💻 computer science

Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection

यह शोध पत्र एक एडेप्टिव SINDy फ्रेमवर्क प्रस्तावित करता है जो अवशिष्ट बलों (residual forces) को प्रभावी ढंग से पहचानने और हवा के विक्षोभों को अस्वीकार करने के लिए डेटा-संचालित स्पार्स आइडेंटिफिकेशन ऑफ नॉन-लीनियर डायनेमिक्स को रिकर्सिव लीस्ट स्क्वायर्स एडेप्टिव कंट्रोल के साथ एकीकृत करता है, जो अशांत वातावरण में एक लाइटवेट क्रेजीफ्लाई ड्रोन पर बेसलाइन PID और INDI नियंत्रकों की तुलना में बेहतर प्रक्षेपवक्र ट्रैकिंग प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Fawad Mehboob, Amir Atef Habel, Roohan Ahmed Khan, Mikhail Derevianchenko, Clement Fortin, Dzmitry Tsetserukou

प्रकाशित 2026-03-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fawad Mehboob, Amir Atef Habel, Roohan Ahmed Khan, Mikhail Derevianchenko, Clement Fortin, Dzmitry Tsetserukou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक अराजक, हवादार पार्क में साइकिल चलाने की कोशिश कर रहे हैं। आप जमीन पर खींची गई एक विशिष्ट राह (जैसे कि एक घेरा या आठ का आकार) का अनुसरण करना चाहते हैं, लेकिन हवा के तेज झोंके आपको रास्ते से भटकाते रहते हैं।

समस्या:
पारंपरिक साइकिल सवार (मानक नियंत्रक) इसे ठीक करने के लिए केवल ज़ोर से पैडल मारने या पीछे हटने के प्रयास में वापस मुड़ने की कोशिश करते हैं। लेकिन यदि हवा अप्रत्याशित है और दिशा लगातार बदलती रहती है, तो एक साधारण "वापस धकेलने" की रणनीति विफल हो सकती है। सवार संतुलन खो सकता है, डगमगा सकता है और अंततः दुर्घटनाग्रस्त हो सकता है।

पुराने "स्मार्ट" समाधान:
वैज्ञानिकों ने इसे ठीक करने के लिए दो मुख्य तरीके आजमाए हैं:

"अनुमान" मॉडल: वे हवा कैसे चलती है, इसका वर्णन करने के लिए एक सटीक गणितीय पाठ्यपुस्तक लिखने की कोशिश करते हैं। लेकिन हवा अव्यवस्थित और गैर-रेखीय (non-linear) होती है; पाठ्यपुस्तक कभी भी पूरी तरह सही नहीं होती, और सवार फिर भी रास्ते से भटक जाता है।
"ब्लैक बॉक्स" AI: वे एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क (न्यूरल नेटवर्क) का उपयोग करते हैं जो अनुभव से सीखता है। हालांकि यह अच्छा काम करता है, लेकिन यह एक जादू के खेल जैसा है। कंप्यूटर जानता है कि क्या करना है, लेकिन वह यह नहीं समझा सकता कि क्यों। यदि कंप्यूटर कोई गलती करता है, तो किसी को पता नहीं चलता कि क्यों, और एक नाजुक ड्रोन के साथ इस पर भरोसा करना कठिन होता है।

नया समाधान: "Adaptive SINDy"
यह पेपर एक नया तरीका पेश करता है जिसे Adaptive SINDy कहा जाता है। इसे एक ड्रोन को एक जासूस की नोटबुक और एक स्मार्ट ऑटोपायलट देने के रूप में समझें।

यह कैसे काम करता है, यहाँ सरल चरणों में दिया गया है:

1. जासूस (SINDy)

हवा के बारे में आकाश से अनुमान लगाने के बजाय, ड्रोन अपने स्वयं के शरीर को देखता है।

