Learning-based quadrotor tracking control using Recursive Gaussian Processes

Pilotar um drone é um delicado ato de equilíbrio, uma negociação constante entre as leis da física e o software que tenta comandá-las. Para um quadrotor, uma pequena aeronave com quatro rotores giratórios, manter-se em um caminho preciso é difícil porque o ar ao seu redor nunca está perfeitamente parado. Rajadas de vento, o redemoinho complexo de ar criado pelos próprios rotores e pequenas imperfeições na construção da máquina conspiram para tirá-lo do curso. Os controladores de voo tradicionais dependem de modelos matemáticos para prever como o drone deve se mover, mas esses modelos nunca são perfeitos. Quando o mundo real se desvia da matemática, o drone tropeça, tornando seu rastreamento lento ou instável. Durante anos, engenheiros tentaram corrigir isso ensinando computadores a aprender com seus erros, usando o aprendizado de máquina para preencher as lacunas no modelo. No entanto, esses sistemas inteligentes historicamente eram pesados demais para o próprio computador do drone executar enquanto voava, forçando os pesquisadores a testá-los apenas em simulações ou no solo.

Uma equipe de pesquisadores do Politecnico di Milano conseguiu agora preencher essa lacuna, criando um sistema que permite a um drone real aprender e corrigir seu próprio caminho de voo enquanto está no ar. Eles desenvolveram um método que combina um controlador de voo padrão com um algoritmo de aprendizado chamado Processo Gaussiano Recursivo. Pense neste algoritmo de aprendizado como um sistema de memória altamente eficiente que não apenas armazena cada peça de dado que encontra, o que sobrecarregaria rapidamente um computador pequeno, mas em vez disso mantém um resumo compacto e curado das informações mais importantes. Isso permite que o drone atualize sua compreensão do vento e de suas próprias peculiaridades em tempo real, sem precisar parar e processar um banco de dados massivo. Os pesquisadores testaram este sistema em um quadrotor real chamado drone ANT-X Lab, fazendo-o voar através de uma série de caminhos complexos e ondulados em uma arena interna. Os resultados foram claros: ao permitir que o drone aprendesse seus próprios erros em pleno voo, o sistema reduziu os erros de rastreamento entre 38% e 75% em comparação com o mesmo drone voando sem essa capacidade de aprendizado.

O desafio central que os pesquisadores enfrentaram foi o custo computacional do aprendizado. Modelos padrão de aprendizado de máquina que utilizam processos gaussianos são incrivelmente poderosos para prever comportamentos desconhecidos, mas geralmente exigem que um computador recalcule tudo do zero toda vez que um novo dado chega. Para um drone voando em alta velocidade, isso é muito lento. Os pesquisadores resolveram isso usando uma abordagem "recursiva". Em vez de tratar cada nova observação como um novo começo, o sistema atualiza seu modelo interno incrementalmente, de forma muito semelhante a uma pessoa refinando um mapa mental conforme caminha por uma nova cidade, em vez de redesenhar todo o mapa a cada passo. Para tornar isso ainda mais rápido, eles pré-selecionaram um conjunto fixo de pontos de referência, ou "vetores de base", que cobrem a faixa provável dos movimentos do drone. O algoritmo de aprendizado então apenas ajusta os valores associados a esses pontos fixos, em vez de tentar lembrar de cada momento do voo. Esse truque reduziu a carga computacional o suficiente para executar todo o sistema diretamente no computador de bordo do drone, um salto significativo em relação às tentativas anteriores que exigiam uma estação terrestre separada e poderosa para realizar o processamento.

