Hybrid Neural Network and Conventional Controller Approach for Robust Control of Highly Unstable Systems: Application to Tilt-Rotor Control

Technische Samenvatting: Hybride Neurale Netwerk en Conventionele Controller Benadering voor Robuuste Controle van Hoogonstabiele Systemen

Probleemstelling
Conventionele multirotor onbemande luchtvaartuigen (UAV's) zijn inherent onderbediende systemen, wat hun manoeuvreerbaarheid beperkt. Tilt-rotor configuraties pakken dit aan door volledens bediening mogelijk te maken via thrust-vectoring inputs, wat onafhankelijke controle over alle vrijheidsgraden (DoF) mogelijk maakt. Echter, deze systemen introduceren aanzienlijke dynamische complexiteit en instabiliteit. Hoewel deep learning is geïntegreerd in diverse controlestrategieën (bijv. PID, Sliding Mode Control, MPC), blijft het toepassen van directe input-output leerprocessen op hoogonstabiele planten een uitdaging. Dit onderzoek onderzoekt of neurale netwerken direct een volledig bediend tilt-rotor systeem kunnen stabiliseren en stelt een hybride alternatief voor dat neurale netwerk-gebaseerde systeemidentificatie combineert met robuuste conventionele controle.

Methodologie
Het onderzoek is gestructureerd in twee afzonderlijke fasen:

1. Directe Input-Output Learning (Negatief Resultaat):
   De auteurs probeerden eerst het tilt-rotor systeem te besturen met behulp van een directe mapping-benadering. In deze methode werden Multilayer Perceptrons (MLP), Long Short-Term Memory (LSTM) netwerken en Transformer-modellen getraind om systeemtoestanden en gewenste trajecten direct te mappen naar control-inputs (motortoerent en kantelhoeken). De trainingsdata werd gegenereerd via sinusoïdale trajecten en specifieke manoeuvres met behulp van een vooraf ontworpen Sliding Mode Controller (SMC). Het doel was om te evalueren of deze netwerken het control-beleid konden leren zonder expliciete dynamische modellering.

2. Neural-Enhanced Sliding Mode Control (Hoofdbijdrage):
   In het besef dat de directe benadering faalde, stelden de auteurs een hybride control-architectuur voor. In plaats van het control-beleid direct te leren, worden de neurale netwerken gebruikt om specifieke componenten van de dynamische model van de plant te benaderen.

   • Decompositie: De systeemdynamica wordt gedecomposeerd in input-onafhankelijke ($a$) en input-afhankelijke ($G$) componenten op basis van de vergelijking $\ddot{\bar{x}} = a + Gv$.
   • Leren: Lichtgewicht neurale netwerken (MLP of LSTM) worden getraind om $\hat{a}$ en $\hat{G}$ te voorspellen met behulp van een kleine dataset afgeleid van vluchtlogs of simulaties. Deze netwerken leren de relatie tussen systeemtoestanden (attitude, hoeksnelheid) en de dynamische parameters.
   • Control Law: De voorspelde parameters ($\hat{a}, \hat{G}$) worden ingebed in een standaard Sliding Mode Controller (SMC). De SMC gebruikt deze geleerde benaderingen om de control law te berekenen, wat robuustheid tegen onzekerheden garandeert.
   • Actuator Allocatie: De controller geeft een virtuele inputvector $v$ af, die vervolgens wordt gemapt naar fysieke actuatorcommando's (BLDC motortoerent en servo kantelhoeken) met behulp van een minimum-norm oplossing om de niet-vierkante aard van de control matrix op te lossen.

Belangrijkste Resultaten

• Falen van Directe Learning: De directe input-output control strategie slaagde er niet in het hoogonstabiele tilt-rotor systeem te stabiliseren. Ondanks het bereiken van een lage Mean Absolute Error (MAE) op de trainingsdata, konden de netwerken foutaccumulatie in real-time niet voorkomen, wat leidde tot systeemdivergentie. Dit benadrukt de fundamentele beperking van directe learning voor onstabiele planten zonder een onderligend robuust control framework.
• Succes van de Hybride Benadering: De neural-enhanced SMC slaagde erin het systeem te stabiliseren.
  • Robuustheid: Het systeem behield stabiliteit onder significante onzekerheden, waaronder 5-10% willekeurige actuatie-fouten, 5% massa-toename, 20% traagheidvariaties en externe windstoringen.
  • Prestatievergelijking: Tussen de twee netwerkarchitecturen gebruikt voor dynamische voorspelling, presteerde de LSTM-gebaseerde Plant Dynamics Predictor (PDP) beter dan de MLP-gebaseerde PDP. De LSTM-controller bereikte een lagere Trajectory Tracking Mean Absolute Error (TT-MAE) van 0,21 onder uitdagende condities vergeleken met 1,05 voor de MLP.
  • Efficiëntie: De LSTM-implementatie demonstreerde ook een lagere runtime (38,5s vs. 41,5s voor de baseline test) en vereiste minder parameters voor de voorspelling van de $a$-component, wat de implementatie op goedkope microcontrollers geschikt maakt.

Significantie en Claims
Het artikel claimt dat hoewel directe neurale netwerkcontrole ongeschikt is voor hoogonstabiele tilt-rotor systemen, het integreren van lichtgewicht neurale netwerken in een model-gebaseerd control framework een robuuste en efficiënte oplossing biedt. Belangrijkste bijdragen zijn:

• Beperkingen Aantonen: Het leveren van empirisch bewijs dat directe input-output learning faalt voor hoogonstabiele planten, zelfs met geavanceerde architecturen zoals Transformers.
• Data-efficiëntie: De voorgestelde methode kan getraind worden met behulp van vluchtlogs verzameld van laagpresterende, attitude-only controllers, omdat het zich richt op het leren van plantparameters in plaats van control acties.
• Simulatie Nut: Het geleerde dynamische model vanuit real-world data kan worden gebruikt voor nauwkeurige simulaties.
• Computationele Haalbaarheid: Door de dynamica te decomponeren en lichtgewicht netwerken te gebruiken voor specifieke componenten, wordt de real-time computationele vraag verminderd, wat implementatie op hardware met beperkte middelen mogelijk maakt.

De auteurs concluderen dat deze hybride benadering een gegeneraliseerde, robuuste control strategie biedt voor volledig bediende UAV's en plannen om deze bevindingen experimenteel te valideren op een fysiek tilt-rotor platform in hun laboratorium.