अवलोकन: जब हवा ड्रोन को बाईं ओर से टकराती है, तो ड्रोन का आंतरिक कंप्यूटर नोटिस करता है: "अरे, हवा का मुकाबला करने के लिए मैं दाईं ओर झुक रहा हूँ!"
नोटबुक: ड्रोन एक विशेष गणितीय उपकरण का उपयोग करता है जिसे SINDy (Sparse Identification of Non-Linear Dynamics) कहा जाता है। कल्पना कीजिए कि SINDy एक जासूस है जिसके पास सुरागों की एक विशाल सूची (जैसे "झुकाव कोण," "गति," "थ्रस्ट") है।
शॉर्टकट: इनमें से अधिकांश सुराग अप्रासंगिक हैं। SINDy इतना स्मार्ट है कि वह सूची का 99% हिस्सा फेंक देता है और केवल उन कुछ आवश्यक सुरागों को रखता है जो वास्तव में बताते हैं कि ड्रोन क्यों डगमगा रहा है। यह एक सरल, समझने में आसान नियम बनाता है: "जब हवा बाईं ओर धकेलती है, तो मैं X मात्रा में दाईं ओर झुकता हूँ।"
यह क्यों शानदार है: "ब्लैक बॉक्स" AI के विपरीत, यह नियम स्पष्ट भाषा (गणित जिसे आप पढ़ सकते हैं) में लिखा गया है। यह व्याख्या योग्य (interpretable) है, जिसका अर्थ है कि हम जानते हैं कि ड्रोन क्या सोच रहा है।

2. स्मार्ट ऑटोपायलट (Adaptive Control)

एक बार जब जासूस (SINDy) हवा के नियम को समझ लेता है, तो ऑटोपायलट (Adaptive Control) तुरंत उसका उपयोग करता है।

वास्तविक समय में समायोजन: जैसे-जैसे हवा बदलती है, जासूस तुरंत नोटबुक को अपडेट करता है। ऑटोपायलट फिर ड्रोन के मोटर्स को इस तरह समायोजित करता है कि ड्रोन को बहुत दूर धकेलने से पहले ही हवा के प्रभाव को खत्म किया जा सके।
"लीकी" मेमोरी: यह प्रणाली "रिकर्सिव लीस्ट स्क्वेयर्स" (RLS) नामक तकनीक का उपयोग करती है। इसे एक ऐसे छात्र के रूप में सोचें जो हर परीक्षा से सीखता है लेकिन पुरानी गलतियों में नहीं फंसता। यदि हवा का पैटर्न बदलता है, तो छात्र जल्दी से पुराने नियम को भूल जाता है और नया नियम सीख जाता है।

3. टेस्ट ड्राइव

शोधकर्ताओं ने एक छोटे, हल्के ड्रोन जिसे Crazyflie कहा जाता है (जो बहुत नाजुक है, जैसे कि कागज का हवाई जहाज), पर इसका परीक्षण किया।

सेटअप: उन्होंने एक कमरे में चार विशाल पंखे चारों ओर से हवा फेंकने के लिए रखे, जिससे एक अराजक, विक्षुब्ध तूफान पैदा हुआ।
प्रतिस्पर्धा: उन्होंने अपने नए "जासूस ऑटोपायलट" की तुलना एक मानक "पुराने स्कूल" के नियंत्रक (PID) और एक "ब्लैक बॉक्स" AI से की।
परिणाम:
- पुराने स्कूल वाले नियंत्रक घबरा गए और तुरंत दुर्घटनाग्रस्त हो गए। वे अराजकता को संभाल नहीं सके।
- ब्लैक बॉक्स AI ठीक-ठाक था, लेकिन यह थोड़ा कम सटीक था।
- Adaptive SINDy ड्रोन ने बेहतरीन उड़ान भरी। इसने जटिल रास्तों (घेरे, आठ के आकार, और स्पाइरल) का सफलतापूर्वक अनुसरण किया, बिना दुर्घटनाग्रस्त हुए। इसने अपनी त्रुटियों को अविश्वसनीय रूप से छोटा रखा (एक मानव हाथ की चौड़ाई के भीतर)।

बड़ी तस्वीर

यह पेपर यह साबित करता है कि आपको तूफान में ड्रोन उड़ाने के लिए एक सुपर-जटिल, समझाने में असमर्थ AI की आवश्यकता नहीं है। इसके बजाय, आप एक स्मार्ट, हल्का जासूस उपयोग कर सकते हैं जो ड्रोन की अपनी गतिविधियों को देखता है, हवा के सरल नियमों को समझता है, और उड़ान को तुरंत समायोजित करता है।

