Learning-based quadrotor tracking control using Recursive Gaussian Processes

Pilotare un drone è un delicato equilibrio, una costante negoziazione tra le leggi della fisica e il software che cerca di comandarle. Per un quadrotore, un piccolo velivolo con quattro rotori rotanti, mantenere una traiettoria precisa è difficile perché l'aria circostante non è mai perfettamente ferma. Raffiche di vento, il complesso vortice d'aria creato dai rotori stessi e minuscole imperfezioni nella costruzione della macchina complotano per deviarlo dalla rotta. I controllori di volo tradizionali si affidano a modelli matematici per prevedere come il drone dovrebbe muoversi, ma questi modelli non sono mai perfetti. Quando il mondo reale devia dalla matematica, il drone inciampa, il suo inseguimento diventa lento o instabile. Per anni, gli ingegneri hanno cercato di risolvere il problema insegnando ai computer a imparare dai propri errori, usando l'apprendimento automatico per colmare le lacune del modello. Tuttavia, questi sistemi intelligenti sono stati storicamente troppo pesanti per il computer del drone stesso per essere eseguiti durante il volo, costringendo i ricercatori a testarli solo in simulazione o a terra.

Un team di ricercatori del Politecnico di Milano ha ora colmato quel divario, creando un sistema che permette a un vero drone di apprendere e correggere la propria traiettoria di volo mentre è in aria. Hanno sviluppato un metodo che combina un controllore di volo standard con un algoritmo di apprendimento chiamato Processo Gaussiano Ricorsivo. Pensate a questo algoritmo di apprendimento come a un sistema di memoria altamente efficiente che non si limita a memorizzare ogni singolo dato incontrato, il che sovraccaricherebbe rapidamente un piccolo computer, ma mantiene invece un riassunto curato e compatto delle informazioni più importanti. Ciò consente al drone di aggiornare la sua comprensione del vento e delle sue peculiarità in tempo reale, senza dover interrompere l'attività per elaborare un database massiccio. I ricercatori hanno testato questo sistema su un vero quadrotore chiamato drone ANT-X Lab, facendolo volare attraverso una serie di percorsi complessi e ondulati in un'arena interna. I risultati sono stati chiari: lasciando che il drone apprendesse i propri errori durante il volo, il sistema ha ridotto gli errori di inseguimento tra il 38% e il 75% rispetto allo stesso drone che volava senza questa capacità di apprendimento.

La sfida principale affrontata dai ricercatori era il costo computazionale dell'apprendimento. I modelli standard di apprendimento automatico che utilizzano i processi gaussiani sono incredibilmente potenti nel prevedere comportamenti sconosciuti, ma solitamente richiedono che un computer ricalcoli tutto da zero ogni volta che arriva un nuovo dato. Per un drone che vola ad alta velocità, questo è troppo lento. I ricercatori hanno risolto il problema utilizzando un approccio "ricorsivo". Invece di trattare ogni nuova osservazione come un nuovo inizio, il sistema aggiorna il proprio modello interno in modo incrementale, molto più simile a una persona che perfeziona una mappa mentale mentre cammina in una nuova città, piuttosto che ridisegnare l'intera mappa a ogni passo. Per rendere la cosa ancora più veloce, hanno pre-selezionato un insieme fisso di punti di riferimento, o "vettori di base", che coprono l'intervallo probabile dei movimenti del drone. L'algoritmo di apprendimento deve quindi solo regolare i valori associati a questi punti fissi, invece di cercare di ricordare ogni singolo momento del volo. Questo trucco ha ridotto il carico computazionale abbastanza da consentire l'esecuzione dell'intero sistema direttamente sul computer di bordo del drone, un salto significativo rispetto ai tentativi precedenti che richiedevano una stazione di terra separata e potente per fare il lavoro di pensiero.

