Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection

Dit artikel presenteert Adaptive SINDy, een nieuwe data-gedreven methode die Sparse Identification of Non-Linear Dynamics (SINDy) combineert met adaptieve regeling om UAV's effectief te beschermen tegen turbulente windstoten en zo de trajectvolging te verbeteren zonder crashes.

De kern

Titel: Hoe een drone leert dansen in de storm: Een verhaal over slimme aanpassing

Stel je voor dat je een kleine, fragiele drone (een vliegende drone) hebt die een complexe dans moet uitvoeren in een zware storm. De wind waait niet constant; hij stoot, duwt en trekt in alle richtingen. Voor een gewone drone is dit een nachtmerrie: de wind duwt hem uit zijn koers, en hij probeert dit te corrigeren, maar raakt in paniek, begint te trillen en crasht uiteindelijk.

Dit artikel vertelt het verhaal van een nieuwe, slimme manier om drones te besturen, zodat ze niet alleen de storm overleven, maar er zelfs doorheen kunnen dansen. De auteurs noemen hun methode "Adaptive SINDy".

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het probleem: De onzichtbare duw

Normaal gesproken heeft een drone een "recept" voor vliegen. Hij weet: "Als ik mijn motoren zo hard zet, ga ik hier naartoe." Maar in de wind is er een onzichtbare kracht die dit recept verpest.

• De oude manier: De drone probeert zijn standaardrecept te volgen en hoopt dat het lukt. Als de wind te sterk is, faalt hij.
• De leerling-methode (AI): Sommige moderne drones leren door te experimenteren, zoals een kind dat valt en weer opstaat. Maar dit is vaak een "zwarte doos": we weten niet waarom de drone iets doet, en het heeft veel data nodig om te leren.

2. De oplossing: De slimme detective (SINDy)

De auteurs van dit paper hebben een slimme detective bedacht die heet SINDy (Sparse Identification of Non-Linear Dynamics).

• De analogie: Stel je voor dat de drone een detective is die een misdaad oplost. De "misdaad" is dat de drone uit zijn koers raakt. De detective kijkt niet naar elke mogelijke oorzaak in de wereld, maar zoekt naar de enige echte aanwijzingen.
• Hoe werkt het? De drone kijkt naar zijn eigen lichaam: "Oh, ik kantel een beetje naar links en mijn motoren werken harder." In plaats van een ingewikkeld computerprogramma te gebruiken dat alles onthoudt, gebruikt SINDy een slimme lijst met simpele wiskundige regels (zoals "als ik kantel, dan is de wind van links"). Het filtert alle ruis weg en vindt de simpele formule die de wind beschrijft.
• Het voordeel: Het is snel, het heeft weinig data nodig (alsof je een recept leert van slechts één keer koken) en je kunt precies zien waarom de drone iets doet (het is "uitlegbaar").

3. De samenwerking: De detective en de regisseur

De echte kracht zit in de combinatie van twee personen:

1. De Detective (SINDy): Deze kijkt naar de wind en zegt: "De wind duwt ons nu met 2 Newton naar rechts."
2. De Regisseur (RLS-Controller): Deze luistert naar de detective en past direct de motoren aan om die duw tegen te werken.

In het verleden deden deze twee het vaak apart. Nu werken ze als een team. Zodra de wind verandert, past de detective zijn berekening direct aan, en de regisseur corrigeert de vlucht. Het is alsof je een danspartner hebt die niet alleen meedanst, maar ook de muziek verandert als de wind verandert.

4. De test: Dansen in de storm

De auteurs hebben dit getest op twee manieren:

• In de virtuele wereld (Gazebo): Ze lieten drones vliegen in een computerwereld waar ze kunstmatige stormen maakten.
• In de echte wereld: Ze gebruikten een heel kleine drone (een Crazyflie) en zetten hem in een kamer met vier grote ventilatoren die lucht van alle kanten op de drone bliezen (tot 2 meter per seconde).

Het resultaat?

