Resumo Técnico: Formulação de LQR de Estado de Erro para Rastreamento de Trajetória de UAV Quadrotor

Declaração do Problema

O controle de Veículos Aéreos Não Tripulados (UAVs) do tipo Quadrotor é complicado por sua dinâmica inerentemente não linear, subatuada e pela exigência de rastreamento preciso de trajetórias em ambientes dinâmicos. Métodos de controle tradicionais frequentemente enfrentam um compromisso entre lidar com essas não linearidades de forma eficiente e manter a tratabilidade computacional necessária para aplicações de tempo real. Especificamente, representar erros de orientação usando parametrizações padrão como ângulos de Euler introduz singularidades, enquanto controlar diretamente a dinâmica não linear completa pode ser computacionalmente proibitivo para loops de feedback de alta frequência.

Metodologia

O artigo propõe uma formulação de Regulador Quadrático Linear de Estado de Erro (LQR) projetada para abordar esses desafios através de uma arquitetura de controle em cascata e uma representação matemática específica de erros.

1. Representação do Estado de Erro

O núcleo da metodologia é a definição de um vetor de estado de erro ($\delta x$) que captura desvios de uma trajetória nominal.

• Definição de Estado: O estado completo inclui posição ($p$), velocidade ($v$) e orientação (representada como um quaternion unitário $q$).
• Definição de Erro: O estado de erro $\delta x = [\delta p, \delta \theta, \delta v]^T$ é construído subtraindo o estado nominal do estado real.
• Tratamento de Orientação: Crucialmente, o erro de orientação não é representado como uma diferença de quaternion ou ângulos de Euler. Em vez disso, utiliza coordenadas exponenciais ($\delta \theta$), onde a matriz de erro de rotação é definida como $\delta R = \exp([\delta \theta]_\times)$. Isso fornece uma representação compacta e livre de singularidades para os erros de orientação.

2. Dinâmica do Sistema e Linearização

O artigo deriva as cinemáticas e dinâmicas para o estado real, o estado nominal e o estado de erro baseando-se em uma única suposição de corpo rígido com massa aglutinada.

• Derivação: As derivadas temporais dos estados de erro ($\dot{\delta p}, \dot{\delta v}, \dot{\delta \theta}$) são derivadas. A derivação emprega aproximações de pequenos ângulos e ignora termos de segunda ordem para simplificar a relação entre a dinâmica real e a nominal.
• Linearização: A dinâmica de estado de erro não linear é linearizada em torno do erro de rastreamento atual em uma frequência suficientemente alta. Esta relinearização iterativa permite que o sistema seja representado na forma $\dot{\delta x} \approx A\delta x + B\delta u$, onde $A$ e $B$ são matrizes Jacobianas derivadas das dinâmicas de erro. Esta abordagem permite o uso de teoria de controle linear em um sistema não linear ao atualizar continuamente o ponto de linearização.

3. Arquitetura de Controle

A estratégia de controle é implementada como um sistema em cascata:

• Loop Externo (LQR): Um controlador LQR é projetado para minimizar uma função de custo quadrática $J = \int_0^\infty (\delta x^T Q \delta x + \delta u^T R \delta u) dt$. O controlador calcula uma matriz de ganho de feedback $K$ (via Equação de Riccati Algébrica) para gerar uma entrada de controle corretiva $\delta u = -K\delta x$. A entrada de controle total é $u_t = u - K\delta x$.
• Loop Interno (Controlador de Taxa de Corpo): O LQR trata a velocidade angular desejada como uma entrada de controle virtual. Um controlador de taxa de corpo em cascata é empregado para rastrear essas velocidades desejadas. Este loop interno utiliza um controlador Proporcional (P) com linearização de feedback, calculando o torque $\tau$ necessário com base no tensor de inércia $J$ e na diferença entre as velocidades angulares desejada e real.

Principas Contribuições

• Orientação Livre de Singularidades: O artigo demonstra o uso de coordenadas exponenciais para representar erros de orientação, evitando as singularidades associídas aos ângulos de Euler.
• Relinearização Iterativa: Fornece uma derivação detalhada mostrando como as dinâmicas de estado de erro podem ser linearizadas em torno do erro atual, permitindo que um controlador LQR opere efetivamente nas dinâmicas não lineares do quadrotor em tempo real.
• Integração de Controle em Cascata: O trabalho integra o rastreador de trajetória LQR com um controlador de taxa de corpo, lidando explicitamente com o mapeamento das comandos de velocidade angular virtual para os torques físicos dos atuadores.
• Derivação Abrangente: O artigo oferece uma derivação matemática completa da cinemática do estado de erro, do processo de linearização e da construção das matrizes Jacobianas ($A$ e $B$) necessárias para a formulação LQR.

Resultados

O artigo apresenta resultados de simulação demonstrando o desempenho do controlador proposto.

• Rastreamento de Trajetória: O controlador mostra-se capaz de rastrear com sucesso uma trajetória lemniscata (figura oito).
• Rastreamento de Yaw: O sistema rastreia efetivamente os ângulos de yaw ao longo da trajetória.
• Condições Iniciais: Os resultados observam que os erros de rastreamento no início da trajetória são atribuídos ao fato de o UAV iniciar com uma orientação inicial plana ($q_0 = (1, 0, 0, 0)^T$), a qual o controlador corrige subsequentemente.

Significância e Alegações

O artigo afirma que esta formulação de LQR de estado de erro oferece uma solução robusta e computacionalmente eficiente para o rastreamento de trajetória de quadrotors. Ao aproveitar as coordenadas exponenciais e a linearização iterativa, o método alcança:

1. Precisão e Estabilidade: A capacidade de levar os erros de posição, velocidade e orientação a zero em ambientes dinâmicos.
2. Aplicabilidade em Tempo Real: A representação do sistema linearizado permite atualizações de controle de alta frequência sem o fardo computacional de resolver problemas de controle ótimo totalmente não lineares a cada passo.
3. Robustez: A abordagem lida com as não linearidades do quadrotor focando em minimizar os desvios de uma trajetória nominal, em vez de controlar diretamente toda a dinâmica não linear.

O trabalho posiciona-se como um framework prático para o controle preciso de quadrotors, preenchendo a lacuna entre a teoria de controle linear clássica (LQR) e a complexa realidade não linear do voo de UAVs.