यह एक बच्चे को हवा में साइकिल चलाना सिखाने जैसा है—उसे वायुगतिकी (aerodynamics) का भौतिकी व्याख्यान देने के बजाय, उसे यह सिखाना: "जब तुम महसूस करो कि हवा तुम्हें बाईं ओर धकेल रही है, तो संतुलित रहने के लिए बस इतना ही दाईं ओर झुको जितना आवश्यक है।" सरल, प्रभावी और सुरक्षित।

यहाँ शोध पत्र "Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अनमैन्ड एरियल व्हीकल्स (UAVs) को अशांत पवन वातावरण (turbulent wind environments) में स्थिरता और प्रक्षेपवक्र ट्रैकिंग (trajectory tracking) बनाए रखने में महत्वपूर्ण चुनौतियों का सामना करना पड़ता है। मुख्य कठिनाइयाँ निम्नलिखित हैं:

गैर-रैखिकता और अनिश्चितता (Non-linearity and Uncertainty): पवन गतिशीलता अत्यधिक गैर-रैखिक होती है और इसे नियंत्रण डिजाइन के उद्देश्यों के लिए विश्लेषणात्मक रूप से (जैसे Dryden या von Kármán मॉडल के माध्यम से) मॉडल करना कठिन होता है।
मौजूदा विधियों की सीमाएँ:
- शास्त्रीय नियंत्रण (PID, LQR): ये अक्सर मजबूत विक्षोभों (disturbances) को रोकने में विफल रहते हैं या इनके लिए व्यापक ट्यूनिंग की आवश्यकता होती है।
- डिस्टर्बेंस ऑब्जर्वर्स (Disturbance Observers): ये गैर-जटिल वातावरण या विशिष्ट सिस्टम कॉन्फ़िगरेशन तक सीमित हो सकते हैं।
- लर्निंग-आधारित दृष्टिकोण (न्यूरल नेटवर्क, RL): प्रभावी होने के बावजूद, इनमें अक्सर व्याख्यात्मकता (interpretability) की कमी होती है (ये "ब्लैक बॉक्स" के रूप में कार्य करते हैं) और इन्हें प्रशिक्षण के लिए बड़े डेटासेट की आवश्यकता होती है, जो नए UAV मॉडल या स्थितियों में सामान्यीकरण (generalization) को बाधित करता है।
अंतराल (The Gap): एक ऐसे नियंत्रण ढांचे की आवश्यकता है जो अज्ञात अवशिष्ट बलों (residual forces/wind) को वास्तविक समय में संभालने के लिए भौतिक मॉडलिंग की व्याख्यात्मकता को डेटा-संचालित विधियों की अनुकूलन क्षमता (adaptability) के साथ जोड़ सके।

2. कार्यप्रणाली (Methodology)

लेखक एक नया हाइब्रिड ढांचा प्रस्तावित करते हैं जो स्पार्स आइडेंटिफिकेशन ऑफ नॉन-लीनियर डायनेमिक्स (SINDy) को रिकर्सिव लीस्ट स्क्वायर्स (RLS) एडेप्टिव कंट्रोल के साथ एकीकृत करता है।

A. सिस्टम मॉडलिंग (System Modeling)

UAV डायनेमिक्स को ज्ञात और अज्ञात घटकों में विभाजित किया गया है:
$\dot{X} = f(x, u)_{\text{known}} + g(x, u, w)_{\text{unknown}}$
जहाँ $x$ 12 अवस्थाओं (स्थिति, वेग, अभिविन्यास, आदि) को दर्शाता है, $u$ नियंत्रण इनपुट है, और $w$ अज्ञात पवन विक्षोभ है।
लक्ष्य अवशिष्ट बल (residual force) ( $\dot{Y}$ ) की पहचान करना है, जिसे वास्तविक डायनेमिक्स और ज्ञात मॉडल के बीच के अंतर के रूप में परिभाषित किया गया है:
$\dot{Y} = \dot{X} - f(x, u)_{\text{known}}$

