Real-Time RLS-Based Adaptive PID Control for UAVs: Implementation and Stability Analysis in Microsoft Flight Simulator

Das Fliegen eines unbemannten Luftfahrzeugs ist ein Balanceakt zwischen dem Kurshalten und der Reaktion auf eine Welt, die niemals stillsteht. Die Luft selbst ist eine sich ständig verändernde Landschaft; Windböen, Änderungen im Treibstoffgewicht und der schlichte Verschleiß einer Mission können beeinflussen, wie ein Flugzeug auf seine Steuerung reagiert. Seit Jahrzehnten verlassen sich Ingenieure auf Autopiloten, die einen standardisierten Satz von Regeln verwenden, um eine Drohne stabil zu halten. Diese Regeln, bekannt als Proportional-Integral-Derivativ-Regler oder PID-Regler, sind wie ein erfahrener Pilot, der genau weiß, wie stark er den Stick drücken muss, um ein Abdriften zu korrigieren. Diese Standard-Piloten sind jedoch in ihrem Denken starr. Sie lernen nicht aus den Veränderungen der Luft von Moment zu Moment. Wenn das Flugzeug schwerer wird oder der Wind stärker weht, könnte ein starrer Pilot überreagieren oder unterreagieren, was zu einem schwankenden Flug oder Energieverschwendung führt. Um dies zu lösen, suchen Forscher seit langem nach Möglichkeiten, Autopiloten zu bauen, die in der Lage sind, ihre eigenen Regeln während des Flugs zu lernen und anzupassen – ein Konzept, das als adaptive Regelung bekannt ist. Die Frage, die dieses Feld antreibt, ist, ob eine Maschine wirklich die Physik des Flugs in Echtzeit lernen und dieses Wissen nutzen kann, um besser zu fliegen als ein von Menschen entworfenes, starres System.

In einer kürzlich durchgeführten Studie untersuchte ein Forscher namens Mohammed Zaouche diese Frage in einer hochpräzisen virtuellen Welt, um zu sehen, ob ein adaptiver Autopilot einen Standard-Autopiloten mit festen Parametern übertreffen könnte. Er arbeitete innerhalb des Microsoft Flight Simulators, einem hochentwickelten Computerprogramm, das die Physik des echten Flugs mit bemerkenswerter Genauigkeit nachahmt. Anstatt eine physische Drohne zu bauen, was teuer und riskant wäre, um sie mit instabiler Software zu testen, erschuf er einen digitalen Zwilling einer Predator MQ-1, einer großen, ausdauernden Militärdrohne. Er verband dieses virtuelle Flugzeug mit einem Computer, auf dem seine benutzerdefinierte Steuerungssoftware lief, wodurch eine Schleife entstand, in der der Simulator Sensordaten an den Computer sendte und der Computer Steuerbefehle zurückgab. Dieser Aufbau, genannt Software-in-the-Loop, ermöglichte es ihm, seine Ideen in einer realistischen Umgebung zu testen, ohne die Gefahr eines echten Absturzes.

Der Kern von Zaouches Experiment war eine neue Art, dem Computer das Fliegen beizubringen. Er gab der Software ein Werkzeug namens Rekursive Kleinste-Quadrate-Methode, die wie ein Schnellrechner fungiert. Während das virtuelle Flugzeug flog, beobachtete dieses Werkzeug ständig die Beziehung zwischen der Höhenrudersteuerung (dem Teil des Leitwerks, der das Flugzeug steigen oder sinken lässt) und der tatsächlichen Höhe. Es nutzte diese Daten, um während des Fluges ein einfaches mathematisches Modell des Verhaltens des Flugzeugs aufzubauen. Basierend auf diesem ständig aktualisierten Modell passte die Software die drei Hauptregler des PID-Reglers an – seine Proportional-, Integral- und Derivativ-Verstärkungen –, um den Flug so ruhig wie möglich zu halten. Die Hoffnung war, dass das adaptive System durch die ständige Neuberechnung der optimalen Einstellungen Turbulenzen und Veränderungen besser bewältigen würde als das feste System, das unabhängig von den Bedingungen dieselben Einstellungen verwendet.

