Návrh nelineárního optimálního systému řízení pro dynamicky svázané autonomní letecké prostředky

Abstract

Popularita moderních technik strojového učení a optimalizace je v současnosti podpořena pokrokem z pohledu výkonu a miniaturizace vestavěných počítačových platforem. V řadě průmyslových odvětví lze proto nyní považovat implementaci technik strojového učení a optimalizace za možnou a žádoucí. Techniky navádění, navigace a řízení (GNC) jsou kritické pro autonomii vzdušných i pozemních prostředků. Vývoj algoritmů GNC se primárně spoléhá na návrh založeném na modelu, který vychází z principů fyziky a vede k vysvětlitelnému a verifikovatelnému řešení. Zvýšené požadavky spolu s dynamicky se měnícím prostředím představují výzvu pro současné algoritmy GNC a motivují využití mechanismů založených na učení a adaptaci. Související výzvou pro využití takovýchto systému v kritických aplikacích je nutnost integrace vestavěných obranných mechanismů zabezpečujících jejich stabilitu a provedení verifikace a validace. Cílem práce je navrhnout systém GNC pro bezpilotní dron modifikovaný pro integrovanou robotickou manipulaci s využitím optimálního řízení a strojového učení pro dosažení robustního, vysvětlitelného a bezpečného řízení. Navržený statistický přístup založen na náhradním modelu je použit v rámci verifikace systému. Následná evaluace pravděpodobnosti selhání systému je důležitá v rámci jeho integrace do relného světa, která vyžaduje certikaci příslušnými úřady.The popularity of state-of-the-art machine learning and optimization techniques is currently accelerated by the advancements in computational power and miniaturization of embedded computers. In many industrial applications, the use of machine learning and optimization techniques now becomes a viable and preferred option. Guidance, Navigation, and Control (GNC) techniques are critical for enabling both aerial and ground vehicle autonomy. The development of GNC algorithms primarily relies on a model-based design using the first principle approach, which leads to explainable and verifiable solutions. The increasing requirements and dynamically changing environments challenge the current state-of-the-art GNC approaches and promote the use of data-driven and adaptive systems. An associated challenge is the integration into safety-critical applications, which requires the development of protecting mechanisms as well as conducting verification and validation procedures. The goal of this thesis is to design, implement, and test a GNC system for an Unmanned Aerial Vehicle modified for aerial grasping missions while incorporating optimal control and machine learning components, enabling the creation of a robust, explainable, and safe control. A statistics-based approach utilizing surrogate modeling techniques is proposed for the system's safety validation, treating the system as a black-box. The subsequent evaluation of the system's failure probability is paramount for real-world integration endeavors requiring certification by respective regulation authorities.