Riepilogo Tecnico: Apprendimento di Dinamiche Accoppiate Incrociatamente e Dipendenti dal Regime per la Manipolazione Aerea

Enunciato del Problema

I manipolatori aerei, che combinano veicoli multirrotore con bracci robotici articolati, affrontano sfide significative nella modellazione dinamica a causa del forte accoppiamento quadrotore-manipolatore, delle interazioni aerodinamiche ritardate e delle variazioni dipendenti dal regime. Queste variazioni derivano da cambiamenti del carico utile (ad esempio, presa e rilascio) e dalla riconfigurazione del manipolatore, portando a dinamiche residue che sono simultaneamente accoppiate incrociatamente, dipendenti dalla storia e non stazionarie.

Gli approcci esistenti faticano in questo dominio:

• I modelli analitici spesso non riescono a catturare accoppiamenti inerziali e aerodinamici complessi.
• I modelli appresi puramente offline (ad esempio, DNN standard, GP) si degradano durante il deployment perché non possono adattarsi agli spostamenti della distribuzione causati dai cambiamenti dei regimi operativi.
• I metodi di adattamento online spesso si basano sulla discesa del gradiente (richiedendo una regolazione attenta e soffrendo di scarsa efficienza nel campionamento) o sul riaddestramento completo della rete (introducendo un sovraccarico computazionale). Inoltre, molti metodi esistenti non affrontano simultaneamente il forte accoppiamento tra variabili e la non stazionarietà improvvisa dipendente dal regime.

La sfida principale è modellare le dinamiche residue che catturino l'accoppiamento stretto tra le variabili di stato e le dipendenze temporali, consentendo al contempo un adattamento online rapido e stabile a condizioni operative non viste senza compromettere le prestazioni del controllo in tempo reale.

Metodologia

Gli autori propongono un framework encoder-decoder strutturato per l'apprendimento adattivo delle dinamiche residue. Il sistema approssima le dinamiche residue $f_\Delta$ come una combinazione lineare di caratteristiche latenti apprese: $f_\Delta(H_k) \approx \Theta z_k$.

1. Encoder Latente Non Lineare (Addestrato Offline)

L'encoder $\phi(\cdot)$ elabora una matrice di storia $H_k$ contenente le recenti traiettorie stato-ingresso. È progettato per catturare due caratteristiche specifiche identificate nell'analisi del problema:

• Accoppiamento tra Variabili: Modellato tramite blocchi di attenzione tra variabili che calcolano le dipendenze tra diversi canali di stato e ingresso all'interno di segmenti temporali.
• Dipendenze Temporali: Modellate tramite blocchi di attenzione temporale che catturano effetti ritardati (ad esempio, scia aerodinamica, dinamiche degli attuatori) attraverso i passi temporali.
• Architettura: L'encoder utilizza strati alternati di attenzione temporale e tra variabili, seguiti da un pooling basato sull'attenzione e una rete di proiezione per produrre una rappresentazione latente compatta $z_k \in \mathbb{R}^\ell$. Questo encoder viene addestrato offline e rimane fisso durante il deployment.

2. Decoder Latente Lineare (Adattato Online)

La matrice del decoder $\Theta$ mappa le caratteristiche latenti sul target residuo. Crucialmente, il modello è lineare nei parametri rispetto a $\Theta$, consentendo efficienti aggiornamenti bayesiani in forma chiusa.

• Aggiornamento Ricorsivo: I parametri del decoder vengono aggiornati ricorsivamente utilizzando un filtro di Kalman nello spazio dei parametri. L'evoluzione dei parametri è modellata come un cammino casuale, permettendo al stimatore di tracciare dinamiche variabili nel tempo.
• Inflazione della Covarianza Guidata dalla Coerenza: Per gestire i cambiamenti improvvisi di regime (ad esempio, rilascio del carico), il sistema monitora il punteggio di innovazione normalizzato (distanza di Mahalanobis tra i residui previsti e osservati).
  • Una Media Mobile a Pesi Esponenziali (EWMA) di questo punteggio ($g_k$) rileva discrepanze persistenti.
  • Se viene rilevata una discrepanza, un meccanismo di inflazione adattiva della covarianza scala la covarianza a priori per un fattore $1/\lambda_k$ (dove $\lambda_k < 1$). Questo agisce efficacemente come un fattore di oblio adattivo, aumentando il guadagno di Kalman per accelerare l'adattamento senza resettare lo stimatore.