Per garantire che il drone potesse apprendere in modo sicuro ed efficace, il team ha progettato un flusso di lavoro specifico. Prima che l'apprendimento abbia inizio, il drone rimane in volo stazionario e si stabilizza. Successivamente, un periodo di "riscaldamento" di quattro secondi permette al sistema di raccogliere i dati iniziali e calibrare le proprie impostazioni interne senza cercare immediatamente di correggere la traiettoria di volo. Ciò evita che il drone reagisca eccessivamente al rumore o a movimenti improvvisi e atipici. Una volta che il sistema è pronto, inizia ad ascoltare la differenza tra dove il drone è stato istruito di andare e dove è andato realmente. Questa differenza, causata dal vento o dalla resistenza aerodinamica, è ciò che l'algoritmo di apprendimento cerca di prevedere e annullare. I ricercatori hanno utilizzato una tecnica di filtraggio speciale per smussare i dati grezzi dei sensori, assicurando che il drone non apprendesse da glitch casuali dei sensori ma da veri schemi nell'aria. Questa preparazione attenta ha permesso al sistema di apprendimento di concentrarsi sulla vera fisica del volo, piuttosto che sul rumore dei sensori.

Gli esperimenti hanno previsto il volo del drone lungo vari percorsi sinusoidali, ovvero a forma d'onda. Alcuni percorsi ripetevano lo stesso schema continuamente, mentre altri cambiavano forma o velocità costantemente, testando se il sistema potesse adattarsi a nuove situazioni mai viste prima. Nei test, al drone è stato chiesto di seguire percorsi con diverse velocità e ampiezze, muovendosi avanti e indietro in linea retta. I risultati hanno mostato che il controllore basato sull'apprendimento superava significativamente il controllore standard. Volando lungo un pattern d'onda costante e ripetitivo a una velocità moderata, il sistema di apprendimento ha ridotto l'errore medio a soli 4,5 centimetri, un miglioramento drammatico rispetto ai 17,3 centimetri di errore visti con il controllore standard. Anche quando il percorso di volo cambiava costantemente, come in un movimento oscillatorio in cui velocità e direzione variavano, il sistema di apprendimento riusciva comunque a ridurre l'errore di quasi il 40%. Il miglioramento era più pronunciato quando il drone volava entro l'intervallo delle condizioni incontrate durante la fase di apprendimento, ma forniva comunque benefici sostanziali in nuove condizioni variabili.

Uno degli aspetti più importanti di questo lavoro è che dimostra che il controllo basato sull'apprendimento può essere eseguito in modo sicuro ed efficace su hardware reale, non solo in simulazioni al computer. I ricercatori hanno dimostrato che il sistema poteva gestire le complessità di un ambiente reale, inclusi gli effetti aerodinamici sottili che sono difficili da modellare matematicamente. Eseguendo con successo l'algoritmo a bordo, hanno dimostrato che i limiti computazionali dei piccoli droni non sono più una barriera insormontabile per l'uso di tecniche avanzate di apprendimento. Lo studio ha anche evidenziato l'importanza di come il sistema di apprendimento venga calibrato. I ricercatori hanno sviluppato un nuovo metodo per regolare i parametri interni del sistema, utilizzando una tecnica ispirata al funzionamento dei filtri di Kalman, che ha permesso al sistema di trovare le impostazioni ottimali per l'apprendimento in modo molto più efficace rispetto ai metodi precedenti. Questa calibrazione è stata cruciale per garantire che il drone non diventasse troppo sensibile o instabile durante l'apprendimento.

Il successo di questo progetto suggerisce un futuro in cui i droni possano essere più autonomi e capaci di gestire compiti complessi in ambienti imprevedibili. Se un drone per le consegne può imparare a compensare una raffica di vento improvvisa o un cambiamento nella densità dell'aria senza intervento umano, diventa uno strumento molto più affidabile. Il lavoro dei ricercatori fornisce una strada concreta verso il futuro, mostrando che combinando la teoria del controllo classico con algoritmi di apprendimento moderni ed efficienti, è possibile creare sistemi di volo che siano sia intelligenti che robusti. La chiave non è stata solo nell'apprendimento in sé, ma nell'ingegneria che ha reso quell'apprendimento abbastanza veloce da avvenire in tempo reale. Mantenendo basse le richieste computazionali e focalizzando il processo di apprendimento, il team ha trasformato un concetto teorico in una realtà pratica, dimostrando che un piccolo drone può effettivamente imparare a volare meglio mentre vola.