Low-Latency Event-Based Velocimetry for Quadrotor Control in a Narrow Pipe

Deze studie presenteert het eerste gesloten-lus besturingssysteem voor het zweven van een quadcopter in een nauwe pijp, dat gebruikmaakt van een laag-latentie, gebeurtenisgebaseerde rookvelocimetrie en een recurrente convolutionele neurale netwerken om luchtdrukverstoringen in real-time te schatten en te compenseren.

De kern

Stel je voor dat je een kleine, slimme drone wilt laten vliegen in een heel nauwe, ronde pijp. Het klinkt simpel, maar in de praktijk is dit als proberen te dansen in een volle lift terwijl iemand naast je ook nog eens een ventilator aan het zwaaien is. De lucht die de drone zelf maakt, stuitert tegen de wanden, komt terug en duwt de drone weer weg. Het is een chaotische, onvoorspelbare dans.

Dit artikel beschrijft hoe onderzoekers van de Universiteit van Zürich een oplossing hebben gevonden voor dit probleem. Ze hebben een drone ontwikkeld die niet alleen kan "voelen" wat er gebeurt, maar ook echt kan "zien" hoe de lucht beweegt, zodat hij niet tegen de wanden botst.

Hier is hoe ze dat gedaan hebben, vertaald naar alledaagse taal:

1. Het Probleem: De "Dansen in de Lift"-Situatie

Wanneer een drone in een open veld vliegt, is de lucht rustig. Maar in een smalle pijp is het anders. De propellers van de drone blazen lucht naar beneden, maar die lucht kan niet weg. Het botst tegen de bodem en de wanden en stroomt weer omhoog langs de zijkanten. Dit creëert een draaikolk (een wervelwind) die de drone onstabiel maakt.

• De uitdaging: Als de drone probeert stil te hangen (hoveren) of naar opzij te bewegen, duwt deze wervelwind hem weg. Zonder hulp zou hij tegen de wand slaan. Eerdere drones moesten altijd blijven bewegen om niet in de val te lopen, of ze waren erg onnauwkeurig.

2. De Oplossing: De "Rook- en Licht-Bril"

Om dit op te lossen, hebben de onderzoekers een slimme truc bedacht. Ze hebben de pijp gevuld met een beetje rook (niet giftig, gewoon zoals bij een feestje) en een dunne lichtstraal (zoals een laser, maar dan met LED's) erdoorheen geschoten.

• De camera: In plaats van een normale camera, gebruiken ze een gebeurteniscamera (event camera).
  • De analogie: Een normale camera is als een filmcamera die 30 beelden per seconde maakt. Als je snel beweegt, wordt het beeld wazig. Een gebeurteniscamera is als een groepje mensen die elk een belletje luiden zodra er iets beweegt. Ze reageren in microseconden en zien geen wazigheid, zelfs niet in het donker.
• De snelheid: Deze camera kijkt naar de rookdeeltjes. Door te zien hoe snel de rook beweegt, kan de drone precies weten hoe hard de wind hem duwt. Dit gebeurt razendsnel, veel sneller dan een mens kan reageren.

3. Het Brein: De "Luchtdetective"

De drone heeft een computer aan boord (een klein brein) die twee dingen doet:

1. Kijken: De camera meet de rook en berekent de luchtsnelheid.
2. Voorspellen: Een speciaal computerprogramma (een kunstmatige intelligentie) kijkt naar die luchtsnelheid en denkt: "Ah, de wind duwt me nu naar links en rolt me een beetje naar rechts."
   • De analogie: Stel je voor dat je op een boot zit in een storm. Een gewone piloot voelt alleen dat hij schudt. Deze drone heeft echter een radar die de golven ziet aankomen voordat ze het schip raken. Hij kan dus alvast het roer draaien om de klap te voorkomen.

4. De Dans: Leren Vliegen met Reinforcement Learning

De drone is niet geprogrammeerd met vaste regels (zoals "als wind van links, dan duw rechts"). Nee, de drone is getraind door te oefenen in een virtuele wereld, net zoals een hond die traint voor een wedstrijd.

• De drone heeft duizenden keren geoefend in een simulatie waar hij tegen de wind moest vechten.
• Door deze training heeft hij geleerd: "Als ik deze specifieke rookpatroon zie, moet ik mijn motoren zo aansturen om niet tegen de muur te vliegen."
• Dit heet Reinforcement Learning (versterkend leren): proberen, vallen, en leren van de fouten tot het perfect gaat.

