Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection

本論文は、スパース同定法（SINDy）と再帰最小二乗法（RLS）適応制御を統合した「Adaptive SINDy」を提案し、乱流環境下でのドローン外乱拒絶と軌道追跡精度の向上を実機実験で実証したものである。

要約

風の中で踊るドローン：新しい「賢い制御」の仕組み

この論文は、**「強風の中でドローンを安定して飛ばすための新しい知恵」**について書かれています。

想像してみてください。あなたが風邪をひいて、強い風が吹く中を歩いているとします。風があなたの体を横から押してくるので、まっすぐ歩くのが大変です。普通の人は、風が強いとバランスを崩して転んでしまったり、目的地にたどり着けなかったりします。

ドローン（無人航空機）も同じです。特に「Crazyflie」という小さなドローンは、羽の重さの割に風の影響を強く受けるため、強い風が吹くと制御が難しく、墜落してしまうことが多いのです。

これまでの技術では、風という「見えない敵」にどう立ち向かうかが課題でした。この論文の著者たちは、**「風の動きを数学的に推測して、その分だけ逆の力を加える」**という新しい方法を開発しました。

以下に、この技術の仕組みを3つのステップで、わかりやすく解説します。

---

1. 従来の方法の限界：「経験則」だけでは足りない

これまでのドローンの制御は、大きく分けて2つのタイプがありました。

• タイプA：堅実な「経験則」派（PID 制御など）
  • 仕組み: 「風が吹いたら、その分だけ逆方向に力を入れよう」という単純なルールで動きます。
  • 弱点: 風が複雑に変わったり、突風が来た瞬間には対応が遅れます。まるで、突然の強風でバランスを崩した人が、反射的に手を振ってもまだ転んでしまうようなものです。
• タイプB：「AI 学習」派（ニューラルネットワークなど）
  • 仕組み: 大量のデータを教えて、AI が「風の感じ」を学習させます。
  • 弱点: 学習に時間がかかるだけでなく、「なぜその判断をしたのか」が人間には理解できません（ブラックボックス化）。また、学習した環境と違う場所に行くと、うまくいかないこともあります。

2. 新技術「Adaptive SINDy」の登場：「風の正体を暴く」

この論文が提案したのは、**「SINDy（シンディ）」**という新しい手法を組み合わせたシステムです。

【創造的な比喩：風の「正体」を名前で呼ぶ】

風は目に見えませんが、ドローンに「押す力」として作用します。
SINDy という技術は、「風がドローンをどう押しているか」を、数学的な「言葉（式）」に変換する能力を持っています。

• 従来の AI: 「風が強いから、左に傾けろ！」と直感的に判断する（理由がわからない）。
• SINDy: 「風は、ドローンの『傾き（ロール角）』と『推力』の組み合わせで、このように押している」という具体的なルール（式）を見つけ出すことができます。

まるで、風という「見えない妖怪」の正体を暴き出し、「お前は『傾き』と『推力』の掛け算で動いているんだな！」と名前を呼んで、その動きを予測できるようなものです。

さらに、このシステムは**「適応（Adaptive）」**します。
風が突然強くなったり、方向が変わったりしても、SINDy はその都度、新しい「風のルール」を瞬時に見つけ出し、制御システムに教えてくれます。まるで、風の変化に合わせて、その場で新しい舞い方を編み出すダンスの達人のようなものです。

3. 実験の結果：「転ばない」ドローンの誕生

研究者たちは、この新しいシステムを2つの場所でテストしました。

1. シミュレーション（Gazebo）:

   • 仮想空間で、さまざまな複雑な軌道（円、8の字、螺旋）を飛行させました。
   • 結果: 従来の制御（PID）や他の AI 制御よりも、軌道から外れる誤差が小さくなりました。特に「8の字」のような複雑な動きでは、SINDy が最も優秀でした。

2. 実機実験（Crazyflie ドローン）:

