PaperlayerView exact revision on arXiv

Source-linked AI summary

Nonlinear Model Predictive Control for Trajectory Tracking of Differentially Flat Fixed-Wing Aerial Systems

Nishanth Bobbili, Pratyaksh Rao, Luca Morando, Luca Masci, Giuseppe Loianno

arXiv:2608.20655v1cs.RO

TL;DR

고정익 UAV의 궤적 추종은 비선형 공기역학과 불확실한 바람 조건에서 어렵다. 이 논문은 differential flatness 기반 궤적 생성과 제약 인식 NMPC 및 wind-aware sampling을 결합해, 강풍 조건을 포함한 시뮬레이션과 실제 비행 실험에서 강인한 추종 성능을 달성한다.

  • 문제

    고정익 UAV는 비선형 결합 동역학, 공기역학적 복잡성, 불확실하고 시간에 따라 변하는 바람에도 신뢰성 있고 안전하며 계산 효율적인 계획과 제어가 필요하다.

  • 방법

    이 프레임워크는 differential flatness 기반 궤적 생성과 full-model NMPC 및 wind-aware sampling을 결합해, 안전한 순항 대기속도를 유지하도록 기준 속도를 조정한다.

  • 결과

    제안한 정식화는 시뮬레이션, PX4 SITL, 실제 비행 실험에서 강인한 궤적 추종을 달성하며, 강한 바람 교란 조건에서도 성능을 보인다.

  • 시사점 및 한계

    wind-aware sampling은 바람 교란 상황에서 더 안전하고 일관된 대기속도를 유지하도록 돕고, 실속 위험을 높이는 거동을 줄인다.

Abstract

from arXiv · show

Planning and control of fixed-wing Unmanned Aerial Vehicles (UAVs) are challenging due to nonlinear dynamics, aerodynamic limits, and environmental disturbances. Differential flatness offers a principled way to generate fast, feasible trajectories, but its use has largely been confined to model-free controllers, which lack predictive capabilities and demand tuning. In this paper, we propose a unified framework that integrates differential flatness-based trajectory generation with Nonlinear Model Predictive Control (NMPC), combining computationally efficient planning with predictive, constraint-aware control. To further improve robustness, we introduce a wind-aware sampling strategy embedded within the NMPC framework, enabling the generation of dynamically feasible reference trajectories that proactively account for wind disturbances while strictly enforcing aerodynamic and control input constraints. We validate the proposed framework through extensive simulations and real-world flight experiments, demonstrating improved tracking accuracy and robustness for complex trajectories, particularly when using the proposed wind-aware sampling strategy under strong wind conditions.

보충 자료 · I. 서론

고정익 UAV의 계획 및 제어는 강하게 결합된 비선형 공기역학과 불확실하고 시간에 따라 변하는 바람 외란 때문에 안전하고 효율적인 궤적 추종이 어려운 문제다. 본 논문은 full-model NMPC framework와 wind-aware reference generation을 통해 이러한 문제를 다루며, 시뮬레이션과 실제 비행 실험으로 검증한다.