• De oude standaard-drone (PID-controller) probeerde te vliegen, maar werd door de wind omver geblazen en crashte in elke poging.
• De nieuwe "Adaptive SINDy"-drone bleef kalm. Hij kon zelfs complexe figuren vliegen (zoals een oneindig-teken of een spiraal) terwijl de wind hem probeerde weg te duwen. Hij landde precies waar hij moest zijn, met een afwijking van slechts een paar centimeter (ongeveer de breedte van een hand).

Waarom is dit belangrijk?

Vroeger moesten we drones bouwen die "onverwoestbaar" waren of we moesten ze in een kalme kamer houden. Met deze nieuwe methode kunnen drones leren om met chaos om te gaan.

• Voorbeeld: Denk aan een drone die medicijnen moet bezorgen in een stormachtige stad, of een drone die inspecties doet langs een hoog gebouw waar de wind tussen de gebouwen door waait.
• De kernboodschap: In plaats van een drone te bouwen die nooit valt, bouwen we nu drones die leren vallen en zichzelf weer rechttrekken, terwijl ze precies weten wat er gebeurt.

Samenvattend:
Dit onderzoek toont aan dat je drones niet alleen kunt programmeren, maar ze ook kunt "opvoeden" om de natuurwetten van de wind te begrijpen. Door een slimme detective (SINDy) te koppelen aan een snelle regisseur, kunnen drones zelfs in de ergste stormen hun dansstappen blijven zetten zonder te crashen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection" in het Nederlands.

Titel

Adaptive SINDy: Residu-kracht systeemidentificatie voor UAV-storingreductie

1. Het Probleem

Onbemande luchtvaartuigen (UAV's) worstelen met stabiliteit en controle in turbulente omgevingen, met name onder invloed van sterke wind. De dynamiek van wind is sterk niet-lineair en onzeker, wat het modelleren van deze onzekerheden met analytische technieken zeer moeilijk maakt.

• Bestaande oplossingen: Traditionele methoden zoals disturbance observers en klassieke adaptieve controle (bijv. PID, L1-adaptieve controle, INDI) werken redelijk in niet-complexe omgevingen, maar hebben moeite met complexe, wisselende windcondities.
• Leer-gebaseerde methoden: Benaderingen op basis van machine learning (zoals neurale netwerken) kunnen wel leren, maar missen vaak generalisatievermogen en, belangrijker nog, interpreteerbaarheid. Ze vereisen ook grote hoeveelheden trainingsdata.
• De uitdaging: Er is behoefte aan een robuust algoritme dat in staat is om onbekende residu-krachten (veroorzaakt door wind) online te identificeren en te compenseren, zonder dat dit ten koste gaat van de interpretatie of de vereiste aan data.

2. Methodologie

De auteurs stellen een nieuwe architectuur voor die Sparse Identification of Non-Linear Dynamics (SINDy) combineert met een Recursive Least Squares (RLS) adaptieve regelaar.

A. SINDy voor Systeemidentificatie
Het systeem wordt gemodelleerd als een combinatie van bekende dynamica en onbekende, door wind veroorzaakte dynamica:
$$\dot{X} = f(x, u)_{known} + g(x, u, w)_{unknown}$$
Waarbij $g$ de onbekende residu-krachten vertegenwoordigt.

• Basisfuncties: In plaats van een "black box" neurale net te gebruiken, wordt een fysiek geïnformeerde bibliotheek van basisfuncties ($\Theta$) ontworpen. Gebaseerd op observaties dat de drone een kantelhoek (roll/pitch) induceert om de wind te compenseren, bevat de bibliotheek termen zoals:
  • Hoek van aanval (pitch $\theta$, roll $\phi$)
  • Thrust-gewogen sinus/cosinus van deze hoeken ($T \sin(\theta)$, etc.)
• Sparse Regressie: SINDy gebruikt sparse regressie (via de SR3-optimizer) om een kleine set coëfficiënten ($\Xi$) te vinden die de dynamica het beste beschrijven. Dit zorgt voor een parsimonische (eenvoudige) en interpreteerbare model.