   • 4 つのファンで風を吹きつける「風洞」のような環境で、実際に飛ばしました。
   • 劇的な結果:
     • 従来の PID 制御: 風が吹くとバランスを崩し、すべての実験で墜落（クラッシュ）しました。
     • 新しい SINDy 制御: 風が強くても、15 回のすべての実験で成功し、墜落しませんでした。

---

まとめ：なぜこれが重要なのか？

この研究の最大の功績は、**「複雑な風の動きを、人間にも理解できる数学的なルールとして見つけ出し、それをリアルタイムで制御に活かすこと」**に成功した点です。

• AI のように大量のデータは不要（少ないデータで学習できる）。
• ブラックボックスではない（なぜその制御をしたかが式でわかる）。
• どんな風でも対応できる（リアルタイムでルールを書き換える）。

これは、ドローンが物流や救助活動などで、荒れた天候の中でも安全に活躍するための重要な一歩です。まるで、風の中でバランスを崩さず、優雅に舞い続ける「風使い」のドローンが実現したようなものです。

一言で言うと：
「風という見えない敵の正体を、数学という『魔法の鏡』で瞬時に見つけ出し、ドローンに『逆風を跳ね返す』ための新しい舞い方を教えた研究」です。

技術概要

論文「Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection」の技術的サマリー

本論文は、乱気流環境下での無人航空機（UAV）の安定性と制御、特に風による擾乱（外乱）の拒絶（Disturbance Rejection）を目的とした新しいアプローチを提案しています。従来の制御手法や学習ベースの手法の限界を克服し、データ駆動型のシステム同定（SINDy）と適応制御（RLS）を統合した「Adaptive SINDy」フレームワークを構築し、シミュレーションおよび実機飛行でその有効性を検証しました。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細をまとめます。

1. 問題定義と背景

UAV は、捜索救助、物流、監視など多様な分野で利用されていますが、強風や乱気流のような不確実な環境下での飛行安定性は大きな課題です。

• 既存手法の限界:
  • 古典的制御・外乱観測器: 比較的非複雑な環境では機能しますが、高度に非線形な風力ダイナミクスをモデル化するのは困難であり、複雑な環境への汎用性に欠けます。
  • 学習ベース手法（ニューラルネット等）: 外乱モデルの学習に成功していますが、大量の訓練データが必要であり、モデルの解釈性（Interpretability）が低く、一般化能力に課題があります。
• 課題: 物理法則に基づく解釈性の高いモデルと、オンラインでの適応能力を兼ね備えつつ、少量のデータで外乱を推定・拒絶できる手法の開発が求められています。

2. 提案手法：Adaptive SINDy

本研究は、Sparse Identification of Non-Linear Dynamics (SINDy) と Recursive Least Squares (RLS) 適応制御を統合した新しいアーキテクチャを提案しています。

2.1 基本原理

UAV の運動方程式は、既知のダイナミクスと未知の外乱誘起残存力（Residual Forces）の和として記述されます。
$$\dot{X} = f(x, u)_{\text{known}} + g(x, u, w)_{\text{unknown}}$$
ここで、$w$ は風外乱です。本研究では、既知モデルとの差分（残差）を $g(x, u, w)$ として特定し、これをオンラインで推定して制御入力に補正を加えます。

2.2 SINDy によるシステム同定

• スパース同定: 候補関数ライブラリ $\Theta(x, u)$ から、残存力を記述する最も重要な項のみをスパース回帰（SR3 アルゴリズム使用）で選択します。これにより、過剰適合を防ぎつつ、物理的に解釈可能なモデルを構築できます。
• 基底関数の設計: 単なるデータ駆動ではなく、物理的な洞察に基づいた基底関数ライブラリを設計しました。
  • 物理的洞察: 風に対してドローンが位置を維持しようとすると、風と反対方向に傾き（ロール角 $\phi$、ピッチ角 $\theta$）が生じ、推力ベクトルが変化することを観察しました。
  • ライブラリ構成: 定数、$\theta, \phi$、およびこれらに推力 $T$ を重み付けた三角関数（$\sin, \cos$）を組み合わせた関数群を使用します。これにより、風速そのものではなく、ドローンの状態（姿勢）から外乱を推定する「風不変（Wind Invariant）」な表現を可能にしています。