  • I. 서론: 고정익 UAV는 우수한 체공시간, 넓은 운용 범위, 높은 순항 효율을 바탕으로 다양한 임무에 널리 사용된다.환경 모니터링, 재난 대응, 농업, 물류 등에 활용되며,, 이러한 임무 특성 때문에 고정익 플랫폼이 선호된다.
  • I. 서론: 고정익 동역학은 비선형성과 결합성이 매우 높고, 공기역학적 효과를 모델링하기 어려우며, 바람 외란은 불확실하고 시간에 따라 변하기 때문에 계획과 제어가 어렵다.이러한 요인이 결합되어 신뢰성 있고 안전하며 계산 효율적인 방법이 필요하다.
  • I. 서론: 기존 아키텍처는 단순한 기준 경로를 추종하기 위해 기하학적 유도, total-energy control, cascaded PID stabilization을 사용한다.일반적인 경로는 순차적인 직선 구간과 원호로 구성된다.
  • I. 서론: 이러한 기존 방법은 곡률 불연속을 만들고 기동 유연성을 제한하며 예측 능력이 부족하고, 공격적인 비행이나 공기역학 및 작동기 한계에 가까운 조건에서 성능이 저하된다.또한 highly dynamic regime에서는 PID 구현을 조정하기 어렵다.
  • I. 서론: NMPC는 receding horizon에서 추종을 최적화하면서 dynamic feasibility and input constraints를 명시적으로 강제할 수 있기 때문에 주목받는다.비선형 공기역학 모델링의 복잡성, 바람 민감도, 상태 추정의 불확실성 때문에 고정익 UAV에 대한 도입은 비교적 최근에 이루어졌다.
  • I. 서론: 제안하는 framework는 공기역학적 힘과 모멘트, 바람 효과를 포함한 full 6-DOF nonlinear model을 사용해 differentially flat fixed-wing aerial systems를 위한 NMPC를 개발한다.이 정식화는 항공기의 비선형 동역학과 환경 외란을 동역학 수준에서 명시적으로 반영한다.
  • I. 서론: Wind-aware reference generation은 외란이 존재하는 상황에서 안전한 순항 대기속도를 보장하도록 궤적 샘플링 속도를 조정한다.이 전략은 바람 효과를 추종 과정의 후단 외란으로만 취급하지 않고 reference generation에 포함한다.
  • I. 서론: 시뮬레이션과 실제 비행 실험을 통해 복잡한 궤적에서 추종 정확도와 강건성이 향상되며, 특히 강풍 조건에서 wind-aware sampling을 사용할 때 그 효과가 두드러짐을 보인다.검증은 시뮬레이션 비행 조건과 실제 비행 조건을 모두 포함한다.

II. 관련 연구

FW-UAV 항법에는 경량 guidance와 cascaded PID controller가 흔히 사용되어 온 반면, NMPC는 제약을 고려하는 동적 제어를 제공한다. Differential flatness 기반 trajectory generation은 효율적이고 동역학적으로 일관된 reference를 생성하지만, 이를 완전 결합 6-DOF NMPC 및 wind-aware reference generation과 통합하는 방향은 아직 다뤄지지 않은 과제로 제시된다.

  • Guidance 및 PID 기반 제어: FW-UAV 항법은 pure pursuit, L1 guidance, Lyapunov 기반 nonlinear controller, 를 포함해 cascaded PID loop를 갖춘 guidance controller에 크게 의존해 왔다.이러한 접근법은 경량이고 형식적으로 안정적이며 배치가 쉽다고 설명된다.
  • Nonlinear Model Predictive Control: NMPC는 FW-UAV 자세 조절, 과 actuator control 을 포함해 시스템 동역학을 고려하면서 actuator 및 sensor 제약을 반영하므로 항공 로보틱스에서 주목받고 있다.제시된 문헌은 multirotor 플랫폼을 위한 data-driven 및 adaptive NMPC formulation, 도 언급한다.
  • Differential-Flatness 기반 Trajectory Generation: Differential-flatness 기반 trajectory generation, 은 계산 효율이 높고 동역학적으로 일관된 reference를 제공하지만, 이를 완전 결합 6-DOF NMPC와 통합하는 방법은 명시적으로 다뤄지지 않았다.이 논문은 flatness 기반 trajectory generation과 완전 결합 NMPC를 통합하는 framework를 제시한다.
  • Wind-Aware Reference Generation: Reference generation 과정에서 wind-aware disturbance handling을 적용해 strong wind conditions에서 robustness를 향상한다.이 메커니즘은 제안하는 trajectory-generation 방향의 일부다.

III. 방법론 · A. 예비 사항

방법론은 표기법과 시스템 모델링에서 최적화, 궤적 생성, wind sampling으로 이어지는 NMPC 정식화를 제시한다. 예비 사항에서는 fixed-wing UAV 모델링에 사용하는 좌표계, air-relative velocity, airspeed, angle of attack를 정의한다.

