Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection

Este artigo propõe uma abordagem inovadora chamada Adaptive SINDy, que integra a identificação de sistemas não lineares esparsos (SINDy) com controle adaptativo de mínimos quadrados recursivos (RLS) para rejeitar perturbações de vento em UAVs, demonstrando superioridade em precisão de rastreamento de trajetória em comparação com controladores PID e INDI em ambientes turbulentos reais e simulados.

O essencial

Imagine que você está pilotando um pequeno drone (como um brinquedo voador) em um dia muito ventoso. O vento sopra de todos os lados, empurrando o drone para fora do caminho. O problema é que o vento é imprevisível e muda de direção o tempo todo. Se o drone não tiver um "cérebro" rápido o suficiente para corrigir esses empurrões, ele vai bater no chão ou se perder.

Este artigo apresenta uma nova solução inteligente para esse problema, chamada Adaptive SINDy. Vamos explicar como funciona usando uma analogia simples:

1. O Problema: O Vento como um "Inimigo Invisível"

Pense no drone como um barco tentando navegar em um rio com correntes fortes e imprevisíveis.

• Os métodos antigos (como o PID): São como um marinheiro experiente que sabe que o vento existe, mas apenas tenta "empurrar mais forte" contra ele de forma genérica. Em ventos leves, funciona bem. Mas em tempestades, o barco começa a balançar demais e pode virar.
• Os métodos de Aprendizado de Máquina (Redes Neurais): São como um marinheiro que aprendeu a navegar apenas assistindo a vídeos de outros barcos. Ele é muito bom, mas não consegue explicar por que está fazendo o que faz. Se o vento mudar de uma forma que ele nunca viu, ele pode entrar em pânico. Além disso, eles precisam de milhões de horas de vídeo (dados) para aprender.

2. A Solução: O "Detetive de Física" (SINDy)

Os autores criaram um sistema híbrido que combina o melhor dos dois mundos. Eles chamam isso de Adaptive SINDy.

Imagine que o drone tem um detetive de física a bordo.

• O que o detetive faz? Em vez de tentar adivinhar o vento ou memorizar milhões de vídeos, o detetive observa o drone em tempo real. Ele nota algo curioso: quando o vento sopra forte pela esquerda, o drone, para não cair, inclina o corpo para a direita.
• A "Receita" (Biblioteca de Funções): O detetive tem uma lista de "ingredientes" possíveis (como inclinação, rotação, força do motor). Ele usa matemática inteligente para testar rapidamente qual combinação desses ingredientes explica o empurrão do vento.
• A Mágica: O detetive descobre uma "fórmula simples" (uma equação matemática) que descreve exatamente como o vento está empurrando o drone naquele momento. É como se ele dissesse: "Ah, o vento está me empurrando para o norte, então preciso inclinar o drone 5 graus para o sul e aumentar a hélice direita."

3. O Piloto Automático (Controle Adaptativo)

Assim que o "detetive" descobre a fórmula do vento, ele passa essa informação para o "piloto automático" (o controlador RLS).

• O piloto não precisa mais adivinhar. Ele recebe a receita exata: "O vento está fazendo X, então faça Y".
• O sistema se ajusta instantaneamente. Se o vento mudar, o detetive recalcula a fórmula em milissegundos e o piloto se adapta.

4. O Resultado: Voando na Tempestade

Os pesquisadores testaram isso de duas formas:

1. No Computador (Simulação): Em um mundo virtual com ventos fortes, o novo sistema foi muito melhor do que os métodos antigos, mantendo o drone no caminho certo sem oscilar muito.
2. Na Vida Real: Eles usaram um drone minúsculo (o Crazyflie) em uma sala com quatro ventiladores grandes soprando vento de todos os lados (até 2 m/s).
   • O resultado: O drone antigo (PID) tentou voar, mas o vento o derrubou e ele caiu (crashou) em todas as tentativas.
   • O novo sistema (Adaptive SINDy): Voou com sucesso em todas as tentativas, seguindo caminhos complexos (como círculos e figuras de oito) sem cair, mesmo com o vento bagunçado.

Resumo em uma frase

Em vez de tentar adivinhar o vento ou memorizar tudo, o novo sistema observa como o drone reage ao vento em tempo real, descobre a "lei física" do empurrão e ajusta o voo instantaneamente, permitindo que drones pequenos e leves voem com segurança mesmo em dias de tempestade.

É como ter um copiloto que não apenas sente o vento, mas entende a física por trás dele e ajusta o volante antes mesmo que você perceba que o carro está saindo da pista.

Resumo técnico

Resumo Técnico: Adaptive SINDy para Rejeição de Perturbações em UAVs

1. Problema Identificado

A estabilidade e o controle de Veículos Aéreos Não Tripulados (UAVs) em ambientes turbulentos representam um desafio significativo. A dinâmica do vento é altamente não linear e incerta, tornando difícil modelar essas perturbações analiticamente para fins de controle.

• Limitações das abordagens atuais:
  • Técnicas tradicionais: Observadores de perturbação e controle adaptativo clássico (como PID e INDI) mostram progresso, mas são frequentemente limitados a ambientes menos complexos ou exigem sintonização específica para cada sistema.
  • Abordagens baseadas em aprendizado (Machine Learning): Embora eficazes na modelagem de forças residuais, métodos como Redes Neurais e Aprendizado por Reforço (RL) sofrem com problemas de generalização (funcionam mal em drones diferentes) e interpretabilidade (são "caixas-pretas", dificultando a compreensão física das dinâmicas).
• Objetivo: Desenvolver um framework que combine a interpretabilidade de modelos físicos com a capacidade de adaptação online para rejeitar perturbações de vento em tempo real, sem exigir grandes volumes de dados de treinamento.

