On Real-Time Feasibility of High-Rate MPC using an Active-Set Method on Nano-Quadcopters

Este artigo apresenta um estudo experimental que demonstra a viabilidade de executar um solver de conjunto ativo dual (DAQP) a 500 Hz em um microcontrolador STM32F405 para controle de baixo nível de um quadricóptero nano Crazyflie 2.1, superando em tempo de execução o solver TinyMPC e introduzindo um método baseado em PCA para certificação offline da factibilidade em tempo real.

O essencial

Imagine que você tem um drone minúsculo, do tamanho de uma mão, chamado "Crazyflie". Ele é tão pequeno e leve que precisa ser extremamente ágil para voar, fazer curvas fechadas e evitar obstáculos. Para fazer isso, ele precisa de um "cérebro" (um microcontrolador) que tome decisões de controle milhares de vezes por segundo.

O problema é que o cérebro desse drone é muito fraco comparado ao de um computador comum. É como tentar rodar um jogo de vídeo game pesado em uma calculadora científica.

Aqui está o que os autores desse artigo fizeram, explicado de forma simples:

1. O Desafio: O "Piloto Automático" Preciso

Para voar com segurança e fazer manobras arriscadas, o drone usa uma técnica chamada MPC (Controle Preditivo por Modelo).

• A Analogia: Imagine que você está dirigindo um carro em uma estrada cheia de curvas. Um piloto comum apenas olha para a frente e vira o volante. O MPC, por outro lado, é como um piloto que prevê o futuro. Ele simula mentalmente: "Se eu virar assim, vou bater naquela árvore em 2 segundos. Se eu virar assado, vou chegar lá em 3 segundos. Qual é a melhor opção?"
• O problema é que fazer esses cálculos mentais (matemáticos) exige muita energia. No drone pequeno, o computador é tão limitado que, se o "piloto mental" demorar muito para pensar, o drone cai.

2. A Solução: Trocando o "Método" de Pensar

Existem diferentes maneiras de resolver esse problema de "pensar rápido".

• O Método Antigo (TinyMPC): A maioria dos pesquisadores usava um método chamado ADMM (como o TinyMPC). É como tentar resolver um quebra-cabeça movendo as peças devagar e com cuidado, passo a passo. Funciona, mas pode ser lento.
• O Método Novo (DAQP - Ativo-Set): Os autores testaram um método diferente, chamado Método de Conjunto Ativo Dual.
  • A Analogia: Imagine que você está procurando a saída de um labirinto. O método antigo anda devagar, testando cada corredor. O método novo (DAQP) é como ter um mapa que diz: "Não perca tempo com esses corredores, eles são bloqueados. Vá direto para estes aqui". Ele ignora as opções ruins imediatamente e foca apenas nas viáveis.
• O Resultado: Surpreendentemente, esse método "mais complexo" na teoria foi mais rápido na prática no computador fraco do drone. Eles conseguiram fazer o drone pensar a 500 vezes por segundo (500 Hz), o que é uma velocidade impressionante para um chip tão pequeno.

3. O Grande Truque: A "Caixa de Segurança" Inteligente

Antes de colocar o drone para voar, os engenheiros precisam ter certeza absoluta de que o software nunca vai travar, não importa o que aconteça. Eles precisam provar matematicamente o "pior cenário possível" (o momento em que o drone precisa tomar a decisão mais difícil).

• O Problema: O espaço de possibilidades é gigantesco. É como tentar testar um carro em todas as estradas do mundo, em todas as condições de chuva e sol. Isso levaria anos.
• A Solução Criativa (PCA): Os autores usaram uma técnica chamada Análise de Componentes Principais (PCA).
  • A Analogia: Em vez de testar o carro em todas as estradas do mundo, eles olharam para os dados de voos reais anteriores. Eles perceberam que o drone nunca voa de cabeça para baixo ou em velocidades impossíveis. Então, eles criaram uma "caixa de segurança" inteligente que só cobre os lugares onde o drone realmente voa.
  • Isso permitiu que eles provassem matematicamente que o software é seguro e rápido, sem precisar testar milhões de cenários que nunca aconteceriam. É como dizer: "Não precisamos testar o carro na Lua, porque sabemos que ele só vai na Terra".

