H-infinity-based transfer learning for UAV trajectory tracking

Trajectory tracking has always been a classic problem in control systems applications and it has become increasingly important in the aeronautics field with the advent of Unmanned Aerial Vehicles (UAVs). When a pilot is not present, the control system must automatically react to all unpredicted conditions and it must preserve the tracking performance. Even though standard feedback controllers are typically used, they are not suitable for high-demanding manoeuvres: in these cases more complex techniques need to be used. Iterative Learning Control (ILC) is one of these techniques, as it allows to learn, indeed, the optimal input needed to perfectly track a certain trajectory by the estimation, and consequent anticipation, of repetitive effects. However the learning phase needed to apply this technique is related to each specific system and each specific trajectory, thus making the application of ILC to UAVs difficult. The problem of transfer learning is the one that addresses this issue and it consists in finding a technique which allows to share the acquired knowledge in order to apply it in different scenarios. The purpose of this thesis is to develop an innovative transfer learning algorithm, that exploits what has been learnt in the training phase of a source system and that employs this knowledge on a target system. Specifically, this work focuses on an H-infinity optimisation-based definition of a dynamical transfer map that allows to transform the input signal learnt on a source system to the input signal needed for a target system to execute the same task. The proposed H-infinity-based approach to transfer learning is implemented and tested through various simulations. Eventually, it is successfully validated experimentally using two quadrotors.

L’inseguimento di traiettoria è sempre stato un classico problema nelle applicazioni dei sistemi di controllo ed è diventato sempre più importante dall’avvento degli aeromobili a pilotaggio remoto (UAV). Quando non è presente un pilota, il sistema di controllo deve reagire automaticamente a qualsiasi condizione imprevista, preservando al contempo il livello delle prestazioni. Nonostante i classici controllori in anello chiuso siano tipicamente utilizzati, questi non sono adatti per manovre più complesse: in questi casi è necessario l’utilizzo di tecniche di controllo più complesse. Una di queste è il controllo per apprendimento iterativo (ILC), il quale permette di apprendere, appunto, l’input ottimale necessario per inseguire perfettamente una certa traiettoria attraverso la stima, e conseguente anticipazione, di tutti i disturbi ripetitivi. Tuttavia la fase di apprendimento necessaria per applicare questa tecnica è legata a ciascuno specifico sistema ed a ciascuna specifica traiettoria, rendendo quindi l’applicazione dell’ILC sugli UAV difficoltosa. Il problema del trasferimento di apprendimento è quello che affronta questo argomento e consiste nel trovare una tecnica che permetta di condividere la conoscenza acquisita e di applicarla in scenari differenti da quello di partenza. L’obiettivo di questa tesi è quello di sviluppare un algoritmo di trasferimento di apprendimento che sfrutti ciò che è stato appreso nella fase di addestramento di un sistema sorgente e utilizzi questa conoscenza su un sistema target. Più nello specifico, questo lavoro è focalizzato sulla definizione di una mappa di trasferimento dinamica basata su un’ottimizzazione H-infinito che permetta di trasformare l’input appreso su un sistema sorgente nell’input necessario affinché un sistema target esegua lo stesso compito. L’approccio di tipo H-infinito proposto per il trasferimento di apprendimento è implementato e testato attraverso varie simulazioni. Infine è validato sperimentalmente con successo utilizzando due quadrirotori.