B. स्पार्स आइडेंटिफिकेशन (SINDy)

एक न्यूरल नेटवर्क के बजाय, लेखक यह पता लगाने के लिए SINDy का उपयोग करते हैं कि उम्मीदवार फलनों (candidate functions) के एक पुस्तकालय $\Theta(x, u)$ का उपयोग करके गुणांकों का एक स्पार्स सेट $\Xi$ कैसे सर्वोत्तम रूप से अनुमान लगाया जा सकता है:
$\dot{Y} = \Theta(x, u) \Xi$

फिजिक्स-इन्फॉर्म्ड लाइब्रेरी (Physics-Informed Library): इस अवलोकन के आधार पर कि हवा ड्रोन को बल का मुकाबला करने के लिए झुकाव (रोल $\phi$ और पिच $\theta$ ) उत्पन्न करती है, लाइब्रेरी में शामिल हैं:
$\Theta = [1, \theta, \phi, T, T\sin(\theta), T\cos(\theta), T\sin(\phi), T\cos(\phi)]$
जहाँ $T$ थ्रस्ट (thrust) है। यह सुनिश्चित करता है कि मॉडल व्याख्या योग्य और भौतिक रूप से प्रासंगिक बना रहे।
ऑप्टिमाइजेशन (Optimization): लेखक अनुकूलन समस्या को हल करने के लिए स्पार्स रिलैक्स्ड रेगुलराइज्ड रिग्रेशन (SR3) का उपयोग करते हैं, जो मानक STLSQ की तुलना में बाधाओं (constraints) और बेहतर संख्यात्मक स्थिरता (numerical stability) की अनुमति देता है।

C. एडेप्टिव कंट्रोल (RLS)

एक बार जब SINDy संरचना की पहचान हो जाती है, तो एक RLS एडेप्टिव कंट्रोलर बदलती पवन स्थितियों को ट्रैक करने के लिए गुणांकों ( $A$ ) को ऑनलाइन अपडेट करता है।

अवशिष्ट अनुमान (Residual Estimation): कंट्रोलर विक्षोभ बल $\hat{f}_{dist} = \phi A$ का अनुमान लगाता है।
नियंत्रण नियम (Control Law): अनुमानित विक्षोभ की भरपाई करके वांछित बल $F_d$ की गणना की जाती है:
$F_d = m a_{cmd} + m g_{vec} - \hat{f}_{dist}$
अपडेट नियम (Update Law): अनुकूलन मैट्रिक्स $A$ को अनुमानित और वास्तविक अवशिष्ट बलों के बीच के एरर द्वारा संचालित एक लीकी RLS नियम का उपयोग करके अपडेट किया जाता है, जिससे यह सुनिश्चित होता है कि सिस्टम वास्तविक समय में नए पवन पैटर्न के प्रति अनुकूलित हो सके।

3. प्रमुख योगदान (Key Contributions)

नवल इंटीग्रेशन: UAV पवन विक्षोभ रिजेक्शन के लिए विशेष रूप से SINDy-आधारित सिस्टम आइडेंटिफिकेशन को RLS एडेप्टिव कंट्रोल के साथ जोड़ने वाला पहला अनुप्रयोग।
व्याख्यात्मकता (Interpretability): डीप लर्निंग दृष्टिकोणों के विपरीत, परिणामी मॉडल एक स्पार्स, फिजिक्स-इन्फॉर्म्ड लाइब्रेरी (टिल्ट एंगल और थ्रस्ट) का उपयोग करता है, जिससे विक्षोभ की गतिशीलता को समझना आसान हो जाता है।
डेटा दक्षता (Data Efficiency): इस पद्धति को सुदृढीकरण शिक्षण (Reinforcement Learning) या डीप न्यूरल नेटवर्क की तुलना में प्रशिक्षण के लिए अपेक्षाकृत कम डेटा की आवश्यकता होती है।
मजबूत आर्किटेक्चर (Robust Architecture): सिमुलेशन (ArduPilot SITL और Crazyflie) और वास्तविक दुनिया की उड़ानों (अत्यधिक अशांत वातावरण में चार दिशाओं से 2 m/s हवा के साथ हल्के वजन वाले Crazyflie ड्रोन पर) दोनों पर सफलतापूर्वक प्रदर्शित किया गया।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का परीक्षण तीन प्रक्षेपवक्रों (वृत्त/Circle, लेम्निस्केट/Infinity, स्पाइरल/Spiral) पर पवन विक्षोभ के तहत किया गया।

