Learning-based and classic control systems design for multi-rotor UAVs

In recent decades, the progression of autonomous vehicle technologies has been marked by consistent advancement. This evolution, driven by versatility, technological achievements, and cost reductions, has facilitated the widespread adoption of quad-rotor drones and autonomous vehicles across diverse research domains. Essential functionalities such as environmental perception, path planning, and, notably, trajectory tracking underscore the operational requirements of autonomous vehicles. Adhering to a predefined trajectory is pivotal in achieving mission success. However, the absence of precise dynamic models poses a significant obstacle to developing control systems that ensure optimal tracking performance and robustness. Addressing this challenge is crucial for unleashing the full potential of quad-rotor drones and autonomous vehicles in practical applications. Mixed sensitivity synthesis is popular because it is a control system design methodology crucial for robust performance amidst uncertainties and disturbances. This approach ensures stability while enabling precise tracking and disturbance rejection. In dynamic environments like aerial maneuvers, where external factors can disrupt flight, mixed sensitivity synthesis offers a systematic solution for designing controllers that enhance reliability and performance. Furthermore, Gaussian processes (GPs) have emerged as powerful tools in learning-based control techniques due to their ability to model complex and uncertain dynamics flexibly and probabilistically. By representing functions as distributions over possible functions, GPs enable efficient estimation of system dynamics and uncertainties, which is crucial for robust control design. This thesis aims to design effective control systems for multi-rotor UAVs with different mass and geometric characteristics. It is divided into two parts. The first part of the thesis introduces the established method of mixed sensitivity synthesis utilized in crafting a lateral control mechanism for a specific type of multi-rotor UAV. This control framework is subsequently deployed across other surveyed multi-rotor UAVs, each varying in mass and geometric properties, to evaluate its efficacy. This evaluation incorporates the concept of the Froude scaling technique. Furthermore, the robustness of these control systems is assessed using the Nyquist stability approach and μ-analysis technique, adhering to the outlined investigation criteria. The second part presents the learning-based control system designed to exploit the differential flatness of the nonlinear quadrotor UAV. The Gaussian process, a Bayesian nonparametric machine learning tool that has become popular because it also provides uncertainty estimates for the predictions made, is implemented in the control system to improve the trajectory tracking performance by predicting the unmodeled dynamics of the nonlinear system. Finally, the designed learning-based control system in the second part is implemented into a real-time platform and simulator of the investigated quadrotor UAV.

Negli ultimi decenni, il progresso delle tecnologie dei veicoli autonomi è stato caratterizzato da progressi costanti. Questa evoluzione, guidata dalla versatilità, dai risultati tecnologici e dalla riduzione dei costi, ha facilitato l’adozione diffusa di droni quad-rotore e veicoli autonomi in diversi settori di ricerca. Funzionalità essenziali come la percezione ambientale, la pianificazione del percorso e, in particolare, il monitoraggio della traiettoria sottolineano i requisiti operativi dei veicoli autonomi. Aderire ad una traiettoria predefinita è fondamentale per raggiungere il successo della missione. Tuttavia, l’assenza di modelli dinamici precisi rappresenta un ostacolo significativo allo sviluppo di sistemi di controllo che garantiscano prestazioni e robustezza di tracciamento ottimali. Affrontare questa sfida è fondamentale per liberare tutto il potenziale dei droni quad-rotore e dei veicoli autonomi nelle applicazioni pratiche. La sintesi di sensibilità mista è popolare perché è una metodologia di progettazione del sistema di controllo cruciale per prestazioni robuste in mezzo a incertezze e disturbi. Questo approccio garantisce stabilità consentendo al tempo stesso un tracciamento preciso e la reiezione dei disturbi. In ambienti dinamici come le manovre aeree, dove fattori esterni possono disturbare il volo, la sintesi di sensibilità mista offre una soluzione sistematica per la progettazione di controller che migliorano l’affidabilità e le prestazioni. Inoltre, i processi gaussiani (GP) sono emersi come potenti strumenti nelle tecniche di controllo basate sull’apprendimento grazie alla loro capacità di modellare dinamiche complesse e incerte in modo flessibile e probabilistico. Rappresentando le funzioni come distribuzioni su possibili funzioni, i GP consentono una stima efficiente delle dinamiche e delle incertezze del sistema, che è cruciale per una progettazione solida del controllo. Questa tesi mira a progettare sistemi di controllo efficaci per UAV multi-rotore con diverse caratteristiche di massa e geometriche. È diviso in due parti. La prima parte della tesi introduce il metodo consolidato di sintesi di sensibilità mista utilizzato nella realizzazione di un meccanismo di controllo laterale per un tipo specifico di UAV multirotore. Questo quadro di controllo viene successivamente implementato su altri UAV multirotore esaminati, ciascuno diverso in termini di massa e proprietà geometriche, per valutarne l’efficacia. Questa valutazione incorpora il concetto della tecnica di scaling di Froude. Inoltre, la robustezza di questi sistemi di controllo viene valutata utilizzando l’approccio di stabilità di Nyquist e la tecnica di analisi μ, aderendo ai criteri di indagine delineati. La seconda parte presenta il sistema di controllo basato sull’apprendimento progettato per sfruttare la planarità differenziale dell’UAV quadrirotore non lineare. Il processo gaussiano, uno strumento di apprendimento automatico bayesiano non parametrico diventato popolare perché fornisce anche stime di incertezza per le previsioni effettuate, è implementato nel sistema di controllo per migliorare le prestazioni di tracciamento della traiettoria prevedendo la dinamica non modellata del sistema non lineare. Infine, il sistema di controllo basato sull’apprendimento progettato nella seconda parte viene implementato in una piattaforma in tempo reale e in un simulatore dell’UAV quadrirotore analizzato.