5. Het Resultaat: Een Soepele Dans

De resultaten zijn indrukwekkend:

• Stabiel hangen: De drone kan nu veel stabieler in het midden van de pijp hangen. Hij zakt niet meer 6 centimeter opzij (zoals bij eerdere pogingen), maar blijft binnen een paar millimeter op zijn plek.
• Snel bewegen: Als de drone naar opzij moet vliegen, weet hij precies wanneer hij moet remmen. Zonder deze "rook-radar" zou hij te ver doorvliegen en tegen de wand slaan. Met de radar remt hij op het juiste moment en stopt hij precies waar hij moet zijn.
• Snelheid: Het hele systeem werkt zo snel dat de drone de luchtwervelingen kan "voelen" voordat ze hem echt raken.

Waarom is dit belangrijk?

Dit is de eerste keer dat een vliegende robot in de echte wereld gebruikmaakt van echte luchtmetingen om zichzelf te besturen.

• Voor de toekomst: Denk aan drones die inspecties doen in afvalpijpen, gassen in tunnels controleren of reddingsoperaties uitvoeren in instortende gebouwen. In die donkere, krappe plekken is deze technologie een game-changer.
• De wetenschap: Het laat ook zien hoe lucht zich gedraagt in nauwe buizen, iets waar natuurkundigen tot nu toe weinig over wisten.

Kort samengevat: De onderzoekers hebben een drone gemaakt die in een nauwe pijp kan vliegen door de lucht te "zien" met een supersnelle camera en rook, en door te leren hoe hij die lucht moet verslaan. Het is alsof ze een danser hebben getraind die de muziek niet alleen hoort, maar ook de trillingen van de vloer voelt, zodat hij nooit meer struikelt.

Technische samenvatting

Probleemstelling

Vluchten met kwadracopters in krappe, afgesloten ruimtes zoals pijpen en tunnels vormt een aanzienlijke uitdaging. De belangrijkste obstakels zijn:

1. Onstabiele aerodynamische verstoringen: De rotoren van de drone creëren een terugkerende luchtstroom (recirculatie) binnen de pijp. Dit veroorzaakt sterke, onvoorspelbare krachten en momenten die de stabiliteit van de drone in gevaar brengen, vooral tijdens het zweven (hovering) of bij zijwaartse bewegingen.
2. Beperkte bestaande oplossingen: Bestaande methoden vereisen vaak dat de drone constant in beweging blijft om de eigen luchtstroom te vermijden, of ze lijden onder grote posiefouten (tot 6 cm) tijdens het zweven, wat leidt tot botsingen met de wanden.
3. Moeilijke state-estimation: De omgeving is vaak donker en zonder kenmerken, wat visuele navigatie bemoeilijkt.
4. Gebrek aan real-time feedback: Er is weinig bekend over de specifieke stromingspatronen in smalle pijpen, en bestaande controlesystemen gebruiken geen real-time metingen van de luchtstroom om verstoringen te compenseren.

Methodologie

De auteurs presenteren een gesloten-lus controlesysteem dat gebruikmaakt van real-time metingen van het stromingsveld om de aerodynamische verstoringen te schatten en te compenseren. Het systeem bestaat uit drie hoofdblokken:

1. Low-Latency Event-Based Smoke Velocimetry (EBSV)

• Doel: Het schatten van de lokale luchtstroomsnelheid in real-time.
• Hardware: Een rookinjectiesysteem en een LED-lichtgordijn (lightsheet) worden gebruikt om de luchtstroom zichtbaar te maken. Een event-camera (Prophesee Gen4) registreert de beweging van de rookdeeltjes.
• Algoritme: In plaats van complexe diepe netwerken voor optische stroom, gebruiken de auteurs een template-matching methode (SSD met kwadratische verfijning) op overlappende tijdsvensters van event-frames.
• Prestaties: Dit algoritme heeft een verwerkingslatentie van minder dan 1 millisecond (sub-millisecond) en kan draaien op embedded systemen (zoals Nvidia Jetson Orin NX en Thor). Het levert een gemiddelde fout van 0,35 m/s op ten opzichte van offline PIVLab-metingen.