2.3 RLS 適応制御との統合

同定されたモデルの係数行列 $\Xi$（または適応パラメータ $A$）を、漏れ付き RLS（Leaky RLS） アルゴリズムを用いてオンラインで更新します。

• 制御器は、目標軌道と測定された状態に基づき、推定された残存力を補正した制御入力（推力と姿勢）を生成します。
• これにより、変化する風環境に対してリアルタイムにモデルを適応させ、外乱を積極的に打ち消すことが可能になります。

3. 主要な貢献

1. 新規フレームワークの提案: 解釈性の高い SINDy とオンライン適応能力を持つ RLS 制御を統合し、UAV の外乱拒絶に適用した初の試みの一つです。
2. 物理情報に基づく基底関数ライブラリ: 風そのものを直接モデル化するのではなく、ドローンの姿勢変化（ロール・ピッチ）と推力の関係を基底関数に含めることで、解釈性と実用性を両立させました。
3. シミュレーションから実機への検証: 軽量な Crazyflie ドローンを用い、Gazebo シミュレーション（ArduPilot SITL および CrazySim）に加え、4 方向から最大 2 m/s の風を発生させる実機実験（Real Flight）まで含めた包括的な検証を行いました。
4. PID 制御の限界の克服: 強風下で PID 制御が墜落する状況において、提案手法がすべての軌道追跡タスクを成功裏に完了させたことを実証しました。

4. 実験結果

実験は、円形、レムニスケート（無限大記号）、螺旋の 3 種類の軌道追跡タスクで行われました。

4.1 シミュレーション結果 (ArduPilot SITL & Crazyflie)

• 比較対象: 事前学習済み DAIML（深層学習ベース）適応制御、INDI 制御、およびベースライン PID。
• 結果:
  • 提案手法（Adaptive SINDy）は、PID に対してすべての軌道で大幅な誤差低減を示しました。
  • 複雑な軌道（レムニスケートや螺旋）において、DAIML や INDI と同等かそれ以上の性能を発揮しました。
  • 特に Crazyflie シミュレーションでは、レムニスケート軌道で RMSE 0.105 m、P95 誤差 0.161 m を達成し、他の手法を上回りました。

4.2 実機飛行結果 (Real Flight)

• 環境: 4 方向から 1〜2 m/s の風を発生させるダクテッドファンを用いた乱気流環境。
• 結果:
  • PID 制御: 強風下で 100% の確率で墜落し、軌道追跡に失敗しました。
  • Adaptive SINDy: 15 回の試行（円形 6 回、レムニスケート 4 回、螺旋 5 回）すべてを成功裏に完了しました。
  • 誤差指標:
    • 円形軌道：RMSE 17.6 cm, MAE 13.7 cm
    • レムニスケート軌道：RMSE 12.2 cm, MAE 10.5 cm
  • 螺旋軌道は半径が拡大するため難易度が高く誤差も大きくなりましたが、安定した追跡を維持しました。

5. 意義と結論

本研究は、UAV の制御において「古典的適応制御」と「データ駆動型システム同定」を融合させる有効性を示しました。

• 解釈性と性能の両立: 学習ベース手法のブラックボックス化を避けつつ、少量のデータで高精度な外乱推定を可能にしました。
• 実用性: 軽量で制御が困難なドローン（Crazyflie）であっても、強風下での安全な飛行を実現できることを実証しました。
• 将来展望: 本アプローチは、より激しい乱気流環境や、異なるサイズ・タイプの UAV への適用、さらにはオンボードでの履歴データに基づく動的な適応制御への展開が期待されます。

結論として、Adaptive SINDy は、不確実な環境下における UAV の信頼性と安全性を向上させるための堅牢なフレームワークとして、実用的かつ学術的に重要な貢献を果たしました。