Prediktivní řízení nelineárního modelu s ohledem na vnímání pro závody autonomních dronů

Abstract

Tato diplomová práce se zabývá vývojem nelineárního prediktivního řízení (NMPC) optimalizující palubní vidění bezpilotních vzdušných prostředků (UAV) určené pro autonomní závodění dronů, kde je odhad stavu prováděn výhradně pomocí palubních senzorů, konkrétně kombinací algoritmů vizuálně-inerciální odometrie (VIO) a odhadu polohy z pozorovaných závodních branek. V závodních scénářích je klíčové vyhýbat se kolizím s brankami při letu blízko fyzických limitů UAV a zároveň zajistit dobrou viditelnost branek kamerou pro přesný odhad stavu. Navrhovaný řídicí systém rozšiřuje stávající NMPC zavedením cílů orientovaných na vnímání a prostorových omezení (soft constraints), která snižují riziko kolize. Tyto cíle zahrnují minimalizaci úhlu mezi hlavní osou kamery a středem branky spolu s minimalizací rychlosti obrazu branky v kameře. Tunelovitá prostorová omezení přizpůsobují funkci penalizace polohy tak, aby přísněji penalizovala odchylky ve směru kolmém na referenční trajektorii při letu v blízkosti branek. Simulace ukázaly, že volba středu branky jako bodu zájmu zvyšuje viditelnost a pravděpodobnost detekce branky, což zlepšuje kvalitu odhadu stavu. Zavedená omezení výrazně snižují pravděpodobnost kolize při sledování referenčních trajektorií s vysokým zrychlením a dynamicky náročnými manévry, avšak za cenu přibližně 50% nárůstu výpočetního času řízení. Nakonec byla zkoumána potenciální kompatibilita navrhovaného NMPC s dynamickým plánováním trajektorie v závodních scénářích. Zároveň bylo porovnáno s nejmodernějšími přístupy, přičemž prokázalo schopnost sledovat agilní trajektorie s časem letu a s úspěšností které jsou srovnatelné s jinými pracemi.

This thesis focuses on developing a perception-aware Nonlinear Model Predictive Controller (NMPC) for Unmanned Aerial Vehicles (UAV)s in autonomous drone racing, where state estimation relies solely on onboard sensors using Visual Inertial Odometry (VIO) combined with pose estimation from observed racetrack gates. In drone racing, it is crucial to avoid gate collisions while flying near the UAVs physical limits and ensure good gate visibility for precise state estimation. The proposed controller extends existing NMPC by introducing perception-aware objective and soft spatial constraints to reduce collision risk. These objectives include minimization of the angle between the cameras principal axis and the gate center, as well as the velocity of the gate in the image plane. Tunnel-shaped spatial constraints adapt the position penalty function to impose stricter penalties for lateral deviations from the reference trajectory near gates. Simulated experiments show that choosing the gate center as the point of interest increases gate visibility and detection probability, potentially improving state estimation. The constraints significantly reduce collision probability when tracking high-acceleration, dynamically challenging trajectories but increase control computation time by about 50%. Finally, the proposed NMPC is investigated for its potential compatibility with dynamic trajectory replanning in racing scenarios and is compared to state-of-the-art approaches, showing the ability to achieve agile trajectory tracking with competitive lap times and success rates.