Model-Reference Adaptive Flight Control of the 95-mg Bee++

Resumo Técnico: Controle de Voo Adaptativo por Referência de Modelo do Bee++ de 95 mg

Enunciado do Problema
O artigo aborda o desafio de alcançar rastreamento posicional de alto desempenho para o Bee++, um veículo aéreo de asas batentes em escala de inseto de 95 mg. Devido à escala microscópica do robô e à fabricação complexa, seu modelo dinâmico sofre de incerteza significativa de parâmetros, particularmente em relação à matriz de inércia e ao mapeamento do atuador. Além disso, a baixa inércia do Bee++ torna-o altamente suscetível a perturbações estocásticas e sistemáticas durante o voo, incluindo tensão do cabo, rajadas de vento e forças aerodinâmicas decorrentes do desalinhamento das asas. Esses fatores complicam a execução de manobras de alta velocidade e pairar preciso, tornando necessária uma arquitetura de controle capaz de adaptar-se a incertezas de modelo e perturbações externas em tempo real.

Metodologia
Os autores propõem uma estrutura de Controle Adaptativo por Referência de Modelo (MRAC) projetada para robôs de asas batentes de corpo rígido operando no espaço 3D. A metodologia central envolve os seguintes componentes:

• Modelagem Dinâmica: A dinâmica de translação é modelada usando a segunda lei de Newton, incorporando um termo de perturbação agregada desconhecido $d(t)$. Essa perturbação é parametrizada como uma combinação linear de funções de base radial (RBFs) baseadas em Gaussianas, $d(t) = W^T \phi(x)$, onde $W$ é uma matriz de parâmetros desconhecidos e $x$ representa o vetor de estado (posição e velocidade).
• Lei de Controle: Uma lei de controle estabilizadora é derivada, incluindo uma estrutura padrão tipo PID (termos proporcional, integral e derivativo) combinada com um termo de avanço (feedforward) e um termo adaptativo, $f_a = \hat{W}^T \phi(x)$. O termo adaptativo é especificamente projetado para cancelar a perturbação desconhecida.
• Lei de Adaptação: Uma lei adaptativa é derivada para atualizar a estimativa $\hat{W}$ em tempo real. Essa lei é construída usando uma análise de estabilidade de Lyapunov. Ao definir uma candidata a função de Lyapunov e garantir que sua derivada temporal seja semidefinida negativa, os autores derivam uma regra de atualização ($\dot{\hat{W}} = -\gamma \phi \tilde{z}^T P^T B$) que garante que o erro de rastreamento convirja para zero.
• Análise de Estabilidade: Os autores provam que os sinais do sistema em malha fechada permanecem limitados e que o erro de rastreamento converge assintoticamente para zero. A análise demonstra que o método adaptativo rejeita efetivamente perturbações, forçando o estado do sistema a rastrear um modelo de referência sem perturbação.

Principais Contribuições

• Arquitetura MRAC para Microrrobôs: O artigo introduz uma arquitetura MRAC específica, adaptada às restrições únicas de veículos de asas batentes em escala de inseto, abordando tanto a incerteza de modelo quanto perturbações externas.
• Prova Rigorosa de Estabilidade: O trabalho fornece uma análise formal de estabilidade usando a teoria de Lyapunov, provando a estabilidade uniforme do equilíbrio e a convergência assintótica do erro de rastreamento.
• Validação Experimental em Tempo Real: A abordagem é validada através de experimentos de voo em tempo real no robô físico Bee++, demonstrando sua aplicabilidade prática em vez de depender exclusivamente de simulação.

Resultados Experimentais
O esquema MRAC proposto foi avaliado contra um controlador não adaptativo de referência (de trabalho anterior [1]) através de cinco experimentos de pairar consecutivos com uma posição de referência constante. Os resultados indicam:

• Desempenho Superior: Embora ambos os controladores pudessem estabilizar o robô, o esquema MRAC superou significativamente o benchmark não adaptativo.
• Melhorias Quantitativas: O controlador MRAC reduziu os erros médios quadráticos (RMS) de posição em 15% na direção $n_1$, 44% na direção $n_2$ e 35% na direção $n_3$ em comparação com o benchmark.
• Métricas de Erro Específicas: Para o esquema MRAC, os erros RMS médios foram $2,32 \pm 0,60$ cm ($n_1$), $0,87 \pm 0,39$ cm ($n_2$) e $0,13 \pm 0,03$ cm ($n_3$).
• Comportamento Adaptativo: A evolução temporal do termo de força adaptativa ($f_a$) demonstrou a compensação ativa do controlador para perturbações durante o voo.

Significado e Alegações
O artigo posiciona este trabalho como um passo crítico para permitir manobras de alta velocidade e controle de atitude avançado para robôs em escala de inseto. Os autores afirmam que a estrutura MRAC proposta permite com sucesso que o Bee++ adapte seu comportamento para contrapor perturbações e incerteza de modelo, permitindo assim rastreamento posicional de alto desempenho. O estudo demonstra que a abordagem é adequada, funcional e capaz de alto desempenho em condições de voo do mundo real, conforme evidenciado pelos dados experimentais. O trabalho não afirma resolver todos os desafios de controle para microrrobôs, mas estabelece uma base robusta para controle adaptativo na presença de incerteza e perturbação significativas.