Real-Time RLS-Based Adaptive PID Control for UAVs: Implementation and Stability Analysis in Microsoft Flight Simulator

Pilotare un aeromobile senza pilota è un gioco di equilibrio tra il mantenere la rotta e il reagire a un mondo che non smette mai di cambiare. L'aria stessa è un paesaggio mutevole; raffiche di vento, variazioni del peso del carburante e la semplice usura di una missione possono alterare il modo in cui un aereo risponde ai suoi comandi. Per decenni, gli ingegneri si sono affidati ad autopiloti che utilizzano un insieme standard di regole per mantenere stabile un drone. Queste regole, note come controllori proporzionale-integrale-derivativo o PID, sono come un pilota esperto che sa esattamente quanto spingere una leva per correggere una deriva. Tuttavia, questi piloti standard hanno un pensiero fisso. Non imparano dai cambiamenti momento per momento dell'aria. Se l'aereo diventa più pesante o il vento si fa più forte, un pilota fisso potrebbe reagire eccessivamente o insufficientemente, portando a un volo instabile o a uno spreco di energia. Per risolvere questo problema, i ricercatori cercano da tempo di costruire autopiloti che possano imparare e regolare le proprie regole durante il volo, un concetto noto come controllo adattivo. La domanda che guida questo campo è se una macchina possa davvero imparare la fisica del volo in tempo reale e usare quella conoscenza per volare meglio di un sistema fisso progettato dall'uomo.

In uno studio recente, un ricercatore di nome Mohammed Zaouche ha portato questa domanda in un mondo virtuale ad alta fedeltà per vedere se un autopilota adattivo potesse superare lo standard a guadagno fisso. Ha lavorato all'interno di Microsoft Flight Simulator, un sofisticato programma informatico che imita la fisica del vero volo con una precisione sorprendente. Invece di costruire un drone fisico, che sarebbe costoso e rischioso da testare con un software instabile, ha creato un gemello digitale di un Predator MQ-1, un grande drone militare a lunga autonomia. Ha collegato questo aeromobile virtuale a un computer che eseguiva il suo software di controllo personalizzato, creando un ciclo in cui il simulatore inviava dati sensoriali al computer e il computer rimandava indietro i comandi di sterzata. Questa configurazione, chiamata software-in-the-loop, gli ha permesso di testare le sue idee in un ambiente realistico senza il pericolo di un vero schianto.

Il cuore dell'esperimento di Zaouche era un nuovo modo per insegnare al computer come volare. Ha fornito al software uno strumento chiamato Minimi Quadrati Ricorsivi, che agisce come una calcolatrice rapidissima. Mentre l'aereo virtuale volava, questo strumento osservava costantemente la relazione tra il comando dell'elevatore (la parte della coda che fa salire o scendere l'aereo) e l'altitudine effettiva. Utilizzava questi dati per costruire un semplice modello matematico del comportamento dell'aereo "al volo". Sulla base di questo modello in costante aggiornamento, il software regolava i tre nodi principali del controllore PID — i suoi guadagni proporzionale, integrale e derivativo — per cercare di mantenere il volo fluido. La speranza era che, ricalcolando costantemente le impostazioni migliori, il sistema adattivo gestisse meglio la turbolenza e i cambiamenti rispetto al sistema a guadagno fisso, che utilizza le stesse impostazioni indipendentemente dalle condizioni.

I risultati dello studio, tuttavia, hanno rivelato una verità sorprendente e piuttosto severa. Sebbene il sistema funzionasse abbastanza bene da mantenere l'aereo in volo, non ha dimostrato di essere il performer superiore che molti speravano. Infatti, quando il ricercatore ha confrontato il sistema adattivo con l'autopilota standard a guadagno fisso utilizzando dati di volo reali dal simulatore, il sistema adattivo ha utilizzato significativamente più sforzo di controllo. L'elevatore virtuale si muoveva molto più frequentemente e con maggiore intensità sotto il controllo adattivo, suggerendo che stesse lavorando di più, non meglio. Lo studio ha scoperto che le prestazioni del controllore adattivo non erano statisticamente migliori di quelle del sistema fisso e, in alcune misure di consumo energetico, erano peggiori.

Il risultato più significativo del documento, tuttavia, non riguardava quale controllore fosse migliore, ma un difetto nascosto nel design stesso del sistema adattivo. Il ricercatore ha scoperto un limite strutturale nel modo in cui la matematica era stata assemblata. Il sistema adattivo cercava di posizionare i "poli" del sistema di controllo del volo — punti matematici che determinano la stabilità — in una zona sicura per garantire che l'aereo non oscillasse. Ma il modo in cui il sistema era costruito faceva sì che avesse tre manopole regolabili per controllare una situazione che ne richiedeva quattro. Era come cercare di accordare uno strumento a quattro corde con solo tre chiavi di accordatura. A causa di questo disallineamento, un punto di stabilità rimaneva incontrollato.

Questo punto incontrollato, che il ricercatore chiama un "polo residuo", è diventato instabile in circa il 7,8 percento dei momenti durante il volo. Anche se il software aveva limiti di sicurezza per impedire alle manopole di controllo di girare troppo, questi limiti non potevano correggere in modo affidabile l'instabilità sottostante. Il problema era aggravato dal fatto che i dati utilizzati dal computer per imparare erano spesso molto difficili da interpretare, una condizione nota come cattivo condizionamento, che rendeva incerte le ipotesi del computer sul comportamento dell'aereo. Questa instabilità non era un glitch isolato; appariva costantemente in più voli di prova, anche quando il ricercatore testava la stessa logica su un simulatore completamente diverso e su un diverso modello di drone.

Lo studio conclude che, sebbene l'idea di un autopilota adattivo sia potente, il metodo specifico utilizzato qui presenta un difetto di progettazione fondamentale. La combinazione di un algoritmo di apprendimento che fatica con i dati rumorosi e un controllore che non può gestire pienamente tutte le variabili del volo crea un rischio di vera instabilità. La ricerca non sostiene che il controllo adattivo sia impossibile, ma dimostra che questo approccio specifico, che si affida a una semplice regolazione a tre manopole per un problema complesso in quattro parti, non è abbastanza robusto per l'uso nel mondo reale. Il lavoro funge da diagnosi rigorosa, provando che aggiungere semplicemente una funzione di apprendimento a un controllore non è sufficiente; la matematica sottostante deve essere in grado di gestire l'intera complessità del sistema che sta cercando di controllare. Per il futuro della tecnologia dei droni, ciò significa che gli ingegneri devono guardare oltre i semplici aggiustamenti e progettare sistemi che possano tenere conto di ogni grado di libertà della dinamica di volo, assicurando che nessun punto di stabilità sia lasciato al caso.