  • III. 방법론: NMPC 정식화는 표기법, 시스템 모델링, 최적화, 궤적 생성, wind sampling의 통합을 다룬다.전체 정식화는 Fig. 2에 도시되어 있다.
  • A. 예비 사항: 표기법에서는 굵은 소문자 벡터, 아래첨자가 붙은 일반 소문자 스칼라 성분, 굵은 대문자 행렬, 프레임별 위첨자를 구분한다.예로 a, a_x, a_y, a_z, A와 a^K 및 a^L과 같은 프레임 의존 벡터가 있다.
  • A. 예비 사항: 시스템 모델은 home location을 중심으로 하는 Earth-fixed North–East–Down 관성 프레임 {I}와 UAV에 부착된 body frame {B}를 사용한다.이 좌표계들은 Fig. 3에 도시되어 있다.
  • A. 예비 사항: 양력을 생성하려면 airfoil이 air-relative velocity vector에 대해 양의 각도를 유지해야 한다.이 방향 조건은 vehicle attitude와 aerodynamic relative velocity를 연결한다.
  • A. 예비 사항: UAV의 relative velocity vector v_a는 주변 공기 질량에 대한 선속도를 나타낸다.그 크기는 airspeed V_a다.
  • A. 예비 사항: angle of attack α는 y_B를 중심으로 projected relative velocity가 x_B와 정렬되도록 하는 오른손 회전으로 정의된다.회전은 x_B–z_B 평면에서 적용된다.

B. 시스템 모델링

시스템 모델은 지면 기준 속도, 바람에 의존하는 대기속도, 동체 좌표계에서 관성 좌표계로의 자세를 통해 고정익 비행체의 운동을 나타내며, 이를 강체의 힘 및 모멘트 동역학과 결합한다. 공기역학적 힘과 모멘트는 비행 상태와 조종면 입력에 비선형적으로 의존하고, 스로틀은 가용 추력을 조절한다.

  • B. 시스템 모델링: 지면 기준 속도는 지상속도를 정의하고, 바람 벡터는 모델에서 사용하는 해당 대기속도를 결정한다.
  • B. 시스템 모델링: 자세 R ∈ SO(3)는 동체 좌표계의 물리량을 관성 좌표계로 사상하여 속도 변환과 강체 운동 모델링을 가능하게 한다.
  • B. 시스템 모델링: 강체 동역학은 질량, 중력, 각속도, 관성, 공기역학적 힘, 그리고 동체 축을 기준으로 표현된 공기역학적 모멘트의 균형을 이룬다.
  • B. 시스템 모델링: 공기역학적 계수는 받음각, 옆미끄럼각, 동체 각속도, 조종면 편향에 따라 비선형적으로 변하며, 스로틀 δt ∈ [0, 1]은 최대 추력을 조절한다.

C. 유한 시간 구간 최적 제어 문제

이 논문은 RK4로 이산화한 UAV 모델과 direct multiple shooting을 사용해 궤적 추종을 유한 시간 구간 최적 제어 문제로 정식화한다. 이 정식화는 동역학, 구동기, 비행 포락선 제약을 강제하면서 기준 궤적 추종을 최적화하며, 바람에 따라 기준 속도를 조정한다.

  • 궤적 추적은 단계 크기 ∆t를 갖는 네 차 Runge–Kutta 이산화를 사용해 유한 시간 범위 최적 제어 문제로 정식화된다.
  • 유한 시간 구간 문제는 예측 구간 N에 걸쳐 이산 동역학 xk+1 = ¯f(xk, uk)를 사용하는 direct multiple shooting으로 구성된다.
  • 목적 함수는 구간 전체와 terminal step에서의 상태 편차를, 공칭 기준으로부터의 제어 입력 편차와 함께 페널티로 부과한다.
  • 상태 및 입력 부등식 제약은 구동기 한계와 항공기 비행 포락선 같은 제한을 강제한다.
  • 기준 속도는 충분한 제어 권한을 유지하는 사용자 정의 공칭 순항 대기속도를 강제하도록 바람에 따라 조정된다.

