Aggressiveness-Aware Learning-based Control of Quadrotor UAVs with Safety Guarantees

Titolo

Controllo basato sull'apprendimento consapevole dell'aggressività per UAV quadrotore con garanzie di sicurezza.

1. Il Problema

I quadrotori UAV sono spesso richiesti per seguire traiettorie aggressive in ambienti dinamici e affollati. Per garantire stabilità e precisione, si utilizzano comunemente controllori geometrici su $SE(3)$. Tuttavia, in scenari reali, questi sistemi sono soggetti a disturbi complessi (resistenza aerodinamica, raffiche di vento, asimmetrie dei rotori) che non sono modellati nelle equazioni dinamiche nominali.

L'approccio tradizionale per compensare questi errori di modellazione è aumentare i guadagni di feedback. Sebbene ciò migliori la robustezza e riduca l'errore di inseguimento, introduce un grave svantaggio: l'aumento dell'aggressività del feedback.

• Conseguenze dell'aggressività: Variazioni elevate di spinta e coppie, maggiore consumo energetico, saturazione degli attuatori e comportamenti potenzialmente pericolosi in prossimità di ostacoli o esseri umani.
• Obiettivo: Trovare un compromesso (trade-off) tra le prestazioni di inseguimento e l'aggressività indotta dal feedback, garantendo al contempo che l'errore di inseguimento rimanga entro un limite pratico prefissato.

2. Metodologia

Il paper propone un framework di controllo ibrido che integra un controllo geometrico nominale con un oracolo basato sull'apprendimento (learning-based oracle) per stimare e compensare i disturbi sconosciuti.

A. Modello e Definizione di Aggressività

• Dinamica: Il sistema è modellato su $SE(3)$ con forze e momenti generalizzati sconosciuti ($f(x)$).
• Misura di Aggressività: Gli autori definiscono l'aggressività come la sensibilità degli input di comando (spinta e coppie) rispetto alle variazioni dell'errore di inseguimento. Matematicamente, è la norma della derivata parziale del termine di feedback rispetto all'errore:
  $$s(H, x) = \left\| \frac{\partial}{\partial e} (h_{fb}(x)He) \right\| = \| h_{fb}(x)H \|$$
  Dove $H$ è la matrice dei guadagni di feedback. Un valore alto di $s(H, x)$ indica un comportamento aggressivo.

B. Controllore Augmentato con Apprendimento

Il controllo proposto combina tre componenti:

1. Termine Feedforward: Basato sulla dinamica nota.
2. Compensazione basata sull'Apprendimento: Un oracolo (es. Gaussian Process - GP) stima i disturbi $\hat{f}(x)$. Questo termine viene sottratto dall'input di controllo, riducendo l'errore residuo.
3. Feedback con Guadagni Adattivi: Il guadagno $H$ viene selezionato dinamicamente.

C. Scheduling dei Guadagni e Garanzie di Sicurezza

Il cuore della metodologia è un meccanismo di gain scheduling (pianificazione dei guadagni) consapevole dell'aggressività:

• Vincolo: Si richiede che l'errore di inseguimento converga esponenzialmente praticamente a un intorno $\varepsilon$ dell'origine.
• Ottimizzazione: Si minimizza l'aggressività $s(H, x)$ soggetto al vincolo di stabilità e al limite di errore.
• Ruolo dell'Oracolo: Utilizzando oracoli probabilistici (come i GP), si ottengono limiti di errore del modello ad alta probabilità ($\bar{\rho}_N$). Se l'oracolo è preciso (basso errore residuo), i guadagni di feedback $H$ possono essere ridotti drasticamente mantenendo la stabilità, diminuendo così l'aggressività. Se l'oracolo è incerto, i guadagni vengono aumentati per garantire la sicurezza.

3. Contributi Chiave

1. Formalizzazione dell'Aggressività: Introduzione di una metrica quantitativa locale per la sensibilità dell'input di feedback, permettendo di trattare l'aggressività come un obiettivo di ottimizzazione.
2. Framework di Controllo Ibrido: Unione di controllo geometrico su $SE(3)$ e modelli di apprendimento (GP) per la compensazione dei disturbi.
3. Garanzie Teoriche: Dimostrazione che, sotto condizioni di errore del modello limitati probabilisticamente, è possibile garantire una convergenza esponenziale pratica dell'errore con guadagni di feedback minimizzati.
4. Meccanismo di Scheduling: Un algoritmo che regola i guadagni in base alla fiducia (uncertainty) del modello appreso, permettendo di ridurre l'aggressività quando il modello è affidabile.

4. Risultati Numerici

Le simulazioni sono state condotte su un quadrotore soggetto a disturbi esterni (resistenza, vento, oscillazioni) con due livelli di intensità (moderato e severo).

• Scenario con Disturbi Moderati:

  • I guadagni fissi bassi non soddisfano il requisito di errore.
  • I guadagni fissi alti soddisfano l'errore ma aumentano significativamente l'aggressività (variazioni di spinta e coppia).
  • Il metodo proposto (selezione consapevole dell'aggressività) trova il guadagno minimo necessario, riducendo l'aggressività del 18-20% rispetto al caso "fixed-high" mantenendo l'errore entro i limiti.

• Scenario con Disturbi Severi (Mismatch grave):

  • I controllori nominali (senza apprendimento) falliscono nel rispettare il limite di errore $\varepsilon = 0.1$ m, indipendentemente dall'aumento dei guadagni.
  • L'uso dell'oracolo GP (con compensazione dei disturbi) permette di ripristinare la fattibilità: l'errore finale scende a 0.028 m (ben sotto il limite).
  • Vantaggio cruciale: Grazie alla compensazione appresa, il sistema può utilizzare guadagni di feedback molto bassi (simili al caso "fixed-low"), mantenendo l'aggressività bassa e sicura, cosa impossibile senza il componente di apprendimento.

• Apprendimento Online:

  • L'aggiornamento online del modello GP (residuo) migliora ulteriormente le prestazioni, riducendo l'errore a 0.025 m senza aumentare l'aggressività, dimostrando l'efficacia del sistema adattivo.

5. Significato e Impatto

Questo lavoro è significativo perché:

• Sposta il paradigma di sicurezza: Passa dall'idea che "più robustezza richieda più aggressività" a un approccio dove "migliorare la conoscenza del modello (tramite apprendimento) permette di ridurre l'aggressività mantenendo la sicurezza".
• Abilita manovre sicure: Fornisce uno strumento teorico e pratico per eseguire manovre quadrotore in ambienti affollati con un impatto minimo sugli attuatori e un rischio ridotto di comportamenti violenti.
• Garanzie Probabilistiche: Integra l'incertezza dei modelli di machine learning (GP) direttamente nelle garanzie di stabilità del controllo, offrendo un approccio rigoroso per l'uso sicuro dell'AI nel controllo robotico.

In sintesi, il paper dimostra che l'apprendimento automatico non è solo un modo per migliorare le prestazioni, ma uno strumento fondamentale per ottimizzare il compromesso tra precisione e sicurezza, rendendo i UAV più adattivi e meno intrusivi in ambienti dinamici.