Hybrid Neural Network and Conventional Controller Approach for Robust Control of Highly Unstable Systems: Application to Tilt-Rotor Control

Sintesi Tecnica: Approccio Ibrido tra Rete Neurale e Controllore Convenzionale per il Controllo Robusto di Sistemi Altamente Instabili

Definizione del Problema
I droni multirotore convenzionali sono intrinsecamente sottovettorati, il che ne limita la manovrabilità. Le configurazioni tilt-rotor affrontano questo problema consentendo una piena attuazione attraverso ingressi di vettorizzazione della spinta, permettendo il controllo indipendente su tutti i gradi di libertà (DoF). Tuttavia, questi sistemi introducono una significativa complessità dinamica e instabilità. Sebbene l'apprendimento profondo sia stato integrato in varie strategie di controllo (ad es., PID, Sliding Mode Control, MPC), l'applicazione dell'apprendimento diretto input-output a impianti altamente instabili rimane una sfida. Questo articolo investiga se le reti neurali possano stabilizzare direttamente un sistema tilt-rotor completamente attuato e propone un'alternativa ibrida che combina l'identificazione del sistema basata su reti neurali con un controllo convenzionale robusto.

Metodologia
La ricerca è strutturata in due fasi distinte:

1. Apprendimento Diretto Input-Output (Risultato Negativo):
   Gli autori hanno prima tentato di controllare il sistema tilt-rotor utilizzando un approccio di mappatura diretta. In questo metodo, Perceptroni Multistrato (MLP), reti Long Short-Term Memory (LSTM) e modelli Transformer sono stati addestrati per mappare direttamente gli stati del sistema e le traiettorie desiderate verso gli ingressi di controllo (velocità dei motori e angoli di inclinazione). I dati di addestramento sono stati generati tramite traiettorie sinusoidali e manovre specifiche utilizzando un controllore Sliding Mode Controller (SMC) pre-progettato. L'obiettivo era valutare se queste reti potessero apprendere la politica di controllo senza un esplicito modellamento dinamico.

2. Sliding Mode Control Potenziato da Reti Neurali (Contributo Principale):
   Riconoscendo il fallimento dell'approccio diretto, gli autori hanno proposto un'architettura di controllo ibrida. Invece di apprendere direttamente la politica di controllo, le reti neurali vengono utilizzate per approssimare componenti specifiche del modello dinamico dell'impianto.

• Decomposizione: La dinamica del sistema viene decomposta in componenti indipendenti dall'input ($a$) e dipendenti dall'input ($G$) basandosi sull'equazione $\ddot{\bar{x}} = a + Gv$.
• Apprendimento: Reti neurali leggere (MLP o LSTM) vengono addestrate per predire $\hat{a}$ e $\hat{G}$ utilizzando un piccolo dataset derivato da log di volo o simulazioni. Queste reti apprendono la relazione tra gli stati del sistema (assetto, velocità angolare) e i parametri dinamici.
• Legge di Controllo: I parametri predetti ($\hat{a}, \hat{G}$) sono inseriti in uno standard Sliding Mode Controller (SMC). L'SMC utilizza queste approssimazioni apprese per calcolare la legge di controllo, garantendo la robustezza contro le incertezze.
• Allocazione degli Attuatori: Il controllore genera un vettore di input virtuale $v$, che viene poi mappato in comandi fisici per gli attuatori (velocità dei motori BLDC e angoli di inclinazione dei servo) utilizzando una soluzione a norma minima per gestire la natura non quadrata della matrice di controllo.

Risultati Chiave

• Fallimento dell'Apprendimento Diretto: La strategia di controllo diretto input-output non è riuscita a stabilizzare l'altamente instabile sistema tilt-rotor. Nonostante l'ottenimento di un basso Mean Absolute Error (MAE) sui dati di addestramento, le reti non sono state in grado di prevenire l'accumulo di errore in tempo reale, portando alla divergenza del sistema. Ciò evidenzia il limite fondamentale dell'apprendimento diretto per impianti instabili senza un framework di controllo robusto sottostante.
• Successo dell'Approccio Ibrido: Lo SMC potenziato da reti neurali ha stabilizzato con successo il sistema.
  • Robustezza: Il sistema ha mantenuto la stabilità sotto significative incertezze, inclusi errori di attuazione casuali del 5-10%, aumenti di massa del 5%, variazioni di inerzia del 20% e disturbi del vento esterni.
  • Confronto delle Prestazioni: Tra le due architetture di rete utilizzate per la predizione della dinamica, il Predittore della Dinamica dell'Impianto (PDP) basato su LSTM ha superato il PDP basato su MLP. Il controllore LSTM ha ottenuto un Trajectory Tracking Mean Absolute Error (TT-MAE) inferiore, pari a 0,21 in condizioni critiche, rispetto all'1,05 dell'MLP.
  • Efficienza: L'implementazione LSTM ha inoltre dimostrato un tempo di esecuzione inferiore (38,5s rispetto ai 41,5s del test di base) e ha richiesto meno parametri per la predizione della componente $a$, rendendola adatta all'implementazione su microcontrollori a basso costo.

Significatività e Rivendicazioni
L'articolo sostiene che, sebbene il controllo diretto tramite reti neurali sia inadatto per sistemi tilt-rotor altamente instabili, l'integrazione di reti neurali leggere in un framework di controllo basato su modello offre una soluzione robusta ed efficiente. I contributi chiave includono:

• Dimostrazione dei Limiti: Fornire prove empiriche del fatto che l'apprendimento diretto input-output fallisce per impianti altamente instabili, anche con architetture avanzate come i Transformer.
• Efficienza dei Dati: Il metodo proposto può essere addestrato utilizzando log di volo raccolti da controllori a basse prestazioni focalizzati solo sull'assetto, poiché si concentra sull'apprendimento dei parametri dell'impianto piuttosto che sulle azioni di controllo.
• Utilità della Simulazione: Il modello dinamico appreso dai dati reali può essere utilizzato per simulazioni accurate.
• Fattibilità Computazionale: Decomponendo la dinamica e utilizzando reti leggere per componenti specifiche, il metodo riduce le richieste computazionali in tempo reale, consentendo l'implementazione su hardware con risorse limitate.

Gli autori concludono che questo approccio ibrido fornisce una strategia di controllo robusta e generalizzata per UAV a piena attuazione e pianificano di validare queste scoperte sperimentalmente su una piattaforma tilt-rotor fisica nel loro laboratorio.