Hybrid Neural Network and Conventional Controller Approach for Robust Control of Highly Unstable Systems: Application to Tilt-Rotor Control

Resumo Técnico: Abordagem de Rede Neural Híbrida e Controlador Convencional para Controle Robusto de Sistemas Altamente Instáveis

Definição do Problema
Os veículos aéreos não tripulados (UAVs) multirotores convencionais são inerentemente subatuados, o que limita sua manobrabilidade. Configurações de rotor basculante (tilt-rotor) abordam isso ao permitir atuação total por meio de entradas de vetorização de empuxo, permitindo o controle independente sobre todos os graus de liberdade (DoF). No entanto, esses sistemas introduzem uma complexidade dinâmica e instabilidade significativas. Embora o aprendizado profundo tenha sido integrado a várias estratégias de controle (ex: PID, Controle de Modo Deslizante, MPC), aplicar o aprendizado direto de entrada-saída para plantas altamente instáveis continua sendo um desafio. Este artigo investiga se redes neurais podem estabilizar diretamente um sistema tilt-rotor totalmente atuado e propõe uma alternativa híbrida que combina identificação de sistema baseada em redes neurais com controle convencional robusto.

Metodologia
A pesquisa é estruturada em duas fases distintas:

1. Aprendizado Direto de Entrada-Saída (Resultado Negativo):
   Os autores tentaram primeiro controlar o sistema tilt-rotor usando uma abordagem de mapeamento direto. Neste método, Perceptrons Multicamadas (MLP), redes de Longa Memória de Curto Prazo (LSTM) e modelos Transformer foram treinados para mapear estados do sistema e trajetórias desejadas diretamente para entradas de controle (velocidades dos motores e ângulos de inclinação). Os dados de treinamento foram gerados via trajetórias senoidais e manobras específicas utilizando um Controlador de Modo Deslizante (SMC) pré-projetado. O objetivo era avaliar se essas redes poderiam aprender a política de controle sem modelagem dinâmica explícita.

2. Controle de Modo Deslizante Potencializado por Redes Neurais (Principal Contribuição):
   Reconhecendo a falha da abordagem direta, os autores propuseram uma arquitetura de controle híbrida. Em vez de aprender a política de controle diretamente, as redes neurais são usadas para aproximar componentes específicos do modelo dinâmico da planta.

   • Decomposição: A dinâmica do sistema é decomposta em componentes independentes de entrada ($a$) e dependentes de entrada ($G$) com base na equação $\ddot{\bar{x}} = a + Gv$.
   • Aprendizado: Redes neurais leves (MLP ou LSTM) são treinadas para prever $\hat{a}$ e $\hat{G}$ usando um pequeno conjunto de dados derivado de logs de voo ou simulações. Essas redes aprendem a relação entre os estados do sistema (atitude, velocidade angular) e os parâmetros dinâmicos.
   • Lei de Controle: Os parâmetros previstos ($\hat{a}, \hat{G}$) são incorporados em um Controlador de Modo Deslizante (SMC) padrão. O SMC utiliza essas aproximações aprendidas para calcular a lei de controle, garantindo robustez contra incertezas.
   • Alocação de Atuadores: O controlador gera um vetor de entrada virtual $v$, que é então mapeado para comandos físicos de atuadores (velocidades de motores BLDC e ângulos de inclinação de servos) usando uma solução de norma mínima para lidar com a natureza não quadrada da matriz de controle.

Principais Resultados

• Falha do Aprendizado Direto: A estratégia de controle direto de entrada-saída falhou em estabilizar o sistema tilt-rotor altamente instável. Apesar de atingir um Erro Médio Absoluto (MAE) baixo nos dados de treinamento, as redes não conseguiram evitar o acúmulo de erro em tempo real, levando à divergência do sistema. Isso destaca a limitação fundamental do aprendizado direto para plantas instáveis sem uma estrutura de controle robusta subjacente.
• Sucesso da Abordagem Híbrida: O SMC potencializado por redes neurais estabilizou o sistema com sucesso.
  • Robustez: O sistema manteve a estabilidade sob incertezas significativas, incluindo erros de atuação aleatórios de 5-10%, aumentos de massa de 5%, variações de inércia de 20% e perturbações de vento externas.
  • Comparação de Desempenho: Entre as duas arquiteturas de rede utilizadas para a predição dinâmica, o Preditor de Dinâmica de Planta (PDP) baseado em LSTM superou o PDP baseado em MLP. O controlador LSTM alcançou um Erro Médio Absoluto de Rastreamento de Trajetória (TT-MAE) inferior de 0,21 em condições desafiadoras, comparado a 1,05 para o MLP.
  • Eficiência: A implementação LSTM também demonstrou menor tempo de execução (38,5s vs. 41,5s para o teste de linha de base) e exigiu menos parâmetros para a predição do componente $a$, tornando-a adequada para implantação em microcontroladores de baixo custo.

Significância e Alegações
O artigo alega que, embora o controle direto por rede neural seja inadequado para sistemas tilt-rotor altamente instáveis, integrar redes neurais leves em uma estrutura de controle baseada em modelo oferece uma solução robusta e eficiente. As principais contribuições incluem:

• Demonstração de Limitações: Fornecer evidência empírica de que o aprendizado direto de entrada-saída falha para plantas altamente instáveis, mesmo com arquiteturas avançadas como Transformers.
• Eficiência de Dados: O método proposto pode ser treinado usando logs de voo coletados de controladores de baixa performance, focados apenas em atitude, pois foca em aprender parâmetros da planta em vez de ações de controle.
• Utilidade de Simulação: O modelo dinâmico aprendido a partir de dados do mundo real pode ser utilizado para simulações precisas.
• Viabilidade Computacional: Ao decompor a dinâmica e usar redes leves para componentes específicos, o método reduz as demandas computacionais em tempo real, permitindo a implantação em hardware com recursos limitados.

Os autores concluem que esta abordagem híbrida fornece uma estratégia de controle generalizada e robusta para UAVs totalmente atuados e planejam validar essas descobertas experimentalmente em uma plataforma tilt-rotor física em seu laboratório.