Die Ergebnisse der Studie offenbarten jedoch eine überraschende und etwas ernüchternde Wahrheit. Obwohl das System gut genug funktionierte, um das Flugzeug in der Luft zu halten, bewies es nicht die erhoffte Überlegenheit. Tatsächlich stellte der Forscher, als er das adaptive System anhand realer Flugdaten aus dem Simulator mit dem Standard-Autopiloten mit festen Verstärkungen verglich, fest, dass das adaptive System signifikant mehr Steuerungsaufwand betrieb. Das virtuelle Höhenruder bewegte sich unter der adaptiven Steuerung viel häufiger und intensiver, was darauf hindeutete, dass das System härter arbeitete, aber nicht klüger. Die Studie ergab, dass die Leistung des adaptiven Reglers statistisch nicht besser war als die des festen Reglers, und in einigen Maßen der Energienutzung sogar schlechter abschnitt.

Die bedeutendste Erkenntnis der Arbeit war jedoch nicht, welcher Regler besser war, sondern über einen verborgenen Fehler im Design des adaptiven Systems selbst. Der Forscher entdeckte eine strukturelle Einschränkung in der Art und Weise, wie die Mathematik zusammengesetzt war. Das adaptive System versuchte, die „Pole“ des Flugsteuerungssystems – mathematische Punkte, die die Stabilität bestimmen – in eine sichere Zone zu platzieren, um zu gewährleisten, dass das Flugzeug nicht schwankt. Aber die Art und Weise, wie das System aufgebaut war, bedeutete, dass es drei einstellbare Knöpfe hatte, um eine Situation zu kontrollen, die eigentlich vier erforderte. Es war, als versuche man, ein vier Saiten umfassendes Instrument mit nur drei Stimmschrauben zu stimmen. Aufgrund dieser Diskrepanz blieb ein Stabilitätspunkt unkontrolliert.

Dieser unkontrollierte Punkt, den der Forscher einen „Residualpol“ nennt, wurde in etwa 7,8 Prozent der Flugmomente instabil. Selbst wenn die Software Sicherheitsgrenzen besaß, um zu verhindern, dass die Steuerregler zu weit drehen, konnten diese Grenzen die zugrunde liegende Instabilität nicht zuverlässig beheben. Das Problem wurde dadurch verschärft, dass die Daten, die der Computer zum Lernen nutzte, oft sehr schwer zu interpretieren waren – ein Zustand, der als schlechte Konditionierung bezeichnet wird, was die Vermutungen des Computers über das Verhalten des Flugzeugs unsicher machte. Diese Instabilität war kein einmaliger Fehler; sie trat konsistent in mehreren Testflügen auf, selbst wenn der Forscher dieselbe Logik auf einem völlig anderen Simulator und einem anderen Drohnenmodell testete.

Die Studie kommt zu dem Schluss, dass die Idee eines adaptiven Autopiloten zwar kraftvoll ist, die hier verwendete Methode jedoch einen grundlegenden Designfehler aufweist. Die Kombination aus einem Lernalgorithmus, der mit verrauschten Daten kämpft, und einem Regler, der nicht alle Variablen des Fluges vollständig steuern kann, schafft ein Risiko für echte Instabilität. Die Forschung behauptet nicht, dass adaptive Regelung unmöglich ist, aber sie zeigt, dass dieser spezielle Ansatz, der auf einer einfachen Drei-Knopf-Anpassung für ein komplexes Vier-Teile-Problem basiert, für den realen Einsatz nicht robust genug ist. Die Arbeit dient als rigorose Diagnose und beweist, dass es nicht ausreicht, lediglich eine Lernfunktion hinzuzufügen; die zugrunde liegende Mathematik muss in der Lage sein, die volle Komplexität des Systems zu bewältigen, das sie steuern will. Für die Zukunft der Drohnentechnologie bedeutet dies, dass Ingenieure über einfache Anpassungen hinausgehen und Systeme entwerfen müssen, die jeden Freiheitsgrad der Flugdynamik berücksichtigen, um sicherzustellen, dass kein Stabilitätspunkt dem Zufall überlassen wird.