Decentralized Geometric Control for Cable-Suspended Payload Transport with Adaptive Mass Estimation

技術要約：適応型質量推定を用いたケーブル吊下げペイロード輸送のための分散型幾何学的制御

問題提起
複数のクアッドロータとケーブルで吊り下げられたペイロードを用いた協調型空中輸送は、単一車両システムと比較して輸送容量と耐故障性を向上させる。しかし、これらのシステムは重大な課題に直面している：多様体（$SE(3) \times (S^2)^N$）上の非線形ダイナミクス、中央のコーディネーターなしでの分散型運用の必要性、および厳格な安全制約（ケーブルの緩み、過度な揺れ、衝突、および機体の傾き）である。既存の解決策は、中央集約的な状態情報を必要としたり、総エージェント数（$N$）やペイロード質量（$m_L$）の知識を必要としたり、あるいは大きな角度の操縦中に安定性を失う線形化されたダイナミクスに依存することが多い。また、柔軟なケーブル、風による乱れ、センサーノイズといった現実世界の要因が理論的枠組みの中で軽視されていることが多い。幾何学的多様体制御、持続的励起（persistent excitation）を必要としない分散型適応推定、および実行時の安全監視を組み合わせた統一されたフレームワークが不足している。

手法：GPACアーキテクチャ
著者らは、$N$台のクアッドロータが中央のコーディネーターやケーブルの状態・適応パラメータの交換なしにペイロードを輸送できるように設計された、4層の階層型アーキテクチャであるGPAC（Geometric Payload Adaptive Control）を提案する。システムは、完全な非線形構成多様体上で直接動作する。

1. コアとなる洞察（暗黙的な協調）： 各クアッドロータは、局所的なケーブルの測定値（張力と方向）のみを使用して、自身の有効な負荷シェア（ペイロード質量のシェア + 自身のケーブル質量）を独立して推定する。これらの個々の推定値の合計は、チームが支えるべき総重量に自然に収束するため、事前に$N$や$m_L$を知る必要がない。
2. レイヤー1：位置および抗揺れ制御 (50 Hz)： PIDフィードバック、フィードフォワード補償（重力、軌道、およびケーブル張力）、球面（$S^2$）上の抗揺れ制御、および外乱除去を用いて、所望の力を計算する。エージェント自身のケーブル幾何学からペイロードの位置を局所的に再構成する。
3. レイヤー2：幾何学的姿勢制御 (200 Hz)： $SO(3)$上の幾何学的トラッキングコントローラは、オイラー角の特異点を回避し、ほぼ大域的な指数関数的安定性を保証する。
4. レイヤー3：適応型質量推定： **同時学習（concurrent learning）**を用いて、ペイロードの質量シェアを推定する。この手法は、蓄積されたデータを利用することで、適応則において通常必要とされる「持続的励明（persistent excitation）」なしに収束を実現する。これはホバリングや低速操縦において極めて重要である。
5. レイヤー4：拡張状態オブザーバ (ESO)： 第3次オブザーバは、集約された外乱（風など）を推定し、フィードフォワード補償を提供する。
6. 補助モジュール：
   • ESKF センサーフュージョン： 15状態の拡張カルマンフィルタがIMU、GPS、および気圧計のデータを融合する。すべての制御ループは、真値ではなく、この推定器を通じて閉じられる。
   • 優先順位付きCBF安全フィルタ： 運用制約（ケーブルの張力、角度、揺れ率、機体の傾き、およびエージェント間の衝突）を監視するモジュール化されたレイヤーである。計算コストを最小限に抑えるため、完全な二次計画問題（QP）ではなく、逐次勾配投影アプローチを使用する。これは、推定された外乱に応じてスケールする入力状態安全性（ISSf）マージンを採用している。

