A norm-optimal Kalman iterative learning control for precise UAV trajectory tracking

The interest in multirotor Unmanned Aerial Vehicles (UAVs) has faced an exponential growth over the last decades. The technological success, the cost reduction and the parallel diffusion led to the adoption of UAVs in many research fields. Despite their massive popularity, the algorithms deployed to control UAVs typically rely on simplified models approximating the complex flight dynamics. This can lead to significant tracking errors when performing aggressive manoeuvres. Iterative learning control (ILC) algorithms can be used in combination with the traditional feedback control methods, which are generally implemented to correct the system behaviour by compensating for noise and unexpected disturbances as they occur, to reject recurring tracking errors happening during repetitive executions. These algorithms exploit the information acquired from past trials to shape non-causal feed-forward input signals so as to anticipate recurring disturbances and proactively compensate for them. The purpose of this thesis is to design an iterative learning control algorithm for precise UAV trajectory tracking. This work focuses specifically in a new model-based, norm-optimal ILC, enhanced with a iteration-domain Kalman filter disturbance estimator. The so called Kalman Iterative Learning Control (K-ILC) is implemented and validated in a simulation environment. Eventually, the effectiveness of the algorithm is successfully tested through experimental activity in a real quadcopter flying a eight-shape manoeuvrer.

L'interesse verso gli aeromobili a pilotaggio remoto, comunemente noti come droni, ha subito una crescita esponenziale negli ultimi decenni. Il successo tecnologico, la riduzione dei costi e la parallela diffusione hanno portato all'adozione di tali velivoli in numerosi ambiti di ricerca. Nonostante la loro enorme popolarità, gli algoritmi tipicamente impiegati per controllare tali velivoli si basano su modelli semplificati che approssimano la complessa dinamica di volo. Ciò può portare a significativi errori di tracciamento durante l'esecuzione di manovre complesse ad alta velocità. Gli algoritmi di controllo di apprendimento iterativo (Iterative Learning Controls o ILCs) possono essere utilizzati in combinazione con i sistemi di controllo tradizionali in retroazione che compensano rumori e disturbi imprevisti. Questi, infatti, agiscono in modo da eliminare gli errori di posizionamento che si ripetono durante l'esecuzione della stessa manovra. Le informazioni acquisite dalle precedenti prove vengono sfruttate per calcolare segnali di ingresso non causali in modo da anticipare i disturbi ricorrenti e compensarli in modo proattivo. Lo scopo di questa tesi è progettare un algoritmo di controllo di apprendimento iterativo per l'inseguimento della traiettoria di un drone. Questo lavoro si concentra in particolare su un nuovo ILC basato su un modello ottimale di aggiornamento del segnale in ingresso potenziato con un filtro di Kalman nel dominio dell'iterazione per migliorare la stima del disturbo. Il cosiddetto Kalman Iterative Learning Control (K-ILC) è stato implementato e validato in simulazione. Infine, l'efficacia dell'algoritmo è stata verificata con successo attraverso l'attività sperimentale condotta nell'arena FlyART del laboratorio di controllo e sistemi aerospaziali (ASCL) del Politecnico di Milano.