Para garantir que o drone pudesse aprender de forma segura e eficaz, a equipe desenhou um fluxo de trabalho específico. Antes que o aprendizado comece, o drone paira e se estabiliza. Em seguida, um período de "aquecimento" de quatro segundos permite que o sistema colete dados iniciais e ajuste suas configurações internas sem tentar imediatamente corrigir o caminho de voo. Isso evita que o drone reaja exageradamente ao ruído ou a movimentos súbitos e atípicos. Uma vez que o sistema esteja pronto, ele começa a ouvir a diferença entre onde o drone foi instruído a ir e onde ele realmente foi. Essa diferença, causada pelo vento ou arrasto aerodinâmico, é o que o algoritmo de aprendizado tenta prever e cancelar. Os pesquisadores usaram uma técnica de filtragem especial para suavizar os dados brutos dos sensores, garantindo que o drone não estivesse aprendendo com falhas aleatórias de sensores, mas sim de padrões genuínos no ar. Essa preparação cuidadosa permitiu que o sistema de aprendizado focasse na verdadeira física do voo, em vez do ruído dos sensores.

Os experimentos envolveram voar o drone ao longo de vários caminhos sinusoidais, ou em forma de onda. Alguns caminhos repetiam o mesmo padrão repetidamente, enquanto outros mudavam sua forma ou velocidade continuamente, testando se o sistema poderia se adaptar a novas situações que nunca havia visto antes. Nos testes, o drone foi solicitado a seguir camções com diferentes velocidades e amplitudes, movendo-se para frente e para trás em uma linha reta. Os resultados mostraram que o controlador baseado em aprendizado superou significativamente o controlador padrão. Ao voar em um padrão de onda constante e repetitivo em uma velocidade moderada, o sistema de aprendizado reduziu o erro médio para apenas 4,5 centímetros, uma melhoria dramática em relação aos 17,3 centímetros de erro vistos com o controlador padrão. Mesmo quando o caminho de voo mudava constantemente, como em um movimento de varredura onde a velocidade e a direção variavam, o sistema de aprendizado ainda conseguiu reduzir o erro em quase 40%. A melhoria foi mais pronunciada quando o drone voava dentro da faixa de condições que ele viu durante sua fase de aprendizado, mas ainda proporcionou benefícios substanciais em novas condições variáveis.

Um dos aspectos mais importantes deste trabalho é que ele prova que o controle baseado em aprendizado pode ser feito de forma segura e eficaz em hardware real, não apenas em simulações de computador. Os pesquisadores demonstraram que o sistema poderia lidar com as complexidades de um ambiente do mundo real, incluindo os efeitos aerodinâmicos sutis que são difíceis de modelar matematicamente. Ao executar com sucesso o algoritmo a bordo, eles mostraram que as limitações computacionais de pequenos drones não são mais uma barreira intransponível para o uso de técnicas avançadas de aprendizado. O estudo também destacou a importância de como o sistema de aprendizado é ajustado. Os pesquisadores desenvolveram um novo método para ajustar os parâmetros internos do sistema, usando uma técnica inspirada no funcionamento dos filtros de Kalman, o que permitiu que o sistema encontrasse as melhores configurações para o aprendizado de forma muito mais eficaz do que métodos anteriores. Esse ajuste foi crucial para garantir que o drone não se tornasse excessivamente sensível ou instável enquanto aprendia.

O sucesso deste projeto sugere um futuro onde os drones podem ser mais autônomos e capazes de lidar com tarefas complexas em ambientes imprevisíveis. Se um drone de entrega puder aprender a compensar uma rajada de vento repentina ou uma mudança na densidade do ar sem intervenção humana, ele se torna uma ferramenta muito mais confiável. O trabalho dos pesquisadores fornece um caminho concreto a seguir, mostrando que, ao combinar a teoria de controle clássica com algoritmos de aprendizado modernos e eficientes, é possível criar sistemas de voo que são simultaneamente inteligentes e robustos. A chave não foi apenas o aprendizado em si, mas a engenharia que tornou esse aprendizado rápido o suficiente para acontecer em tempo real. Ao manter as demandas computacionais baixas e o processo de aprendizado focado, a equipe transformou um conceito teórico em uma realidade prática, demonstrando que um pequeno drone pode, de fato, aprender a voar melhor enquanto voa.