Learning-based quadrotor tracking control using recursive gaussian processes

The recent breakthroughs in machine learning have driven significant advancements in autonomous vehicle technologies, which are becoming increasingly common in our society. Fundamental to the proper functioning of autonomous vehicles is the problem of trajectory tracking. However, in many cases, such as with Unmanned Aerial Vehicles (UAVs), the lack of accurate dynamic models makes it difficult to design controllers that are both high-performance and robust. For this reason, in recent years, many researchers have developed learning-based controllers that require less prior knowledge of the model compared to classical methods. The goal of this thesis is to design a learning-based controller for a simplified quadrotor platform and validate it in a real-world scenario. By exploiting the property of differential flatness, a Feedback Linearization controller is used to linearize the system, while a Recursive Gaussian Process, a Bayesian inference method combined with a recent sparsification technique, is employed to compensate for residual nonlinear dynamics. Simulation results show that the proposed approach is effective in compensating for the non-linear mismatch, improving the tracking performance. Additionally, compared to previous work, the controller is validated on a real 1D quadrotor platform. Moreover, the thesis employs non-causal estimation during operation to filter data points used for real-time training of the Recursive Gaussian Process.

Le recenti scoperte nel campo del machine learning hanno portato a progressi significativi nelle tecnologie dei veicoli autonomi, che stanno diventando sempre più comuni nella nostra società. Fondamentale per il corretto funzionamento dei veicoli autonomi è il problema del tracciamento della traiettoria. Tuttavia, in molti casi, come ad esempio con i Veicoli Aerei Senza Pilota (UAV), la mancanza di modelli dinamici accurati rende difficile la progettazione di controllori che siano allo stesso tempo performanti e robusti. Per questo motivo, negli ultimi anni, molti ricercatori hanno sviluppato controllori basati sull'apprendimento che richiedono una minore conoscenza preliminare del modello rispetto ai metodi classici. L'obiettivo di questa tesi è progettare un controllore basato sull'apprendimento per un quadrotore semplificato e validarlo in uno scenario reale. Sfruttando la proprietà di flatness differenziale, viene utilizzato un controllore con Feedback Linearization (FL) per linearizzare il sistema, mentre un Processo Gaussiano Ricorsivo, un metodo di inferenza bayesiana combinato con una recente tecnica di sparsificazione, viene impiegato per compensare le dinamiche non lineari residue. I risultati delle simulazioni dimostrano che l'approccio proposto è efficace nel compensare il \textit{mismatch} non lineare, migliorando le prestazioni del tracciamento. Inoltre, rispetto ai lavori precedenti, il controllore viene validato su un quadrotore monodimensionale reale. Infine, la tesi utilizza uno stimatore non causale durante il funzionamento per filtrare i punti dati utilizzati per l'addestramento in tempo reale del Recursive Gaussian Process.