Learning-based quadrotor tracking control using Recursive Gaussian Processes

Faire voler un drone est un équilibre délicat, une négociation constante entre les lois de la physique et le logiciel qui tente de les commander. Pour un quadrotor, un petit aéronef doté de quatre rotors en rotation, maintenir une trajectoire précise est difficile car l'air environnant n'est jamais parfaitement immobile. Les rafales de vent, le tourbillon complexe d'air créé par les propres rotors de l'appareil, et les minuscules imperfections de la construction de la machine conspirent toutes pour le faire dévier de sa course. Les contrôleurs de vol traditionnels s'appuient sur des modèles mathématiques pour prédire comment le drone devrait se déplacer, mais ces modèles ne sont jamais parfaits. Lorsque le monde réel s'écarte des mathématiques, le drone trébuche, son suivi devenant poussif ou saccadé. Pendant des années, les ingénieurs ont tenté de résoudre ce problème en apprenant aux ordinateurs à tirer des leçons de leurs erreurs, utilisant l'apprentissage automatique pour combler les lacunes du modèle. Cependant, ces systèmes intelligents étaient historiquement trop lourds pour être exécutés par l'ordinateur de bord du drone pendant le vol, forçant les chercheurs à ne les tester que dans des simulations ou au sol.

Une équipe de chercheurs du Politecnico di Milano a désormais comblé cette lacune, créant un système qui permet à un drone réel d'apprendre et de corriger sa propre trajectoire de vol pendant qu'il est en l'air. Ils ont développé une méthode qui combine un contrôleur de vol standard avec un algorithme d'apprentissage appelé Processus Gaussien Récursif. Considérez cet algorithme d'apprentissage comme un système de mémoire hautement efficace qui ne se contente pas de stocker chaque donnée rencontrée, ce qui submergerait rapidement un petit ordinateur, mais conserve plutôt un résumé compact et organisé des informations les plus importantes. Cela permet au drone de mettre à jour sa compréhension du vent et de ses propres particularités en temps réel, sans avoir besoin de s'arrêter pour traiter une base de données massive. Les chercheurs ont testé ce système sur un quadrotor réel nommé le drone ANT-X Lab, le faisant voler à travers une série de trajectoires sinueuses complexes dans une arène intérieure. Les résultats étaient clairs : en laissant le drone apprendre ses propres erreurs à la volée, le système a réduit les erreurs de suivi de 38 % à 75 % par rapport au même drone volant sans cette capacité d'apprentissage.

Le défi central auquel les chercheurs ont été confrontés était le coût computationnel de l'apprentissage. Les modèles d'apprentissage automatique standard utilisant des processus gausiens sont incroyablement puissants pour prédire des comportements inconnus, mais ils nécessitent généralement qu'un ordinateur recalcule tout depuis le début à chaque fois qu'une nouvelle donnée arrive. Pour un drone volant à grande vitesse, c'est trop lent. Les chercheurs ont résolu ce problème en utilisant une approche « récursive ». Au lieu de traiter chaque nouvelle observation comme un nouveau départ, le système met à jour son modèle interne de manière incrémentielle, un peu comme une personne qui affine une carte mentale en marchant dans une nouvelle ville, plutôt que de redessiner l'intégralité de la carte à chaque pas. Pour rendre cela encore plus rapide, ils ont pré-sélectionné un ensemble fixe de points de référence, ou « vecteurs de base », qui couvrent la gamme probable des mouvements du drone. L'algorithme d'apprentissage n'ajuste alors que les valeurs associées à ces points fixes, plutôt que d'essayer de se souvenir de chaque instant du vol. Cette astuce a réduit la charge de calcul suffisamment pour exécuter l'ensemble du système directement sur l'ordinateur de bord du drone, un bond significatif par rapport aux tentatives précédentes qui nécessitaient une station au sol séparée et puissante pour effectuer les calculs.

