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

Riepilogo Tecnico: Controllo di Volo Adattivo Modello-Riferimento per il Bee++ da 95 mg

Enunciato del Problema
Il documento affronta la sfida di ottenere un tracciamento posizionale ad alte prestazioni per il Bee++, un veicolo aereo ad ali battenti in scala insetto da 95 mg. A causa della scala microscopica del robot e della complessa fabbricazione, il suo modello dinamico soffre di significativa incertezza parametrica, in particolare riguardo alla matrice d'inerzia e alla mappatura degli attuatori. Inoltre, la bassa inerzia del Bee++ lo rende altamente suscettibile a disturbi stocastici e sistematici durante il volo, inclusa la tensione del cavo, le raffiche di vento e le forze aerodinamiche derivanti da un disallineamento delle ali. Questi fattori complicano l'esecuzione di manovre ad alta velocità e di un hover preciso, rendendo necessaria un'architettura di controllo capace di adattarsi alle incertezze del modello e ai disturbi esterni in tempo reale.

Metodologia
Gli autori propongono un framework di Controllo Adattivo Modello-Riferimento (MRAC) progettato per robot a corpo rigido ad ali battenti operanti nello spazio tridimensionale. La metodologia centrale comprende i seguenti componenti:

• Modellazione Dinamica: La dinamica traslazionale è modellata utilizzando la seconda legge di Newton, incorporando un termine di disturbo aggregato sconosciuto $d(t)$. Questo disturbo è parametrizzato come una combinazione lineare di funzioni di base radiale (RBF) basate su Gaussiane, $d(t) = W^T \phi(x)$, dove $W$ è una matrice di parametri sconosciuti e $x$ rappresenta il vettore di stato (posizione e velocità).
• Legge di Controllo: Viene derivata una legge di controllo stabilizzante che include una struttura standard di tipo PID (termini proporzionale, integrale e derivativo) combinata con un termine di feedforward e un termine adattivo, $f_a = \hat{W}^T \phi(x)$. Il termine adattivo è specificamente progettato per annullare il disturbo sconosciuto.
• Legge di Adattamento: Viene derivata una legge di adattamento per aggiornare la stima $\hat{W}$ in tempo reale. Questa legge è costruita utilizzando un'analisi di stabilità di Lyapunov. Definendo una funzione candidata di Lyapunov e assicurando che la sua derivata temporale sia semi-definita negativa, gli autori derivano una regola di aggiornamento ($\dot{\hat{W}} = -\gamma \phi \tilde{z}^T P^T B$) che garantisce la convergenza dell'errore di tracciamento a zero.
• Analisi di Stabilità: Gli autori dimostrano che i segnali del sistema in anello chiuso rimangono limitati e che l'errore di tracciamento converge asintoticamente a zero. L'analisi dimostra che il metodo adattivo rifiuta efficacemente i disturbi forzando lo stato del sistema a tracciare un modello di riferimento a disturbo nullo.

Contributi Chiave

• Architettura MRAC per Micro-Robot: Il documento introduce un'architettura MRAC specifica, adattata ai vincoli unici dei veicoli ad ali battenti in scala insetto, affrontando sia l'incertezza del modello che i disturbi esterni.
• Dimostrazione Rigorosa di Stabilità: Il lavoro fornisce un'analisi formale di stabilità utilizzando la teoria di Lyapunov, dimostrando la stabilità uniforme dell'equilibrio e la convergenza asintotica dell'errore di tracciamento.
• Validazione Sperimentale in Tempo Reale: L'approccio è validato attraverso esperimenti di volo in tempo reale sul robot fisico Bee++, dimostrandone l'applicabilità pratica piuttosto che basandosi esclusivamente sulla simulazione.

Risultati Sperimentali
Lo schema MRAC proposto è stato valutato rispetto a un controllore di riferimento non adattivo (da lavoro precedente [1]) attraverso cinque esperimenti di hover consecutivi con una posizione di riferimento costante. I risultati indicano:

• Prestazioni Superiori: Sebbene entrambi i controllori fossero in grado di stabilizzare il robot, lo schema MRAC ha superato significativamente il benchmark non adattivo.
• Miglioramenti Quantitativi: Il controllore MRAC ha ridotto gli errori di posizione RMS medi del 15% nella direzione $n_1$, del 44% nella direzione $n_2$ e del 35% nella direzione $n_3$ rispetto al benchmark.
• Metriche di Errore Specifiche: Per lo schema MRAC, gli errori RMS medi sono stati $2.32 \pm 0.60$ cm ($n_1$), $0.87 \pm 0.39$ cm ($n_2$) e $0.13 \pm 0.03$ cm ($n_3$).
• Comportamento Adattivo: L'evoluzione temporale del termine di forza adattivo ($f_a$) ha dimostrato la compensazione attiva del controllore per i disturbi durante il volo.

Significato e Affermazioni
Il documento posiziona questo lavoro come un passo critico verso l'abilitazione di manovre ad alta velocità e un controllo avanzato dell'assetto per robot in scala insetto. Gli autori affermano che il framework MRAC proposto permette con successo al Bee++ di adattare il proprio comportamento per contrastare disturbi e incertezze del modello, abilitando così un tracciamento posizionale ad alte prestazioni. Lo studio dimostra che l'approccio è adatto, funzionale e capace di alte prestazioni in condizioni di volo reali, come dimostrato dai dati sperimentali. Il lavoro non afferma di risolvere tutte le sfide di controllo per i micro-robot, ma stabilisce una base robusta per il controllo adattivo in presenza di significativa incertezza e disturbo.