4. O Que Eles Descobriram?

• Velocidade: O novo método (DAQP) foi mais rápido que o método antigo (TinyMPC) em todos os testes.
• Confiança: Eles conseguiram provar matematicamente, antes mesmo do drone decolar, que o sistema não vai falhar.
• Limites: Eles também descobriram que, se você pedir para o drone voar "demais" (muito agressivo), o computador fica sobrecarregado e o drone perde o controle. Isso ajuda a definir os limites seguros de operação.

Resumo Final

Este artigo é como uma história de sucesso de um engenheiro que pegou um computador de brinquedo (o drone) e conseguiu fazer ele rodar um software de "piloto de corrida" super avançado.

Eles descobriram que, às vezes, o método de pensamento "mais inteligente" (ignorar o impossível) é mais rápido do que o método "mais tradicional". E, o mais importante, eles criaram uma maneira de garantir que esse sistema nunca vai falhar, usando dados reais para desenhar um mapa de segurança, em vez de tentar adivinhar o impossível.

Isso abre portas para drones menores, mais baratos e mais inteligentes no futuro, capazes de voar sozinhos em ambientes complexos sem precisar de computadores gigantes.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "On Real-Time Feasibility of High-Rate MPC using an Active-Set Method on Nano-Quadcopters", apresentado em português.

1. Problema e Contexto

O controle de robôs aéreos em nanoescala, como o quadricóptero Crazyflie 2.1, enfrenta desafios significativos devido às severas limitações computacionais dos microcontroladores embarcados (MCUs). O Controle Preditivo por Modelo (MPC) é uma técnica ideal para esses sistemas devido à sua capacidade de lidar explicitamente com restrições de estado e entrada, essenciais para manobras agressivas e seguras. No entanto, a implementação de MPC em tempo real em hardware limitado é difícil, pois o custo computacional para resolver os problemas de otimização (geralmente Programação Quadrática - QP) pode exceder os ciclos disponíveis.

A maioria das abordagens anteriores para estabilização de baixo nível em nano-drones utiliza métodos de primeira ordem (como ADMM) ou restringe métodos de conjunto ativo (active-set) a controle de alto nível. Este trabalho questiona se métodos de segunda ordem (conjunto ativo dual) podem ser executados com sucesso no laço de controle de baixo nível de um sistema de 12 estados em um MCU de recursos limitados, mantendo uma taxa de atualização alta (500 Hz).

2. Metodologia

Os autores desenvolveram e testaram uma implementação de MPC em tempo real no Crazyflie 2.1 utilizando o seguinte conjunto de ferramentas e estratégias:

• Hardware: Crazyflie 2.1 equipado com um microcontrolador STM32F405 Cortex-M4 (168 MHz, 196 kB SRAM, 1 MB Flash).
• Controlador: Um controlador MPC linear de baixo nível com 12 estados (posição, velocidade, atitude e velocidades angulares) e 4 entradas (comandos PWM dos motores). O horizonte de previsão é de $N=15$ e a taxa de execução é de 500 Hz.
• Solvers Comparados:
  • DAQP: Um solver de conjunto ativo dual (Dual Active-Set QP), que é um método de segunda ordem.
  • TinyMPC: Um solver baseado em ADMM (Método de Direção Alternada dos Multiplicadores), considerado estado da arte para hardware embarcado.
• Configuração: Ambos os solvers foram configurados com os mesmos parâmetros de sintonia (matrizes Q, R, F, G) fornecidos pelo firmware TinyMPC original para garantir uma comparação justa.
• Certificação de Tempo de Execução (WCET):
  • Utilizou-se a ferramenta ASCertain (baseada em complexity certification) para analisar o pior caso de tempo de execução (WCET) do solver DAQP.
  • Seleção de Conjunto de Dados Baseada em Dados (PCA): Para evitar a sobre-conservadorismo de analisar todo o espaço de estados (que inclui combinações não físicas), os autores propuseram um método usando Análise de Componentes Principais (PCA). Eles coletaram dados de estados de erro reais de um voo de teste, aplicaram PCA para rotacionar o espaço de estados e definiram um hiper-retângulo mais apertado e representativo ($\Theta_{pca}$) para a certificação.