B. Adaptieve Controle (RLS)
De geïdentificeerde dynamica worden gekoppeld aan een RLS-adaptieve regelaar:

1. Residu-schatting: De regelaar berekent de werkelijke versnelling en vergelijkt deze met de verwachte versnelling om een schatting van de verstoringkracht ($\hat{f}_{dist}$) te maken.
2. Online Aanpassing: De matrix van aanpassingsparameters ($A$) wordt continu bijgewerkt met een "leaky" RLS-algoritme. Dit stelt de regelaar in staat om zich aan te passen aan veranderende windcondities in real-time.
3. Compensatie: De geschatte verstoring wordt afgetrokken van de gewenste kracht, waardoor de drone de wind effectief kan "wegdrukken".

C. Implementatie en Testomgeving
Het systeem is getest op twee platformen:

1. Simulatie: Gazebo met ArduPilot (SITL) en Crazyflie (CrazySim).
2. Realiteit: Een Crazyflie 2.1 drone in een omgeving met vier ducted fans die wind tot 2 m/s uit vier richtingen blazen.
3. Trajecten: Cirkel, lemniscaat (oneindig-teken) en spiraal.

3. Belangrijkste Bijdragen

• Nieuwe Integratie: Eerste toepassing van SINDy gekoppeld aan adaptieve controle voor online verstoringreductie bij quadcopters.
• Interpreteerbaarheid: Het gebruik van een fysiek geïnformeerde bibliotheek maakt het model begrijpelijk (in tegenstelling tot neurale netwerken), terwijl het toch complexe niet-lineaire dynamica kan vangen.
• Data-efficiëntie: SINDy vereist relatief weinig data voor training in vergelijking met deep learning-methoden.
• Robuustheid: Het systeem is succesvol getest in een zeer dynamische, turbulente omgeving met een zeer lichtgewicht drone (Crazyflie), waar standaard PID-regelaars faalden.

4. Resultaten

De prestaties werden vergeleken met een baseline PID, een INDI-regelaar, en een adaptieve regelaar gebaseerd op een voorgeprogrammeerd DAIML-neuraal netwerk.

• Simulatie (ArduPilot & Crazyflie):

  • Adaptive SINDy presteerde over het algemeen beter dan de standaard PID en vaak beter dan of vergelijkbaar met de DAIML-methode.
  • Op de complexe lemniscaat-trajecten behaalde Adaptive SINDy de beste resultaten (laagste RMSE en MAE).
  • De foutverdeling was veel strakker (lagere P95-percentielen) dan bij PID, wat aangeeft dat de drone minder vaak extreme afwijkingen maakte.

• Real Flight (Crazyflie):

  • PID: Faalde in alle pogingen; de drone crashte onherstelbaar door de windstoten.
  • Adaptive SINDy: Voltooide succesvol alle 15 vluchten (6 cirkels, 4 lemniscaten, 5 spiralen) zonder crashes.
  • Foutmarges (Real Flight):
    • Lemniscate: RMSE = 12,2 cm, MAE = 10,5 cm.
    • Cirkel: RMSE = 17,6 cm, MAE = 13,7 cm.
    • Spiraal: RMSE = 32,7 cm (dit was het meest uitdagende traject).

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het combineren van data-gedreven systeemidentificatie (SINDy) met klassieke adaptieve controle een krachtige oplossing biedt voor UAV-stabiliteit in onzekere omgevingen.

• Transitie van Sim naar Real: De methode werkt niet alleen in simulatie, maar is succesvol overgebracht naar echte vluchten, zelfs op een klein, lichtgewicht platform dat gevoelig is voor verstoringen.
• Toekomstperspectief: De aanpak opent de weg voor on-board systeemidentificatie waarbij UAV's hun eigen dynamiek kunnen leren en aanpassen tijdens de vlucht, zelfs met beperkte data. Dit is een belangrijke stap naar volledig autonome en veilige vluchten in extreme weersomstandigheden.

Kortom, Adaptive SINDy biedt een balans tussen de nauwkeurigheid van data-gedreven methoden en de betrouwbaarheid/interpreteerbaarheid van fysiek gebaseerde modellen, waardoor UAV's veel robuuster worden tegen windstoten dan met traditionele methoden.