3. Integrazione con il Controllo Predittivo a Modello (MPC)

Il modello residuo appreso è incorporato in un framework MPC non lineare. Durante l'orizzonte di previsione, l'encoder è bloccato e il residuo è trattato come una correzione additiva costante basata sulla media a posteriori corrente del decoder. Questa formulazione garantisce la trattabilità computazionale per il controllo in tempo reale, tenendo conto delle dinamiche non modellate.

Contributi Chiave

1. Apprendimento di una Rappresentazione Non Lineare delle Residui: Un encoder latente dipendente dalla storia che modella esplicitamente l'accoppiamento tra variabili e le dipendenze temporali, affrontando i limiti dei modelli istantanei o puramente temporali.
2. Stima Residua Adattiva al Regime Online: Una struttura di decoder latente lineare che consente un adattamento bayesiano in forma chiusa e leggero. L'inclusione dell'inflazione della covarianza guidata dalla coerenza permette un adattamento rapido e stabile sia a cambiamenti dinamici transitori che lentamente variabili, specificamente adattato alla natura non stazionaria della manipolazione aerea.

Risultati Sperimentali

Il framework è stato validato su una piattaforma reale di manipolatore aereo (quadrotore Tarot-650 con un manipolatore seriale a 2R) in due scenari impegnativi che coinvolgono il rilascio del carico e il cambio di traiettoria:

• Previsione in Anello Aperto: L'encoder "Full Structured" proposto ha superato le linee di base (DNN, TCN e encoder solo temporali) con il RMSE più basso (0,18 contro 0,21–0,34), dimostrando la necessità di modellare sia le interazioni tra variabili che quelle temporali.
• Ablazione del Decoder: Il decoder adattivo completo (con inflazione guidata dalla coerenza) ha ottenuto il RMSE più basso e il recupero più rapido dopo un cambiamento dinamico improvviso (caduta del carico) rispetto a decoder fissi, aggiornamenti bayesiani standard e metodi a fattore di oblio fisso.
• Inseguimento della Traiettoria: Negli esperimenti MPC in anello chiuso, il metodo proposto ha superato i modelli nominali, le DNN offline, i modelli basati su diffusione e altre linee di base di adattamento online (ad esempio, Active MLP, Proto-MPC). Ha dimostrato un superiore rifiuto delle perturbazioni e accuratezza di tracciamento sia in condizioni di carico in distribuzione che fuori distribuzione.

Significato e Affermazioni

Il documento afferma che la modellazione accurata dei manipolatori aerei richiede la modellazione congiunta delle dinamiche temporali accoppiate e della non stazionarietà al momento del deployment. Il framework proposto affronta questo problema disaccoppiando l'apprendimento complesso della rappresentazione (gestito offline dall'encoder non lineare) dal meccanismo di adattamento (gestito online dal decoder lineare).

Gli autori sottolineano che il loro approccio consente:

• Adattamento rapido a cambiamenti improvvisi (come il rilascio del carico) senza l'instabilità spesso associata all'apprendimento aggressivo basato sul gradiente.
• Stima stabile in condizioni nominali grazie alla natura conservativa dell'aggiornamento bayesiano quando non viene rilevata alcuna discrepanza.
• Compatibilità in tempo reale con l'MPC, poiché l'aggiornamento online è computazionalmente efficiente ($O(d\ell^2)$) e l'inferenza dell'encoder viene eseguita una volta per passo.

I risultati evidenziano che combinare la codifica strutturata della storia con l'inflazione adattiva della covarianza fornisce una soluzione robusta per una manipolazione aerea affidabile in regimi operativi variabili e imprevedibili.