3. Principais Contribuições

1. Primeira Demonstração de MPC de Baixo Nível com Conjunto Ativo: Implementação bem-sucedida de um controlador MPC de 12 estados rodando a 500 Hz no Crazyflie usando o solver dual active-set DAQP. Isso desafia a crença de que métodos de segunda ordem são muito pesados para esse hardware.
2. Benchmark Experimental Direto: Comparação prática entre o solver de segunda ordem (DAQP) e o solver de primeira ordem (TinyMPC/ADMM) no mesmo hardware.
3. Certificação de Tempo Real com PCA: Introdução de uma estratégia baseada em dados e PCA para reduzir o conjunto de parâmetros de certificação. Isso permite que métodos de certificação de WCET sejam aplicados de forma mais eficiente, rejeitando ou aceitando a viabilidade de tempo real antes do voo (offline).
4. Análise de Viabilidade: Demonstração de que o DAQP não apenas é mais rápido, mas também pode ser certificado como viável para tempo real, enquanto o TinyMPC pode falhar em cenários de pior caso não cobertos por amostragem uniforme.

4. Resultados

• Desempenho Computacional:
  • O solver DAQP foi consistentemente mais rápido que o TinyMPC em todas as instâncias testadas.
  • O histograma da diferença de tempo de execução ($\tau_{TinyMPC} - \tau_{DAQP}$) mostrou valores estritamente positivos, indicando que o DAQP sempre encontrou a solução mais rapidamente.
  • A análise de CDF (Função de Distribuição Acumulada) revelou que a amostragem uniforme do espaço de estados falha em capturar os casos de pior caso para solvers de conjunto ativo, podendo levar a uma falsa sensação de segurança sobre a viabilidade de tempo real.
• Viabilidade de Tempo Real (WCET):
  • Ao usar o conjunto de parâmetros conservador ($\Theta_b$), o DAQP violou os requisitos de tempo real em alguns estados.
  • Ao usar o conjunto de parâmetros refinado via PCA ($\Theta_{pca}$), o WCET máximo foi de 1375 µs, confirmando a viabilidade para a taxa de 500 Hz (que exige ~2000 µs por ciclo).
  • A ferramenta de certificação foi capaz de prever corretamente que, ao aumentar a agressividade do controle (reduzindo o peso $R$), o sistema violaria os requisitos de tempo real, algo confirmado experimentalmente.
• Desempenho de Controle:
  • Ambos os controladores conseguiram manter o voo, mas houve erros de rastreamento de altitude devido a compensações estáticas imperfeitas da gravidade (sem ação integral).
  • Reduzir o peso $R$ melhorou o rastreamento, mas levou a violações de tempo real durante manobras agressivas, validando a utilidade da ferramenta de certificação para evitar falhas no projeto.

5. Significado e Conclusão

Este trabalho é significativo porque valida que métodos de segunda ordem (conjunto ativo) são uma alternativa altamente competitiva e superior aos métodos de primeira ordem (como ADMM) para controle de alta frequência em hardware extremamente limitado.

• Eficiência: O DAQP, apesar de ser um método de segunda ordem, superou o TinyMPC em velocidade de execução, provando que a complexidade algorítmica não se traduz necessariamente em maior tempo de execução em problemas de MPC estruturados.
• Confiabilidade: A integração de ferramentas de certificação de complexidade (WCET) com seleção de dados baseada em PCA oferece um fluxo de trabalho robusto para garantir a segurança e a viabilidade de sistemas de controle críticos antes da implementação física.
• Futuro: O estudo abre caminho para o uso de otimizadores mais sofisticados em robótica embarcada, permitindo manobras mais agressivas e seguras em nano-robôs, desde que a viabilidade de tempo real seja certificada corretamente.

Em resumo, o artigo demonstra que, com a escolha certa do solver e ferramentas de análise adequadas, é possível empurrar os limites do que é computacionalmente possível em plataformas de recursos restritos, garantindo tanto desempenho quanto segurança.