Pour garantir que le drone puisse apprendre de manière sûre et efficace, l'équipe a conçu un flux de travail spécifique. Avant que l'apprentissage ne commence, le drone effectue un vol stationnaire et se stabilise. Ensuite, une période de « chauffe » de quatre secondes permet au système de recueillir les données initiales et d'ajuster ses paramètres internes sans essayer immédiatement de corriger la trajectoire de vol. Cela empêche le drone de réagir de manière excessive au bruit ou à des mouvements soudains et atypiques. Une fois le système prêt, il commence à écouter la différence entre l'endroit où le drone devait aller et l'endroit où il s'est réellement trouvé. Cette différence, causée par le vent ou la traînée aérodynamique, est ce que l'algorithme d'apprentissage tente de prédire et d'annuler. Les chercheurs ont utilisé une technique de filtrage spéciale pour lisser les données brutes des capteurs, garantissant que le drone n'apprenait pas à partir de parasites aléatoires des capteurs, mais à partir de véritables motifs dans l'air. Cette préparation minutieuse a permis au système d'apprentissage de se concentrer sur la véritable physique du vol, plutôt que sur le bruit des capteurs.

Les expériences consistaient à faire voler le drone le long de diverses trajectoires sinusoïdales, ou ondulées. Certains parcours répétaient le même motif encore et encore, tandis que d'autres changeaient de forme ou de vitesse continuellement, testant si le système pouvait s'adapter à de nouvelles situations qu'il n'avait jamais rencontrées. Lors des tests, le drone devait suivre des trajectoires avec différentes vitesses et amplitudes, se déplaçant d'avant en arrière sur une ligne droite. Les résultats ont montré que le contrôleur basé sur l'apprentissage surpassait nettement le contrôleur standard. En suivant un motif ondulatoire régulier et répétitif à une vitesse modérée, le système d'apprentissage a réduit l'erreur moyenne à seulement 4,5 centimètres, une amélioration spectaculaire par rapport aux 17,3 centimètres d'erreur observés avec le contrôleur standard. Même lorsque la trajectoire de vol changeait constamment, comme dans un mouvement de balayage où la vitesse et la direction variaient, le système d'apprentissage réussissait toujours à réduire l'erreur de près de 40 %. L'amélioration était plus marquée lorsque le drone volait dans la plage de conditions qu'il avait rencontrées durant sa phase d'apprentissage, mais elle offrait également des avantages substantiels dans de nouvelles conditions variables.

L'un des aspects les plus importants de ce travail est qu'il prouve que le contrôle basé sur l'apprentissage peut être réalisé de manière sûre et efficace sur du matériel réel, et non seulement dans des simulations informatiques. Les chercheurs ont démontré que le système pouvait gérer les complexités d'un environnement réel, y compris les effets aérodynamiques subtils qui sont difficiles à modéliser mathématiquement. En réussissant à exécuter l'algorithme à bord, ils ont montré que les limitations de calcul des petits drones ne sont plus une barrière infranchissable à l'utilisation de techniques d'apprentissage avancées. L'étude a également souligné l'importance de la façon dont le système d'apprentissage est réglé. Les chercheurs ont développé une nouvelle méthode pour ajuster les paramètres internes du système, en utilisant une technique inspirée du fonctionnement des filtres de Kalman, ce qui a permis au système de trouver les meilleurs réglages pour l'apprentissage bien plus efficacement que les méthodes précédentes. Ce réglage était crucial pour s'assurer que le drone ne devienne pas trop sensible ou instable au fur et à mesure qu'il apprend.

Le succès de ce projet suggère un avenir où les drones pourront être plus autonomes et capables de gérer des tâches complexes dans des environnements imprévisibles. Si un drone de livraison peut apprendre à compenser une rafale de vent soudaine ou un changement de densité de l'air sans intervention humaine, il devient un outil beaucoup plus fiable. Le travail des chercheurs offre une voie concrète vers l'avenir, montrant qu'en combinant la théorie du contrôle classique avec des algorithmes d'apprentissage modernes et efficaces, il est possible de créer des systèmes de vol qui soient à la fois intelligents et robustes. La clé ne résidait pas seulement dans l'apprentissage lui-même, mais dans l'ingénierie qui a rendu cet apprentissage assez rapide pour se produire en temps réel. En maintenant les demandes de calcul faibles et le processus d'apprentissage focalisé, l'équipe a transformé un concept théorique en une réalité pratique, démontant qu'un petit drone peut effectivement apprendre à mieux voler en plein vol.