Learning quadcopter dynamics from data

Autonomous quadcopters are increasingly expected to perform maneuvers at high speed, quickly adapt to changing operating conditions and perform complex maneuvers quickly and precisely. These challenging tasks require nonlinear control methods, for which an accurate dynamical model with precise knowledge of the physical parameters of the drone is necessary.  The aim of this student project is to find solution to the problem when a reliable model is not available and it has to be constructed from measurement data collected during flight experiments.  For this, a first principle dynamical model is augmented with a learning component (Gaussian process, neural network, etc.), which is then tuned by a suitably chosen learning algorithms.  The task of the student applying for this project is to become familiar with the dynamic modeling of quadcopters, to select the learning structure, to collect measurement data from simulated and real drone flights, and finally to tune the model with suitably selected training methods. The last step is the validation of the model in open and closed loop control scenarios. The necessary tools (simulation environment, real Crazyflie and Bumblebee drones, and the complete HW / SW infrastructure to perform the flight experiments) are provided by the AIMotionLab laboratory of SZTAKI.

Requirements: solid background in linear algebra and mathematical analysis; basic knowledge in system theory and numerical optimization; programming skills; experience in Matlab and Python.

Kvadkopter dinamikus modelljének meghatározása gépi tanulással

Autonóm kvadkopterekkel szemben egyre inkább elvárás a nagy sebességgel történő manőverezés, a változó működési körülményekhez való gyors alkalmazkodás valamint komplex manőverek gyors és pontos végrehajtása. Ezeknek a feladatoknak a megoldása nemlineáris szabályozási módszerekkel lehetséges, amelyek megtervezéséhez szükség van a drón pontos dinamikus modelljére, a fizikai paraméterek pontos ismeretére. Jelen önálló labor feladat annak a problémának a kezelését tűzi ki célul, amikor megbízható modell nem áll rendelkezésre, hanem azt a drón repülése közben gyűjtött adatokból kell létrehozni. Ennek érdekében a fizikai összefüggések alapján meghatározott modellstruktúrát alkalmas tanuló komponenssel (Gauss folyamat, neurális háló, stb.) egészítjük ki (model augmentation), amelyet ezután megfelelően megválasztott tanulási eljárással hangolunk. A témára jelentkező hallgató feladata a kvadkopter dinamikus modelljének megismerése, a tanuló strukúra megválasztása, mérési adatok gyűjtése szimulált és valós drónokkal végzett repülési kísérletekből, a modell behangolása alkalmasan választott tanítási eljárásokkal, végül a modell validációja nyílt illetve zárt szabályozási körben. A feladat elvégzéséhez szükséges eszközöket (szimulációs környezet, valós Crazyflie és Bumblebee drónok és az azok vezérléséhez szükséges teljes HW/SW infrastruktúra) a Sztaki AIMotionLab laborja  biztosítja.

Szükséges előismeretek: lineáris algebra és analízis ismeretek; rendszerelmélet és numerikus optimalizálás alapok; programozói képesség; Matlab és Python programozási nyelvek ismerete