Multi-Model Predictive Attitude Control of Quadrotors
作者: Mohammadreza Izadi, Zeinab Shayan, Reza Faieghi
分类: cs.RO
发布日期: 2024-06-21
💡 一句话要点
提出多模型预测控制方法，实现四旋翼飞行器高精度、高效率姿态控制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多模型预测控制 四旋翼飞行器 姿态控制 线性模型预测控制 非线性系统 模型切换 间隙度量 软切换
📋 核心要点
- 传统NMPC计算量大，难以满足四旋翼姿态控制对高刷新率的需求；LMPC计算效率高，但性能和稳定性不足。
- 提出多模型预测控制（MMPC）方法，使用多个线性模型和LMPC，根据飞行条件动态切换，兼顾性能和效率。
- 实验结果表明，仅用15个模型即可实现精确姿态控制，性能接近NMPC，优于其他方法，且计算效率与LMPC相当。
📝 摘要（中文）
本文提出了一种新的多模型预测控制（MMPC）方法，用于四旋翼飞行器的姿态控制。该方法在性能上几乎与非线性模型预测控制（NMPC）相当，同时具有与线性模型预测控制（LMPC）相似的计算效率。传统的NMPC虽然有效，但计算量大，特别是对于需要高刷新率的姿态控制。相反，LMPC具有计算优势，但性能较差且局部稳定性不足。我们的方法依赖于姿态动力学的多个线性模型，每个模型都配有一个线性模型预测控制器，并根据飞行条件动态切换。我们利用间隙度量分析来最小化准确预测各种条件下车辆行为所需的模型数量，并结合软切换机制来确保控制器转换期间的系统稳定性。结果表明，仅使用15个模型，即可在各种设定点上精确控制车辆姿态。与增量非线性动态逆、滑模控制、LMPC和NMPC等现有控制器的对比评估表明，我们的方法在效果上与NMPC非常接近，优于其他方法，且运行时间与LMPC相当。
🔬 方法详解
问题定义：四旋翼飞行器的姿态控制需要高精度和快速响应，但传统的非线性模型预测控制（NMPC）计算复杂度高，难以实时应用。线性模型预测控制（LMPC）虽然计算效率高，但由于线性模型的局限性，在复杂飞行条件下性能较差，且容易出现局部稳定问题。因此，需要一种既能保证控制精度，又能满足实时性要求的姿态控制方法。
核心思路：本文的核心思路是利用多个线性模型来近似四旋翼飞行器的非线性动力学特性，每个线性模型对应一个线性模型预测控制器（LMPC）。通过在不同的飞行条件下动态切换不同的线性模型和LMPC，可以在保证控制精度的同时，降低计算复杂度。这种多模型预测控制（MMPC）方法旨在兼顾NMPC的控制性能和LMPC的计算效率。
技术框架：MMPC的整体框架包括以下几个主要模块：1) 线性模型库：包含多个基于不同工作点的四旋翼飞行器姿态动力学线性模型。2) 线性模型预测控制器：每个线性模型对应一个LMPC，用于计算控制输入。3) 模型切换机制：根据当前的飞行条件（例如姿态角、角速度），选择最合适的线性模型和LMPC。4) 软切换机制：为了保证系统在控制器切换过程中的稳定性，采用软切换机制，平滑地过渡不同控制器之间的输出。
关键创新：该方法最重要的创新点在于提出了多模型预测控制（MMPC）的思想，通过多个线性模型的动态切换来近似非线性系统，从而在控制精度和计算效率之间取得平衡。此外，利用间隙度量分析来选择最少的模型数量，进一步降低了计算复杂度。软切换机制的引入也保证了系统在控制器切换过程中的稳定性。
关键设计：1) 线性模型的选择：基于四旋翼飞行器姿态动力学方程，在不同的工作点进行线性化，得到多个线性模型。2) 模型切换策略：根据当前的飞行状态，选择与当前状态最匹配的线性模型。可以使用多种方法进行模型选择，例如基于距离的加权平均。3) 软切换机制：采用加权平均的方式，平滑地过渡不同控制器之间的输出。权重可以根据当前状态与各个线性模型的匹配程度来确定。4) 间隙度量分析：使用间隙度量分析来评估线性模型对非线性系统的近似程度，从而选择最少的模型数量，保证控制性能的同时降低计算复杂度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的MMPC方法仅使用15个线性模型，即可实现与NMPC相当的姿态控制性能，同时计算时间与LMPC相当。与其他控制方法（如增量非线性动态逆和滑模控制）相比，MMPC在控制精度和响应速度方面均有显著优势。这表明MMPC在保证控制性能的同时，显著降低了计算复杂度，更适合于实时应用。
🎯 应用场景
该研究成果可应用于各种需要高精度和快速响应的四旋翼飞行器姿态控制场景，例如无人机自主飞行、空中机器人表演、以及需要精确姿态控制的视觉伺服任务。该方法降低了计算复杂度，使得在资源受限的嵌入式平台上实现高性能姿态控制成为可能，具有重要的实际应用价值和广阔的应用前景。
📄 摘要（原文）
This paper introduces a new multi-model predictive control (MMPC) method for quadrotor attitude control with performance nearly on par with nonlinear model predictive control (NMPC) and computational efficiency similar to linear model predictive control (LMPC). Conventional NMPC, while effective, is computationally intensive, especially for attitude control that needs a high refresh rate. Conversely, LMPC offers computational advantages but suffers from poor performance and local stability. Our approach relies on multiple linear models of attitude dynamics, each accompanied by a linear model predictive controller, dynamically switching between them given flight conditions. We leverage gap metric analysis to minimize the number of models required to accurately predict the vehicle behavior in various conditions and incorporate a soft switching mechanism to ensure system stability during controller transitions. Our results show that with just 15 models, the vehicle attitude can be accurately controlled across various set points. Comparative evaluations with existing controllers such as incremental nonlinear dynamic inversion, sliding mode control, LMPC, and NMPC reveal that our approach closely matches the effectiveness of NMPC, outperforming other methods, with a running time comparable to LMPC.