主な貢献

1. コーディネーターフリー制御： ペイロード/ケーブルの状態や適応パラメータの交換を必要とせず、非線形多様体上で動作するコントローラ。エージェントはペイロードの位置を局所的に再構成し、衝突回避のために低レートの隣接位置のみを通信する。
2. 分散型適応推定： 同時学習を用いて、（ケーブル質量を含む）有効な負荷シェアに対して指数関数的に、一様最終的に有界（UUB）な近傍へと収束する推定器。
3. 安全監視： ケーブルの緩み、過度な揺れ、および衝突のリスクを軽減する、優先順位付きの制御バリア関数（CBF）レイヤー。論文では、安全フィルタによって誘発される力の修正が、所望の姿勢を$SO(3)$コントローラのほぼ大域的な安定領域内に保持することを証明している。
4. 高忠実度検証： 柔軟なビーズチェーン・ケーブル、オンボード・センサーフュージョン、およびDryden風乱れを備えた包括的なシミュレーション環境を用い、すべてのループを推定器を通じて閉じている。

結果
システムは、3台のクアッドロータ（$N=3$）と3.0 kgのペイロードを用い、風乱れと非対称なケーブル長の下で、高忠実度のDrakeベースのシミュレーションによって検証された。

• トラッキング性能： システムは、平均3Dペイロード・トラッキング平方根平均二乗誤差（RMSE）33.8 cm（13個のシードに対して変動係数2.8%）を達成した。
• 推定： 同時学習推定器は、1エージェントあたり1.18 kg（真のシェア1.0 kg + ケーブル質量）の定常状態平均に収束し、バイアスはペイロード質量が増加するにつれて減少した。
• 安全性と制約：
  • 張力： 定常飛行中に正の張力を維持し、アグレッシブなコーナリング中に約0.7 Nへの一時的な逸脱が見られた。
  • 衝突： $N=3$において、エージェント間のクリアランスを0.67 m（制限0.8 m）以上に維持した。
  • 揺れ率： 1.5 rad/sの制限を厳格に遵守した。
  • 傾き： 28.6°の制限付近で動作したが、負荷がかかるとこれをわずかに超えた（最大32°）。
  • ケーブル角度： アグレッシブなコーナリング中に34.4°の制限を超過（48°に到達）した。これは、力レベルのフィルタの権限が限定的な相対次数2の出力として特定された。
• アブレーション研究： ESOフィードフォワードを除去すると、トラッキング誤差が倍増（+110%）し、ケーブル角度が68°に達した。CBFフィルタを除去すると、誤差が19%増加し、クリアランスが0.32 mに減少した。同時学習フィードフォワードは、トラッキングRMSEに対して中立的な影響を与えた（積分器が静的な欠損を吸収するため）が、暗黙的な協調には不可欠であった。
• スケーラビリティ： エージェントあたりのコントローラは、構造的に$N \in \{2, \dots, 6\}$で再利用可能であった。しかし、固定されたフォーメーション幾何学により、$N \ge 4$では安全マージン（クリアランス）が著しく低下した。

意義と主張
本論文は、幾何学的多様体制御、分散型適応推定、および実行時の安全監視の間のギャップを埋めることを主張している。チームの規模やペイロード質量を知ることなく、また複雑な状態情報の交換なしに、チームのUAVが協調的な輸送を実現できることを示している。アーキテクチャは、柔軟なケーブルと風による乱れを扱うことに成功している。

著者らは、以下の制限事項を控えめに述べている：

• 分散型の単一ケーブルによる負荷位置推定は、観測性の問題により精度が低い（ただし、これはトラッキングループには影響しない）。
• 逐次的なCBF投影は、複数の制約が同時に活性化する場合に、完全なISSfよりも優先順位付きの実現可能性を保証する。
• ケーブル角度の制約は、アグレッシブな操縦中には厳密には強制されない。
• 結果は現在シミュレーションのみであり、ハードウェアによる飛行実験が次のステップとして特定されている。

本研究は、幾何学的分解を、局所的な適応推定および階層的な安全監視と組み合わせることで、安全性が重視される協調型空中輸送のための堅牢なフレームワークを提供することを示している。