D. 궤적 생성 및 Wind-aware Sampling

이 프레임워크는 경로 길이로 매개변수화된 differential-flatness-based planning을 통해 기준 궤적을 생성한 뒤, 기준 방향에 대한 바람 분해를 이용해 바람에 맞게 horizon sampling을 조정한다. 빠른 prediction horizon 동안 바람이 일정하다고 가정하며, 양의 groundspeed를 유지하도록 바람의 크기를 제한한다.

  • 궤적 생성: 기준 궤적은 경로 길이로 매개변수화된 differential-flatness-based planner로 생성되며, fixed-wing 플랫폼에 대한 feedback-linearizable coordinated-flight model을 활용한다.Differential flatness는 flat outputs와 유한 차수의 미분값을 통해 상태와 제어입력을 표현한다.
  • Wind-aware sampling: Wind-aware sampling은 기준 속도 방향에 대해 바람을 평행 성분과 수직 성분으로 분해하고, 평행 성분을 더해 horizon의 진행 속도를 구한다.조정된 진행 속도는 기준 horizon을 sampling하는 데 사용된다.
  • Wind-aware sampling: Optimizer가 100 Hz로 실행되어 일반적인 바람 변화보다 훨씬 빠르므로, prediction horizon 동안 바람 벡터를 일정한 것으로 취급한다.이 가정은 수 초 이상에 걸쳐 바람이 변한다는 점, 특히 저고도에서 그러하다는 점에 근거한다.
  • Wind-aware sampling: 양의 groundspeed를 유지하기 위해 바람의 크기를 기준 속도보다 작게 제한하며, 거리 기반 sampling 전에 뒷바람에서는 속도 길이를 늘리고 맞바람에서는 줄인다.이산 sample은 ∆d = V_sampling ∆t로 정의된 경로 증분을 사용한다.

IV. 실험 설정

실세계 NMPC 구현은 NVIDIA Orin NX, ROS1, STM32H757 기반 비행 컨트롤러를 탑재한 맞춤형 Strix Stratosurfer UAV에서 onboard로 실행된다. 시스템은 10-step, 2-second horizon의 acados 생성 코드를 사용하며, 최적화된 collective-thrust 및 angular-rate setpoint를 PX4로 전송해 low-level stabilization을 수행한다.

  • IV. 실험 설정: 실험에는 Ubuntu 22.04와 ROS1을 실행하는 NVIDIA Orin NX를 탑재하고 STM32H757 기반 비행 컨트롤러와 UART로 연결한 맞춤형 Strix Stratosurfer UAV를 사용한다.비행 컨트롤러는 airspeed와 inertial-frame horizontal wind-velocity 추정값도 제공한다.
  • IV. 실험 설정: acados는 2-second system horizon에서 N = 10 shooting step을 사용해 onboard real-time 구현을 위한 효율적인 C code를 생성한다.동적으로 feasible한 full-state reference는 optimizer의 수렴과 solution quality를 향상시키며, nonlinear program은 SQP-RTI를 사용하는 대신 각 control step에서 convergence까지 해를 구한다.
  • IV. 실험 설정: NMPC optimization은 collective-thrust 및 angular-rate setpoint를 생성하고, PX4는 onboard PID stabilization을 통해 inner-loop attitude 및 thrust regulation을 수행한다.이 interface는 low-level flight controller가 direct actuator-deflection control을 제한하는 실용적 제약을 반영한다.

V. 결과

결과는 software-in-the-loop 시뮬레이션과 실제 비행 실험을 통해 fixed-wing UAV의 궤적 추적 가능성을 평가한다.

  • 이 연구는 fixed-wing UAV의 궤적 추적 문제를 해결할 가능성을 평가한다.
  • 첫 번째 평가 시나리오는 PX4와 physics engine으로서 Gazebo를 사용하는 software-in-the-loop 시뮬레이션이다.
  • 두 번째 평가 시나리오는 실제 비행 실험으로 구성된다.