2. Verstoringsschatting (Disturbance Estimation)

• Neuraal Netwerk: Een recurrente convolutiële neurale netwerk (RCNN) met ConvLSTM-lagen verwerkt de optische stroomdata (flow field) en de positie van de drone.
• Output: Het netwerk schat in real-time de horizontale kracht ($f_y$), verticale kracht ($f_z$) en het rol-moment ($\tau_x$) die door de luchtstroom worden veroorzaakt.
• Bias-verwijdering: Een parallelle module schat experimentele biases (bijv. door onbalans in de batterij) om deze te scheiden van de dynamische stromingseffecten.

3. Controle en State Estimation

• Controleur: Een controller gebaseerd op Versterkingsleren (Reinforcement Learning - RL), specifiek een LSTM-PPO (Proximal Policy Optimization) architectuur. Deze leert hoe de geschatte verstoringen te compenseren door collectieve stuwkracht en rotatiesnelheden te commanderen.
• State Estimation: Voor de positiebepaling van de drone wordt een monoculaire event-camera (Prophesee Gen3) gebruikt met knipperende IR-LED-markers. Een nieuwe data-representatie, genaamd Signed Delta-Time Volume (SDTV), en een partikel-swarm-optimatie (PSO) voor het afstemmen van de camera, zorgen voor millimeter-nauwkeurige positie-schattingen met een latentie van enkele milliseconden.

Belangrijkste Bijdragen

1. Eerste event-based rook-velocimetrie: Een methode met een latentie van <1 ms die draait op embedded hardware en een nauwkeurigheid bereikt die vergelijkbaar is met state-of-the-art software (PIVLab).
2. Eerste verstoringsschatter gebaseerd op real-time stroming: Een RCNN die luchtstroomdata direct omzet in krachten en momenten voor een kwadracopter.
3. RL-controller met flow-feedback: Een controller die trainingsdata gebruikt om verstoringen te leren compenseren, resulterend in een 29% reductie in zweefpositie-afwijking en 71% minder overshoot tijdens zijwaartse bewegingen.
4. Innovatieve state-estimation: Een monoculair systeem met millimeter-nauwkeurigheid en milliseconden-latentie, gebruikmakend van event-camera's en actieve markers.
5. Inzicht in stromingsdynamica: Het paper onthult de karakteristieke stromingsstructuren in smalle pijpen, waaronder de overgang tussen kloksgewijze en tegen-kloksgewijze vortexen tijdens zijwaartse bewegingen.

Resultaten

• Zweven (Hovering): De controller met real-time flow-feedback reduceerde de standaardafwijking in de zijwaartse positie (y-as) met 29% vergeleken met een controller zonder flow-feedback.
• Zijwaartse Translatie: Tijdens het bewegen van de ene kant van de pijp naar de andere, voorkwam de flow-aware controller botsingen met de wanden en reduceerde de overshoot met 71%. De baseline-controller (zonder verstoringsschatting) faalde en botste tegen de wand.
• Stromingsdynamica: De metingen toonden aan dat de luchtstroom in de pijp traag reageert op bewegingen van de drone. Bij het passeren van het midden van de pijp blijft de stroming tijdelijk in de oude configuratie hangen (hysterese), wat een kritiek moment is voor de controleur. De RCNN slaagt erin deze dynamiek te voorspellen, terwijl modellen die alleen op positie vertrouwen dit niet kunnen.
• Robuustheid: Het systeem blijft stabiel zelfs bij een uitval van 25% van de flow-metingen, dankzij de recurrente architectuur.

Betekenis en Impact

Dit werk markeert een mijlpaal in de robotica en vloeistofmechanica:

• Eerste demonstratie: Het is de eerste keer dat een vliegende robot gesloten-lus controle uitvoert op basis van real-time metingen van het stromingsveld.
• Toekomstperspectief: Het opent nieuwe onderzoeksdirectionen voor vlucht in aerodynamisch complexe omgevingen (zoals tunnels, mijnen of gebouwen).
• Technologische doorbraak: Het bewijst dat event-camera's, vanwege hun hoge tijdsresolutie en lage latentie, superieur zijn aan traditionele high-speed camera's voor dit type toepassing, vooral in combinatie met embedded systemen.
• Toepassingsgebied: Hoewel het huidige experiment vereist dat de pijp is uitgerust met rookinjectoren en camera's, legt de basis voor toekomstige autonome systemen die in staat zijn om in onbekende, krappe ruimtes veilig te navigeren door de eigen aerodynamische effecten te meten en te compenseren.