空間的に変化する風下でのクアッドロータ向けリアルタイム外乱認識Koopmanモデル予測制御

- 空間的に変化する風( spatially varying winds )下で飛ぶ quadrotor 向けの、実時間で動作する disturbance-aware な Koopman Model Predictive Control (MPC) の提案。 - disturbance-aware Koopman Control Family (DA-KCF) と呼ぶ枠組みを導入。 - offline で同定した nominal な KCF モデルを固定し、disturbance による補正のみを online で学習する構成。 - Adaptive DA-KCF を MPC に組み込み、位置と yaw の reference を最適化して onboard stabilizing controller に渡す。

- 従来の Koopman ベース制御は offline 同定モデルを固定して使うことが多く、deployment 中に変化する unmodeled aerodynamic effects への追従が課題。 - 本研究は nominal model を保持しつつ disturbance-induced correction だけを online 学習する点で、モデル全体を再同定する手法と異なる。 - 補正を低次元 residual ensemble で学習し、MPC の prediction horizon 上で評価する点が特徴。 - 具体的な先行研究との定量比較は要旨からは不明。

- まず simulation data から reference-dependent な KCF を学習し、限られた hardware data で calibration。 - deployment 中は nominal KCF を固定し、causal な state-command-state transition から lightweight な residual ensemble が低次元 disturbance correction を学習。 - Adaptive DA-KCF を MPC に統合し、prediction horizon に沿って disturbance correction を評価。 - 最適化対象は position と yaw の reference で、onboard stabilizing controller への指令を生成。

- nano-quadrotor を用いた hardware experiments を実施。 - uniform wind と spatially varying wake の2条件で評価。 - online adaptation により multi-step prediction と trajectory tracking が改善し、disturbance-induced model mismatch が増すほど効果が大きいことを確認。 - 同時に real-time control requirements を満たすことも確認。

- disturbance-induced model mismatch が大きいほど online adaptation の利得が大きいと報告。 - 限られた hardware data での calibration と simulation 学習の組み合わせが実機展開を可能にしている点が議論の対象。 - residual ensemble の低次元表現の限界や、より複雑な風況への一般化については要旨からは不明。 - 計算負荷と real-time 性のトレードオフに関する詳細は要旨からは不明。

- Koopman operator theory を用いた制御( Koopman MPC / Koopman Control Family )の基礎文献。 - quadrotor の disturbance observer や learning-based MPC に関する研究。 - residual learning や ensemble を用いた model mismatch 補正の関連手法。 - spatially varying wind / wake 下での UAV 制御の実験研究。 - 要旨で直接参照されている個別論文は不明。