A. सिमुलेशन (ArduPilot SITL और Crazyflie)

तुलना: Adaptive SINDy की तुलना बेसलाइन PID, एक इंक्रीमेंटल नॉन-लीनियर डायनेमिक इनवर्जन (INDI) कंट्रोलर, और एक प्री-ट्रेन्ड DAIML (डीप लर्निंग) एडेप्टिव कंट्रोलर से की गई।
प्रदर्शन:
- Adaptive SINDy ने बेसलाइन PID की तुलना में लगातार बेहतर प्रदर्शन किया, जिससे RMSE में महत्वपूर्ण अंतर से कमी आई (उदाहरण के लिए, गोलाकार पथों पर ~0.5m से ~0.3m तक)।
- लेम्निस्केट प्रक्षेपवक्र पर, Adaptive SINDy ने DAIML मॉडल (RMSE: 0.350m बनाम 0.373m) और INDI कंट्रोलर से थोड़ा बेहतर प्रदर्शन किया, जो जटिल, गैर-उत्तल (non-convex) पथों को संभालने की श्रेष्ठता प्रदर्शित करता है।
- इसने कम P95 मानों के साथ टाइट एरर डिस्ट्रीब्यूशन बनाए रखा, जो सबसे खराब स्थिति के झोंकों (gusts) के विरुद्ध मजबूती को दर्शाता है।

B. वास्तविक उड़ान (Crazyflie)

सेटअप: एक गेज़ेबो-सिम्युलेटेड विंड टनल वातावरण में चार डक्टेड पंखों (1–2 m/s हवा) के साथ उड़ाया गया Crazyflie 2.1 ड्रोन।
परिणाम:
- PID बेसलाइन: विक्षोभ को रोकने में असमर्थता के कारण हर प्रयास में क्रैश हो गया।
- Adaptive SINDy: बिना क्रैश हुए सभी 15 उड़ान रन (6 वृत्त, 4 लेम्निस्केट, 5 स्पाइरल) सफलतापूर्वक पूरे किए।
मेट्रिक्स (वास्तविक उड़ान):
- लेम्निस्केट: RMSE = 12.2 सेमी, MAE = 10.5 सेमी।
- वृत्त (Circle): RMSE = 17.6 सेमी, MAE = 13.7 सेमी।
- स्पाइरल (Spiral): RMSE = 32.7 सेमी (बढ़ते त्रिज्या और बढ़ते विक्षोभ मांग के कारण उच्चतम)।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र शास्त्रीय नियंत्रण सिद्धांत और आधुनिक डेटा-संचालित विधियों के बीच के अंतर को पाटकर UAV नियंत्रण में एक महत्वपूर्ण प्रगति प्रस्तुत करता है।

सुरक्षा: जहाँ PID विफल हो जाता है, वहाँ हल्के वजन वाले ड्रोन को अशांत हवाओं में स्थिर रखने की क्षमता खोज और बचाव या शहरी गलियों में डिलीवरी जैसे अनुप्रयोगों के लिए महत्वपूर्ण है।
सामान्यीकरण (Generalizability): यह दृष्टिकोण विशाल डेटासेट या ब्लैक-बॉक्स मॉडल पर निर्भर नहीं करता है, जिससे न्यूनतम पुन: प्रशिक्षण के साथ विभिन्न UAV प्लेटफार्मों पर इसे तैनात करना आसान हो जाता है।
भावी कार्य: लेखक बाहरी डेटा संग्रह के बिना वास्तविक समय में बदलती गतिशीलता के अनुकूल होने के लिए स्टेट हिस्ट्री का उपयोग करके ऑन-बोर्ड सिस्टम आइडेंटिफिकेशन को विस्तारित करने का सुझाव देते हैं।

संक्षेप में, Adaptive SINDy UAV विक्षोभ रिजेक्शन के लिए एक मजबूत, व्याख्यात्मक और डेटा-कुशल समाधान प्रदान करता है, जो सिमुलेशन और चुनौतीपूर्ण वास्तविक उड़ान स्थितियों दोनों में प्रभावी सिद्ध हुआ है।