A. SITL 시뮬레이션에서 바람에 대한 강건성

SITL 시뮬레이션에서 wind-aware sampling은 바람이 부는 환경에서 NMPC의 trajectory tracking과 airspeed 안전성을 향상시키며, controller는 물리적으로 실현 불가능한 reference도 예측을 통해 feasible trajectory로 처리한다.

  • Spiral trajectory tracking: Spiral maneuver에서 roll, pitch, velocity가 함께 변화하더라도 wind-aware NMPC는 predicted state를 reference trajectory에 가깝게 유지한다.이 결과는 바람이 부는 환경에서 복잡한 maneuver에 대한 trajectory fidelity를 보여준다.
  • Wind-aware sampling 비교: 동일한 바람 조건에서 sampling을 사용하지 않는 NMPC와 비교하면, wind-aware sampling은 NMPC airspeed tracking을 크게 향상시키고 unsafe operating behavior를 줄인다.제안 방법은 평균 airspeed error를 약 1 m/s로 유지하는 반면, baseline은 더 큰 angle-of-attack 편차를 허용하며 aircraft를 unsafe airspeeds로 몰고 갈 수 있다.
  • 실현 불가능한 reference로부터의 복구: 불연속성으로 인해 지정된 reference가 물리적으로 실현 불가능해지면, controller는 curvature와 actuator constraints에도 불구하고 feasible trajectories를 예측하는 능력을 시험받는다.Failure-mode test에서는 선택된 motion regions에 불연속성을 주입해 fixed-wing vehicle constraints를 위반하게 한다.

B. 실제 환경 검증

실제 비행 실험을 통해 0.15 km2 시험 구역에서 3 to 10 ms−1의 바람 조건에 대한 NMPC의 강건성을 평가했다. 제어기는 바람 외란에 대응하면서 대기속도와 throttle을 조절하고 타원 궤적을 추종했다.

  • B. 실제 환경 검증: 실제 실험을 통해 0.15 km2 시험 구역에서 3 to 10 ms−1 범위의 바람 조건에 대한 NMPC의 강건성을 평가했다.비행 시험으로 제어기의 강건성을 평가했다.
  • B. 실제 환경 검증: Fig. 9(a)는 수평 및 수직 방향에서 예측 궤적과 기준 궤적을 비교한 타원형 x–y 경로의 closed-loop tracking을 보여준다.그림은 x–y 평면 운동과 수직 z 방향을 모두 다룬다.
  • B. 실제 환경 검증: Airspeed deviations remained small한 가운데, 바람이 ground speed에 영향을 미치면서 맞바람에서는 throttle이 증가하고 뒷바람에서는 감소했다.Vg가 증가하는 뒷바람 구간에서 오차가 커졌으며, 오차가 2ms−1을 초과하면 UAV는 Va를 빠르게 회복하고 안정화했다.

VI. 결론

이 논문은 고정익 UAV 추적을 위해 differential-flatness 기반 궤적 생성, 예측적 제약 인지 제어, 공력 모델링, wind-aware sampling을 결합한 NMPC 프레임워크를 제시한다. 향후 연구에서는 새로운 항공기를 위한 모델링 정확도, 비행 효율, 신속한 동역학 추정의 향상을 목표로 한다.

  • 결론: 제안한 NMPC 프레임워크는 differential-flatness 기반 궤적 생성을 예측적 제약 인지 제어 및 공력과 모멘트 모델링과 결합하며, wind-aware sampling을 통해 외란을 선제적으로 반영한다.이 프레임워크는 시뮬레이션, PX4 SITL, 실제 비행 실험에서 검증되었다.
  • 향후 연구: 향후 연구에서는 모델링 정확도, 비행 효율, 새로운 항공기를 위한 신속한 추정을 향상하기 위해 neural dynamics models, energy-aware predictive control, data-driven system identification을 연구한다.이러한 방향은 멀티로터와 비교해 고정익 UAV에서 증가한 모델 복잡도와 더 넓은 운용 영역을 다룬다.
Loading 2608.20655v1…