2. Metodologia Proposta

Os autores propõem uma integração inovadora entre Controle Adaptativo e Identificação de Sistemas Baseada em Dados utilizando o algoritmo SINDy (Sparse Identification of Non-Linear Dynamics).

• Arquitetura do Sistema:

  1. Modelagem de Dinâmicas: A dinâmica do UAV é decomposta em componentes conhecidos ($f(x, u)$) e desconhecidos ($g(x, u, w)$), onde $w$ representa a perturbação do vento. O objetivo é identificar as forças residuais desconhecidas.
  2. Identificação SINDy: O algoritmo SINDy é utilizado para encontrar uma representação esparsa das dinâmicas desconhecidas. Ele seleciona os termos mais significativos de um "banco de funções" (library) para modelar as forças residuais.
     • Inovação no Banco de Funções: Em vez de usar apenas estados do drone, os autores observaram que, sob vento, o drone gera um ângulo de inclinação (pitch/roll) oposto ao vento para compensar. O banco de funções inclui, portanto, ângulos de inclinação ($\theta, \phi$) e senoides/cossenos ponderados pelo empuxo ($T$), criando uma representação invariante ao vento baseada apenas no estado do drone.
  3. Controle Adaptativo (RLS): Os coeficientes identificados pelo SINDy são atualizados online usando um algoritmo de Mínimos Quadrados Recursivos (RLS) com vazamento ("leaky RLS"). Isso permite que o controlador ajuste continuamente a estimativa da força de perturbação e compense ativamente o vento.
  4. Compensação: A força estimada é subtraída da força de comando desejada, permitindo que o controlador de baixo nível (flight controller) atue com precisão.

• Algoritmo: O processo envolve a leitura do estado, estimativa da aceleração residual, atualização dos parâmetros de adaptação ($A$) e cálculo da nova força de comando ($F_d$) a cada passo de controle.

3. Contribuições Principais

• Integração Híbrida: Primeira aplicação (segundo os autores) de SINDy acoplado a controle adaptativo para rejeição de perturbações em UAVs, unindo a interpretabilidade física com adaptação online.
• Banco de Funções Físico-Informado: Criação de um banco de funções específico baseado na observação física da inclinação do drone contra o vento, eliminando a necessidade de medição direta do vento.
• Eficiência de Dados: O método SINDy requer quantidades relativamente pequenas de dados para treinamento e oferece modelos interpretáveis, superando a necessidade de grandes datasets de redes neurais.
• Validação Robusta: Testes extensivos em simulação (Gazebo com ArduPilot SITL e Crazyflie) e em voos reais em um ambiente altamente turbulento gerado por quatro ventiladores de dutos.

4. Resultados Experimentais

Os testes foram realizados em três trajetórias: circular, lemniscata (infinito) e espiral, sob ventos de até 2 m/s.

• Simulação (ArduPilot SITL):

  • O Adaptive SINDy superou consistentemente o controlador PID de base em todas as trajetórias.
  • Em comparação com o controlador adaptativo baseado em DAIML (Deep Learning), o SINDy mostrou desempenho comparável ou superior, especialmente na trajetória de lemniscata (RMSE de 0,350 m vs 0,373 m do DAIML).
  • O PID de base falhou frequentemente em rejeitar rajadas súbitas, levando a erros de rastreamento elevados.

• Simulação (Crazyflie):

  • O Adaptive SINDy obteve o menor erro de rastreamento na trajetória de lemniscata (RMSE de 0,105 m) e na espiral, superando DAIML, INDI e PID.
  • Demonstrou maior robustez à medida que a complexidade da trajetória aumentava.

• Voos Reais (Crazyflie 2.1):

  • Desempenho Crítico: O controlador PID de base falhou em todos os 15 testes, resultando em colisões (crashes) devido à incapacidade de rejeitar o vento real.
  • Sucesso do Adaptive SINDy: O método proposto completou 100% dos 15 voos (6 circulares, 4 lemniscatas, 5 espirais) sem falhas.
  • Métricas de Erro (Voos Reais):
    • Trajetória Lemniscata: RMSE de 12,2 cm e MAE de 10,5 cm.
    • Trajetória Circular: RMSE de 17,6 cm e MAE de 13,7 cm.
  • A trajetória espiral apresentou os maiores erros devido ao raio expandindo continuamente, mas o drone manteve-se estável.

5. Significado e Conclusão

Este trabalho estabelece uma nova base para o controle de UAVs em ambientes hostis, demonstrando que a combinação de identificação de sistemas esparsa (SINDy) com controle adaptativo é uma solução viável, interpretável e eficiente em termos de dados.

• Impacto: A capacidade de um sistema leve (Crazyflie) de operar com segurança em ventos turbulentos onde controladores tradicionais falham é um avanço significativo para aplicações de busca e resgate, vigilância e entrega em condições climáticas adversas.
• Futuro: Os autores sugerem que essa abordagem pode ser expandida para UAVs de diferentes tamanhos e implementada on-board para adaptação em tempo real a mudanças dinâmicas, utilizando apenas o histórico de estados do sistema.

Em resumo, o Adaptive SINDy oferece um equilíbrio superior entre robustez, interpretabilidade e eficiência computacional, superando tanto as técnicas clássicas quanto as abordagens puramente baseadas em aprendizado de máquina para rejeição de perturbações em UAVs.