Aerial Grasping with Soft Aerial Vehicle Using Disturbance Observer-Based Model Predictive Control

📄 arXiv: 2409.14115v1 📥 PDF

作者: Hiu Ching Cheung, Bailun Jiang, Yang Hu, Henry K. Chu, Chih-Yung Wen, Ching-Wei Chang

分类: cs.RO

发布日期: 2024-09-21

备注: 8 pages, 10 figures, submitted to IEEE Robotics Automation Letters

💡 一句话要点

提出基于扰动观测器的模型预测控制软体无人机空中抓取方案

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 软体无人机 空中抓取 扰动观测器 模型预测控制 非线性控制

📋 核心要点

  1. 空中抓取面临有效载荷变化和环境扰动带来的控制难题，传统方法难以保证抓取精度和稳定性。
  2. 提出基于扰动观测器的非线性模型预测控制（DOMPC）方法，补偿模型误差和外部扰动，提高控制精度。
  3. 实验表明，该方法能有效处理静态和非静态载荷，实现高载重比（337g/1.002kg）的稳定抓取。

📝 摘要（中文）

本文旨在提升软体无人机（SAV）在空中抓取过程中的控制性能。空中抓取，特别是软体空中抓取，在无人机配送和采摘任务中具有重要应用前景。然而，在空中抓取过程中控制无人机的动力学特性面临巨大挑战。有效载荷抓取过程中质量的增加会影响推力预测，而不可预测的环境扰动会进一步复杂化控制工作。本研究通过将扰动观测器集成到非线性模型预测控制（NMPC）SAV控制器中，旨在补偿动态模型理想化以及来自额外有效载荷和不可预测扰动引起的不确定性。该方法结合了基于扰动观测器的NMPC与SAV控制器，有效地最小化了跟踪误差，并实现了沿所有三个轴的精确空中抓取。所提出的配备基于扰动观测器的非线性模型预测控制（DOMPC）的SAV在处理静态和非静态有效载荷方面表现出卓越的能力，从而成功抓取各种物体。值得注意的是，该SAV实现了令人印象深刻的有效载荷重量比，超过了先前在软抓取领域的研究。使用提出的重量为1.002 kg的软体无人机，通过抓取实现了337 g的最大有效载荷。

🔬 方法详解

问题定义：论文旨在解决软体无人机（SAV）在空中抓取过程中，由于有效载荷变化和环境扰动导致的控制精度下降问题。现有方法难以有效应对这些不确定性，导致抓取失败或不稳定。

核心思路：核心思路是将扰动观测器（Disturbance Observer）集成到非线性模型预测控制（NMPC）框架中。扰动观测器用于估计和补偿模型误差和外部扰动，从而提高NMPC的鲁棒性和控制精度。这样设计的目的是使控制器能够更好地适应动态变化的环境，实现精确的空中抓取。

技术框架：整体框架包括以下几个主要模块：1) 软体无人机动力学模型；2) 扰动观测器，用于估计总扰动；3) 非线性模型预测控制器（NMPC），基于动力学模型和扰动估计进行控制；4) 软体抓取机构，用于实现对物体的抓取。整个流程是，首先通过传感器获取无人机的状态信息，然后扰动观测器估计总扰动，NMPC基于动力学模型和扰动估计计算最优控制输入，最后控制无人机执行抓取动作。

关键创新：最重要的创新点在于将扰动观测器与NMPC相结合，用于解决空中抓取中的不确定性问题。与传统的NMPC相比，该方法能够更有效地补偿模型误差和外部扰动，从而提高控制精度和鲁棒性。这种结合使得无人机能够更好地适应动态变化的环境，实现更稳定的抓取。

关键设计：扰动观测器的设计是关键。具体来说，需要选择合适的观测器增益，以保证观测器的稳定性和收敛速度。NMPC的关键设计包括选择合适的预测时域、控制时域和代价函数。代价函数通常包括跟踪误差和控制输入的惩罚项。此外，还需要考虑无人机的动力学约束和控制输入约束。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的基于扰动观测器的NMPC方法能够有效提高软体无人机的空中抓取性能。该无人机成功抓取了重达337克的物体，而无人机自身重量为1.002千克，实现了较高的载重比。此外，实验还验证了该方法在处理静态和非静态载荷方面的有效性，表明其具有良好的鲁棒性。

🎯 应用场景

该研究成果可广泛应用于无人机配送、农业采摘、环境监测等领域。在无人机配送中，可以实现对不同重量和形状货物的精准抓取和投放。在农业采摘中，可以用于自动采摘水果和蔬菜，提高采摘效率。在环境监测中，可以用于抓取环境样本，进行分析和研究。该技术具有重要的实际应用价值和广阔的发展前景。

📄 摘要（原文）

Aerial grasping, particularly soft aerial grasping, holds significant promise for drone delivery and harvesting tasks. However, controlling UAV dynamics during aerial grasping presents considerable challenges. The increased mass during payload grasping adversely affects thrust prediction, while unpredictable environmental disturbances further complicate control efforts. In this study, our objective aims to enhance the control of the Soft Aerial Vehicle (SAV) during aerial grasping by incorporating a disturbance observer into a Nonlinear Model Predictive Control (NMPC) SAV controller. By integrating the disturbance observer into the NMPC SAV controller, we aim to compensate for dynamic model idealization and uncertainties arising from additional payloads and unpredictable disturbances. Our approach combines a disturbance observer-based NMPC with the SAV controller, effectively minimizing tracking errors and enabling precise aerial grasping along all three axes. The proposed SAV equipped with Disturbance Observer-based Nonlinear Model Predictive Control (DOMPC) demonstrates remarkable capabilities in handling both static and non-static payloads, leading to the successful grasping of various objects. Notably, our SAV achieves an impressive payload-to-weight ratio, surpassing previous investigations in the domain of soft grasping. Using the proposed soft aerial vehicle weighing 1.002 kg, we achieve a maximum payload of 337 g by grasping.