und komplexe, chaotische Situationen besser zu bewältigen.

Was sie fanden: Der tiefe Denker gewinnt das Rennen

Die Ergebnisse, die über eine 20-sekündige Flugsimulation beobachtet wurden, erzählten eine klare Geschichte. Beide „Trainer + Schüler“-Teams waren viel besser als der klassische Trainer allein, was bewies, dass das Hinzufügen einer lernenden Ebene hilft, die Drohne mit dem Wind zu bewältigen. Dennoch hatten die beiden Schüler sehr unterschiedliche Persönlichkeiten.

Das ANN (der einfache Schüler) war schnell, aber etwas leichtsinnig. Es reagierte schnell auf den Wind und brachte die Drohne in etwa 2 Sekunden zum Ziel. Aber es war etwas zu eifrig. Als es versuchte, den Pfad zu korrigieren, drückte es die Drohne manchmal zu stark, was dazu führte, dass sie über das Ziel hinausschießte und ein wenig wackelte, bevor sie sich beruhigte. Es war wie ein Sprinter, der zu schnell startet und an der Ziellinie stolpert. Die Bewegungen der Drohne waren etwas ruckartig, und sie musste härter arbeiten (mehr „Regelaufwand“ betreiben), um auf Kurs zu bleiben.

Der DNN (der tiefe Denker) hingegen war zu Beginn etwas vorsichtiger. Er brauchte etwas länger, um die Drohne in Bewegung zu setzen, aber sobald er einmal in Fahrt war, war er unglaublich geschmeidig. Er schoss nicht so stark über das Ziel hinaus und pendelte sich mit sehr wenig Wackeln in der Zielposition ein. Die Simulation zeigte, dass der DNN nach den ersten 5 Sekunden die Drohne viel näher am perfekten Pfad hielt als das ANN. Tatsächlich lag der endgültige „Root Mean Square“ (RMS)-Fehler – eine schicke Art zu messen, wie weit die Drohne im Durchschnitt vom Weg abwich – beim DNN bei etwa 0,03 Metern, verglichen mit 0,05 Metern beim ANN.

Der Unterschied zeigte sich auch darin, wie sich die Drohne bewegte. Das ANN ließ die Motoren der Drohne härter und erratischer arbeiten, insbesondere bei den Drehbewegungen (Rollen und Nicken). Der DNN hingegen hielt die Steuerbefehle der Motoren glatt und stetig. Es war der Unterschied zwischen einem Fahrer, der voll in die Bremsen tritt und das Lenkrad herumreißt, und einem Fahrer, der sanft durch den Verkehr gleitet.

Das Urteil

Die Studie legt nahe, dass, während ein einfaches Lernnetzwerk (ANN) einer Drohne helfen kann, anfangs schneller zu fliegen, ein tieferes, komplexeres Lernnetzwerk (DNN) besser darin ist, den Flug glatt und präzise zu halten, besonders wenn der Wind weht. Indem das DNN das Zielpfad in Echtzeit basierend auf den gesehenen Fehlern sanft anpasst, muss die Drohne nicht so hart gegen den Wind ankämpfen.

Die Autoren kommen zu dem Schluss, dass dieser „hybride“ Ansatz – die Mischung aus dem zuverlässigen, altmodischen PID-Regler mit einem modernen, lernbasierten Neuronalen Netz – ein leistungsstarker Weg ist, um Drohnen intelligenter zu machen. Er bewahrt die Stabilität des klassischen Systems und fügt gleichzeitig die Fähigkeit hinzu, sich an das Chaos der realen Welt anzupassen. Obwohl diese Ergebnisse in einer Computersimulation mit einer Flugzeit von 20 Sekunden gefunden wurden, deuten sie darauf an, dass zukünftige Drohnen stürmische Himmel mit der Anmut einer Tänzerin statt mit dem Stolpern eines tollpatschigen Roboters durchqueren könnten.