⚡ electrical engineering

Model-Reference Adaptive Flight Control of the 95-mg Bee++

यह शोध पत्र एक मॉडल-रेफरेंस एडेप्टिव कंट्रोल आर्किटेक्चर प्रस्तुत करता है जो 95-मिलीग्राम बी++ (Bee++) कीट-स्तर के फ्लैपिंग-विंग एरियल व्हीकल के लिए उच्च-प्रदर्शन वाली पोजीशनल ट्रैकिंग को सक्षम बनाता है, जिसे वास्तविक समय के उड़ान प्रयोगों के माध्यम से सत्यापित किया गया है।

मूल लेखक: Francisco M. F. R. Gonçalves, Conor K. Trygstad, Néstor O. Pérez-Arancibia

प्रकाशित 2026-05-12

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Francisco M. F. R. Gonçalves, Conor K. Trygstad, Néstor O. Pérez-Arancibia

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

एक नन्हे, 95 मिलीग्राम के रोबोटिक मधुमक्खी की कल्पना करें, जो एक पेपरक्लिप से भी छोटा है, और हवा में मंडराने (hover) की कोशिश कर रहा है। यह Bee++ है। यह इंजीनियरिंग का एक चमत्कार है, लेकिन यह अविश्वसनीय रूप से नाजुक भी है। क्योंकि यह इतना छोटा और हल्का है, यह हवा में फंसी एक पत्ती की तरह है: इसकी पावर वायर पर एक छोटा सा खिंचाव, हवा का एक अचानक झोंका, या इसके पंखों का थोड़ा सा असंतुलन भी इसे अपने रास्ते से भटका सकता है।

समस्या यह है कि इंजीनियरों के पास इसका एक सटीक नक्शा नहीं है कि यह रोबोट कैसे चलता है। इसकी उड़ान का वर्णन करने वाली गणित अनिश्चितताओं और अनुमानों से भरी है क्योंकि इस रोबट को बनाना बहुत जटिल है। यदि आप इसे एक मानक, कठोर कंप्यूटर प्रोग्राम ("नॉन-अडेप्टिव" कंट्रोलर) के साथ उड़ाने की कोशिश करते हैं, तो यह डगमगाएगा और भटक जाएगा, ठीक वैसे ही जैसे एक साइकिल चालक हवा वाले दिन पंचर टायर वाली साइकिल चलाने की कोशिश कर रहा हो।

समाधान: "स्मार्ट को-पायलट"

इस शोध पत्र के लेखकों ने एक नई प्रणाली पेश की है जिसे मॉडल-रेफरेंस एडेप्टिव कंट्रोल (MRAC) कहा जाता है। इसे एक कठोर नियमों के सेट के रूप में नहीं, बल्कि रोबोट के बगल में बैठे एक स्मार्ट को-पायलट के रूप में समझें।

यहाँ बताया गया है कि यह को-पायलट एक सरल उपमा (analogy) का उपयोग करके कैसे काम करता है:

लक्ष्य: को-पायलट के दिमाग में रोबोट का एक आदर्श "भूतिया" संस्करण (Ghost version) होता है (रेफरेंस मॉडल)। यह भूतिया संस्करण जानता है कि यदि हवा या त्रुटियां न हों, तो रोबोट को वास्तव में कैसे चलना चाहिए।
गलती: जैसे ही वास्तविक रोबोट उड़ता है, को-पायलट लगातार वास्तविक रोबोट के पथ की तुलना भूतिया पथ से करता है। यदि वास्तविक रोबोट बाईं ओर भटकता है, तो को-पायलट उस अंतर को देख लेता है।
सीखना: केवल रोबोट को वापस धकेलने के बजाय, को-पायलट पूछता है, "यह क्यों भटका?" वह यह मान लेता है कि भटकाव अदृश्य बलों (जैसे हवा या तार का तनाव) या रोबोट के शरीर की अज्ञात खामियों के कारण हुआ है।
अनुकूलन (Adaptation): को-पायलट इन अदृश्य बलों का अनुमान लगाने के लिए एक विशेष गणितीय उपकरण (जिसे रेडियल बेसिस फंक्शन्स कहा जाता है, जो एक लचीले जाल की तरह कार्य करते हैं) का उपयोग करता है। फिर यह उन बलों को रद्द करने के लिए एक प्रति-बल (counter-force) उत्पन्न करता है।
परिणाम: रोबोट जितना अधिक उड़ता है, को-पायलट अदृश्य बलों का अनुमान लगाने में उतना ही बेहतर होता जाता है। यह एक सर्फर की तरह है जो लहरों को पढ़ना सीख रहा है; कुछ ही सेकंड के बाद, सर्फर (रोबोट) केवल लहर से लड़ नहीं रहा होता, बल्कि वह उस पर सुचारू रूप से सवारी कर रहा होता है।

