Real-Time RLS-Based Adaptive PID Control for UAVs: Implementation and Stability Analysis in Microsoft Flight Simulator

Het vliegen van een onbemand luchtvaartuig is een evenwichtsoefening tussen het op koers blijven en reageren op een wereld die nooit stopt met veranderen. De lucht zelf is een verschuivend landschap; windvlagen, veranderingen in brandstofgewicht en de eenvoudige slijtage van een missie kunnen de manier waarop een vliegtuig reageert op zijn besturing veranderen. Decennialang hebben ingenieurs vertrouwd op autopiloten die een standaard set regels gebruiken om een drone stabiel te houden. Deze regels, bekend als proportionele-integraal-afgeleide of PID-regelaars, zijn als een bekwame piloot die precies weet hoeveel hij aan een hendel moet duwen om een afwijking te corrigerend. Echter, deze standaardpiloten zijn star in hun denken. Ze leren niet van de momentopnames van veranderingen in de lucht. Als het vliegtuig zwaarder wordt of de wind sterker wordt, kan een vaste piloot overreageren of onderreageren, wat leidt tot een schokkerige vlucht of verspilde energie. Om dit op te lossen, zoeken onderzoekers al lang naar het bouwen van autopiloten die hun eigen regels kunnen leren en aanpassen tijdens het vliegen, een concept dat bekend staat als adaptieve regeling. De vraag die dit veld drijft, is of een machine werkelijk de fysica van de vlucht in real time kan leren en die kennis kan gebruiken om beter te vliegen dan een door mensen ontworpen, vast systeem.

In een recente studie nam een onderzoeker genaamd Mohammed Zaouche deze vraag mee naar een hoogwaardige virtuele wereld om te zien of een adaptieve autopilot de standaard vaste autopilot zou kunnen overtreffen. Hij werkte binnen Microsoft Flight Simulator, een geavanceerd computerprogramma dat de fysica van echte vluchten met opmerkelijke nauwkeurigheid nabootst. In plaats van een fysieke drone te bouwen, wat duur en riskant zou zijn om te testen met instabiele software, creëerde hij een digitale tweeling van een Predator MQ-1, een grote, langdurig inzetbare militaire drone. Hij verbond dit virtuele vliegtuig met een computer die zijn aangepaste besturingssoftware draaide, waardoor een lus ontstond waarbij de simulator sensordata naar de computer stuurde en de computer besturingscommando's terugstuurde. Deze opstelling, een software-in-the-loop, stelde hem in staat om zijn ideeën in een realistische omgeving te testen zonder het gevaar van een echte crash.

De kern van Zaouches experiment was een nieuwe manier om de computer te leren vliegen. Hij gaf de software een hulpmiddel genaamd Recursive Least Squares, dat fungeert als een razendsnelle rekenmachine. Terwijl het virtuele vliegtuig vloog, observeerde dit hulpmiddel constant de relatie tussen de elevatorcontrole (het deel van de staart dat het vliegtuig omhoog of omlaag laat gaan) en de werkelijke hoogte. Het gebruikte deze gegevens om on the fly een eenvoudig wiskundig model van het gedrag van het vliegtuig op te bouwen. Op basis van dit voortdurend bijwerkende model paste de software de drie belangrijkste knoppen van de PID-regelaar aan — de proportionele, integraal en afgeleide winsten — om de vlucht soepel te houden. De hoop was dat door voortdurend de beste instellingen te herberekenen, het adaptieve systeem turbulentie en veranderingen beter zou afhandelen dan het vaste systeem, dat dezelfde instellingen gebruikt ongeacht de omstandigheden.

De resultaten van de studie onthulden echter een verrassende en enigszins nuchtere waarheid. Hoewel het systeem goed genoeg werkte om het vliegtuig in de lucht te houden, bewees het niet de superieure prestatie te leveren waar velen op hadden gehoopt. Sterker nog, toen de onderzoeker het adaptieve systeem vergeleken met de standaard vaste-gain autopilot met behulp van echte vluchtgegevens uit de simulator, gebruikte het adaptieve systeem aanzienlijk meer besturingseffort. De virtuele elevator bewoog veel frequenter en met grotere intensiteit onder de adaptieve controle, wat suggereerde dat het harder werkte, niet slimmer. De studie vond dat de prestaties van de adaptieve regelaar statistisch niet beter waren dan die van de vaste regelaar, en in sommige maten van energieverbruik zelfs slechter waren.

De meest significante bevinding van het artikel ging echter niet over welke regelaar beter was, maar over een verborgen fout in het ontwerp van het adaptieve systeem zelf. De onderzoeker ontdekte een structurele beperking in de manier waarop de wiskunde was samengesteld. Het adaptieve systeem probeerde de "polen" van het vluchtcontrolesysteem te plaatsen — wiskundige punten die stabiliteit bepalen — in een veilige zone om te garanderen dat het vliegtuig niet zou wiebelen. Maar de manier waarop het systeem was gebouwd, betekende dat het drie verstelbare knoppen had om een situatie te controleren die eigenlijk vier vereiste. Het was alsof men een instrument met vier snaren probeerde af te stemmen met slechts drie stemmechanieken. Vanwege deze mismatch bleef één stabiliteitspunt onbeheerd.

Dit onbeheerde punt, dat de onderzoeker een "residuele pool" noemt, werd in ongeveer 7,8 procent van de momenten tijdens de vlucht instabiel. Zelfs hoewel de software veiligheidslimieten had om te voorkomen dat de regelknoppen te ver draaiden, konden deze limieten de onderliggende instabiliteit niet betrouwbaar oplossen. Het probleem werd verergerd door het feit dat de gegevens die de computer gebruikte om te leren vaak erg moeilijk te interpreteren waren, een conditie bekend als ill-conditioning, wat de gokken van de computer over het gedrag van het vliegtuig onzeker maakte. Deze instabiliteit was geen eenmalige glitch; het kwam consistent voor tijdens meerdere testvluchten, zelfs toen de onderzoeker dezelfde logica testte op een volledig andere simulator en een ander type dronemodel.

De studie concludeert dat hoewel het idee van een adaptieve autopilot krachtig is, de specifieke methode die hier gebruikt is een fundamentele ontwerpfout heeft. De combinatie van een leeralgoritme dat worstelt met ruisige gegevens en een regelaar die niet alle variabelen van de vlucht volledig kan beheren, creëert een risico op echte instabiliteit. Het onderzoek beweert niet dat adaptieve regeling onmogelijk is, maar het laat wel zien dat deze specifieke aanpak, die vertrouwt op een eenvoudige aanpassing met drie knoppen voor een complex vierdelig probleem, niet robuust genoeg is voor echt wereldgebruik. Het werk dient als een rigoureuze diagnose, die bewijst dat het simpelweg toevoegen van een leerfunctie aan een regelaar niet genoeg is; de onderliggende wiskunde moet in staat zijn de volledige complexiteit van het systeem dat het probeert te besturen, aan te kunnen. Voor de toekomst van de dronetechnologie betekent dit dat ingenieurs verder moeten kijken dan eenvoudige aanpassingen en systemen moeten ontwerpen die elke vrijheidsgraad in de vluchtdynamica kunnen rekening houden, om er zeker van te zijn dat geen enkel stabiliteitspunt aan het toeval wordt overgelaten.