Networked operation of a UAV using learning-based model predictive control and delay compensation

Abstract

본 연구는 시간에 따라 변화하는 네트워크 지연이 존재하는 네트워크 환경에서의 무인 항공기 (UAV)의 제어 기법에 대하여 소개한다. 네트워크 지연은 주로 상태 피드백과 제어 입력의 지연을 야기시키고, 이로 인해 UAV 제어 시스템의 안정성에 악영향을 미친다. 이와 같은 네트워크 지연에 대처하기 위하여 몇 가지 네트워크 제어 알고리즘이 제안되었지만 대부분의 기존 연구에서는 플랜트 동역학이 매우 단순하거나 정확히 알고 있다고 가정하였고, 일정한 네트워크 지연이 발생하는 상황에서만 수행되었다. 하지만 이러한 가정은 비선형 모델 및 시간에 민감한 제어 특성을 가지는 멀티로터 형태의 UAV에 적합하지 않다. 이러한 문제를 해결하기 위하여 멀티로터의 특성을 고려하여 설계된 모델 예측 제어 (MPC)를 이용한 네트워크 제어 시스템을 제안한다. 또한 경로 계획 및 상태 추정의 정확도를 높이고자 가우시안 프로세스 (GP) 기법을 적용하여, 멀티로터 동역학에 고려되지 않은 미지의 모델을 학습하도록 한다. 실내 비행 실험을 통하여 제안 된 알고리즘이 네트워크 지연을 효과적으로 보상하고 가우시안 프로세스 학습이 UAV의 경로 추적 성능을 향상 시킨다는 것을 보여준다.

This study addresses an operation of unmanned aerial vehicles (UAVs) in a network environment where there is time-varying network delay. The network delay entails undesirable effects on the stability of the UAV control system due to delayed state feedback and outdated control input. Although several networked control algorithms have been proposed to deal with the network delay, most existing studies have assumed that the plant dynamics is known and simple, or the network delay is constant. These assumptions are improper to multirotor-type UAVs because of their nonlinearity and time-sensitive characteristics. To deal with these problems, we propose a networked control system using model predictive control (MPC) designed under the consideration of multirotor characteristics. We also apply a Gaussian process (GP) to learn an unknown nonlinear model, which increases the accuracy of path planning and state estimation. Flight experiments show that the proposed algorithm successfully compensates the network delay and Gaussian process learning improves the UAVs path tracking performance.