प्रमाण: 20 सेकंड का होवर टेस्ट

यह साबित करने के लिए कि यह काम करता है, टीम ने Bee++ को एक "होवरिंग टेस्ट" के माध्यम से परखा। उन्होंने रोबोट को हवा में एक विशिष्ट बिंदु पर 20 सेकंड तक पूरी तरह स्थिर रहने के लिए कहा।

पुराना तरीका (नॉन-अडेप्टिव): रोबोट ने अपनी स्थिति बनाए रखने की कोशिश की लेकिन वह एक नशे में धुत व्यक्ति की तरह डगमगाता रहा। औसत त्रुटि (error) स्पष्ट रूप से दिखाई दे रही थी।
नया तरीका (MRAC): "स्मार्ट को-पायलट" वाले रोबोट ने अपनी स्थिति को बहुत मजबूती से बनाए रखा।

आंकड़े:
शोध पत्र का दावा है कि इस एडेप्टिव सिस्टम का उपयोग करके, रोबोट की लक्ष्य पर टिके रहने की क्षमता में महत्वपूर्ण सुधार हुआ:

इसने एक दिशा में "डगमगाहट" (त्रुटि) को 15% कम किया।
इसने दूसरी दिशा में डगमगाहट को 44% कम किया।
इसने ऊर्ध्वाधर (vertical) दिशा में डगमगाहट को 35% कम किया।

शोध पत्र में दिखाए गए वीडियो फुटेज में, आप देख सकते हैं कि नए सिस्टम वाला रोबोट लगभग पूरी तरह स्थिर रहता है, जबकि पुराना सिस्टम स्पष्ट रूप से भटकता है।

मुख्य निष्कर्ष

यह शोध पत्र यह वादा नहीं करता कि ये रोबोट कल मेल डिलीवर करेंगे या जान बचाएंगे। यह केवल यह सिद्ध करता है कि इस विशिष्ट, 95-मिलीग्राम रोबोट के लिए, एक "सीखने" वाली प्रणाली जोड़ने से—जो लगातार अदृश्य बाधाओं का अनुमान लगाती है और उन्हें रद्द करती है—यह एक मानक, नॉन-लर्निंग कंप्यूटर प्रोग्राम की तुलना में बहुत अधिक स्थिर और सटीक रूप से उड़ता है। गणित यह सिद्ध करता है कि यह सीखने की प्रक्रिया स्थिर है और इससे रोबोट अनियंत्रित नहीं होगा; यह बस अपनी जगह पर टिके रहने में बेहतर होता जाएगा।

तकनीकी सारांश: 95-मिग्रा Bee++ के लिए मॉडल-रेफरेंस एडेप्टिव फ्लाइट कंट्रोल

समस्या विवरण
यह शोध पत्र एक 95-मिग्रा कीट-स्तर के फ्लैपिंग-विंग एरियल व्हीकल (Bee++) के लिए उच्च-प्रदर्शन वाले पोजीशनल ट्रैकिंग प्राप्त करने की चुनौती को संबोधित करता है। रोबोट के सूक्ष्म पैमाने और जटिल निर्माण के कारण, इसके डायनेमिक मॉडल में महत्वपूर्ण पैरामीटर अनिश्चितता होती है, विशेष रूप से जड़त्व मैट्रिक्स (inertia matrix) और एक्चुएटर मैपिंग के संबंध में। इसके अलावा, Bee++ का निम्न जड़त्व (low inertia) इसे उड़ान के दौरान टेदर टेंशन (tether tension), हवा के झोंकों और विंग मिसअलाइनमेंट से उत्पन्न होने वाले एरोडायनामिक बलों सहित स्टोकेस्टिक और व्यवस्थित विक्षोभों (disturbances) के प्रति अत्यधिक संवेदनशील बनाता है। ये कारक उच्च गति वाले युद्धाभ्यास (maneuvers) और सटीक होवरिंग के निष्पादन को जटिल बनाते हैं, जिसके लिए एक ऐसे नियंत्रण आर्किटेक्चर की आवश्यकता होती जो वास्तविक समय में मॉडल अनिश्चितताओं और बाहरी विक्षोभों के अनुकूल हो सके।

कार्यप्रणाली (Methodology)
लेखक एक मॉडल-रेफरेंस एडेप्टिव कंट्रोल (MRAC) फ्रेमवर्क प्रस्तावित करते हैं जिसे 3D स्पेस में संचालित होने वाले रिजिड-बॉडी फ्लैपिंग-विंग रोबोट्स के लिए डिज़ाइन किया गया है। मुख्य कार्यप्रणाली में निम्नलिखित घटक शामिल हैं:

डायनेमिक मॉडलिंग: ट्रांसलेशनल डायनेमिक्स को न्यूटन के दूसरे नियम का उपयोग करके मॉडल किया गया है, जिसमें एक अज्ञात एकत्रित विक्षोभ पद (aggregated disturbance term) $d(t)$ को शामिल किया गया है। इस विक्षोभ को गाऊसी-आधारित रेडियल बेसिस फंक्शन्स (RBFs) के रैखिक संयोजन के रूप में पैरामीटराइज किया गया है, $d(t) = W^T \phi(x)$ , जहाँ $W$ अज्ञात मापदंडों का एक मैट्रिक्स है और $x$ स्टेट वेक्टर (स्थिति और वेग) का प्रतिनिधित्व करता है।
कंट्रोल लॉ (Control Law): एक स्थिर नियंत्रण कानून (stabilizing control law) व्युत्पन्न किया गया है जिसमें एक मानक PID-समान संरचना (अनुपातिक, समाकल और अवकल पद) के साथ एक फीडफॉरवर्ड पद और एक एडेप्टिव पद, $f_a = \hat{W}^T \phi(x)$ शामिल है। एडेप्टिव पद को विशेष रूप से अज्ञात विक्षोभ को रद्द करने के लिए डिज़ाइन किया गया है।
एडेप्टेशन लॉ (Adaptation Law): अनुमान $\hat{W}$ को वास्तविक समय में अपडेट करने के लिए एक एडेप्टिव लॉ व्युत्पन्न किया गया है। यह लॉ एक ल्यपुनोव स्थिरता विश्लेषण (Lyapunov stability analysis) का उपयोग करके बनाया गया है। एक ल्यपुनोव फंक्शन कैंडिडेट को परिभाषित करके और यह सुनिश्चित करके कि इसका समय अवकल (time derivative) नेगेटिव सेमी-डेफिनेट है, लेखक एक अपडेट नियम ( $\dot{\hat{W}} = -\gamma \phi \tilde{z}^T P^T B$ ) व्युत्पन्न करते हैं जो यह गारंटी देता है कि ट्रैकिंग एरर शून्य की ओर अभिसरित (converge) होता है।
स्थिरता विश्लेषण (Stability Analysis): लेखक सिद्ध करते हैं कि क्लोज्ड-लूप सिस्टम सिग्नल सीमित (bounded) रहते हैं और ट्रैकिंग एरर एसिम्प्टोटिकली (asymptotically) शून्य की ओर अभिसरित होता है। विश्लेषण यह प्रदर्शित करता है कि एडेप्टिव विधि सिस्टम के स्टेट को ज़ीरो-डिस्टर्बेंस रेफरेंस मॉडल को ट्रैक करने के लिए मजबूर करके विक्षोभों को प्रभावी ढंग से खारिज करती है।

प्रमुख योगदान

माइक्रो-रोबोट्स के लिए MRAC आर्किटेक्चर: यह शोध पत्र एक विशिष्ट MRAC आर्किटेक्चर पेश करता है जो कीट-स्तर के फ्लैपिंग-विंग वाहनों की अद्वितीय बाधाओं के लिए अनुकूलित है, जो मॉडल अनिश्चितता और बाहरी विक्षोभ दोनों को संबोधित करता है।
कठोर स्थिरता प्रमाण: यह कार्य ल्यपुनोव थ्योरी का उपयोग करते हुए एक औपचारिक स्थिरता विश्लेषण प्रदान करता है, जो इक्विलिब्रियम की यूनिफॉर्म स्टेबिलिटी और ट्रैकिंग एरर के एसिम्प्टोटिक कन्वर्जेंस को सिद्ध करता है।
वास्तविक-समय प्रयोगात्मक सत्यापन: इस दृष्टिकोण को भौतिक Bee++ रोबोट पर वास्तविक समय के उड़ान प्रयोगों के माध्यम से मान्य किया गया है, जो केवल सिमुलेशन पर निर्भर रहने के बजाय इसकी व्यावहारिक प्रयोज्यता को प्रदर्शित करता है।

प्रयोगात्मक परिणाम
प्रस्तावित MRAC योजना का मूल्यांकन एक बेंचमार्क नॉन-एडेप्टिव कंट्रोलर (पूर्व कार्य [1] से) के विरुद्ध एक स्थिर संदर्भ स्थिति के साथ पांच बैक-टू-बैक होवरिंग प्रयोगों के माध्यम से किया गया। परिणाम दर्शाते हैं:

बेहतर प्रदर्शन: जबकि दोनों कंट्रोलर रोबोट को स्थिर कर सकते थे, MRAC योजना ने नॉन-एडेप्टिव बेंचमार्क की तुलना में काफी बेहतर प्रदर्शन किया।
मात्रात्मक सुधार: MRB कंट्रोलर ने बेंचमार्क की तुलना में $n_1$ दिशा में 15%, $n_2$ दिशा में 44%, और $n_3$ दिशा में 35% कम माध्य रूट-मीन-स्क्वायर (RMS) पोजीशन एरर प्रदर्शित किया।
विशिष्ट एरर मेट्रिक्स: MRAC योजना के लिए, माध्य RMS एरर क्रमशः $2.32 \pm 0.60$ सेमी ( $n_1$ ), $0.87 \pm 0.39$ सेमी ( $n_2$ ), और $0.13 \pm 0.03$ सेमी ( $n_3$ ) थे।
एडेप्टिव व्यवहार: एडेप्टिव फोर्स टर्म ( $f_a$ ) के समय विकास (time evolution) ने उड़ान के दौरान विक्षोभों के लिए कंट्रोलर के सक्रिय मुआवजे (active compensation) को प्रदर्शित किया।

महत्व और दावे
यह शोध पत्र इस कार्य को कीट-स्तर के रोबोटों के लिए उच्च-गति युद्धाभ्यास और उन्नत एटिट्यूड कंट्रोल को सक्षम करने की दिशा में एक महत्वपूर्ण कदम के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि प्रस्तावित MRAC फ्रेमवर्क सफलतापूर्वक Bee++ को विक्षोभों और मॉडल अनिश्चितता का मुकाबला करने के लिए अपने व्यवहार को अनुकूलित करने की अनुमति देता है, जिससे उच्च-प्रदर्शन वाली पोजीशनल ट्रैकिंग संभव होती है। अध्ययन यह प्रदर्शित करता है कि यह दृष्टिकोण वास्तविक दुनिया की उड़ान स्थितियों में कार्यात्मक और उच्च प्रदर्शन करने में सक्षम है, जैसा कि प्रयोगात्मक डेटा से सिद्ध होता है। यह कार्य यह दावा नहीं करता है कि यह माइक्रो-रोबोट्स के लिए सभी नियंत्रण चुनौतियों को हल करता है, बल्कि महत्वपूर्ण अनिश्चितता और विक्षोभ की उपस्थिति में एडेप्टिव कंट्रोल के लिए एक मजबूत आधार स्थापित करता है।

समाधान: "स्मार्ट को-पायलट"

प्रमाण: 20 सेकंड का होवर टेस्ट

मुख्य निष्कर्ष

इसी तरह के और पेपर