Learning to Fly like a Bird (MIT)

2023 DEC 09

> 2. Amazing Flying Machines

 새나 박쥐, 물고기 등의 생명체가 유체 속에서 빠른 방향전환을 할 수 있는 것은 large suction vortex를 형성하는 unsteady fluid dynamics를 이용하기 때문이다.

> 4. A Machine Learning Problem

새의 규모 (새 날개의 MAC)를 고려하면 Re가 10^3 ~ 10^5 정도로, Intermediate Re number이다. 이 구간에서는 flow is complicated but structured, 그리고 turbulence로의 전환이 시작되는 시점이다.

Navier-Stokes eqn.이 있긴 하지만, CFD로 풀어내려면 너무 오래걸리는데다가 경계조건을 어떻게 설정하는지, 날개 특징을 어떻게 잡는지에 따라 민감하게 해가 바뀌기 떄문에 아직 CFD로 해석하고 제어하는 건 어렵다.

1) Learning Approximate Models

Physics 수식을 dimensionality reduction을 통해 단순화하는 방법이 있지만, 충분히 정확한 해석을 보장해 줄 수 있는가는 의문.

새들은 기껏해야 partially observable한 공기의 흐름을 어떻게 재빠르게 감지하고 반응하는가.

2) Algorithms for Feedback Control Design

공기 흐름이 fully observable하더라 치더라도 underactuated, control delay, continuum 역학 가정인 상황에서는 이 고차 상태공간 (?) 문제를 풀어내기 어렵다.

3) When Modelling Fails

제한된 observability, 강한 비선형성, 유체상태의 변동 등으로 모델이 실제경우와 많이 차이가 날 테다.

이런 경우 robust control을 쓸 수 있지만, 굉장한 control authority를 요구하기 때문에 강인제어기는 아주 보수적인 행동만을 취하게 된다. 

RL 등 머신러닝은 model-free 방식을 취할 수 있기 때문에, 머신러닝을 이용해서 모델과 실제의 간극을 메울 수 있지 않을까 기대된다. 

> 5. A Perching Airplane

일반적인 전투기는 코브라 기동 등의 비선형 공기역학까지 소화하도록 제어기가 설계되지 않았기 때문에 충분한 정밀도로 perch 할 수 없다고 사료된다.

그래서, 적절한 비선형 피드백 제어기를 설계하면 가능하지 않을까 싶었다.

방법은

0) 작은 글라이더를 foam으로 만듬. passive roll&yaw stability, single actuator (elevator).

1) 커스텀 발사대에서 글라이더를 200번 정도 발사하며 open loop post-stall 모션 켑처 데이터 수집.

   (이 때, 고려된 flight envelop내에서 범위를 설정하고 AoA x elevator angle 조합을 달리한다.

2) 수집된 데이터를 이용해 최적제어 문제를 정의

3) 정의된 최적제어 문제의 해를 근사

   ex) dynamic programming, OL trajectory optimization, local trajectory stabilization

저자가 말하는 성공의 비결은

1) longitudinal 제어만 고려해서 parameter 수를 7로 최대한 줄여 state vector를 짧게

2) 상당히 정확한 모델을 이용해 model-based 피드백을 이뤄냄

이 연구는 바람 없는 실내에 한정. 실은 perch 할 때 속도가 0에 근접하게 되면서 control authority도 거의 없어진다 함.

그래서 새들이 perch 시 날개를 퍼덕거리는 이유가 control authority 유지 목적이 아닐까 추측.

> 6. Learning Flapping Flight

perching glider와 다르게, flapping 공기역학은 low-order statical model로 잡아내기 어려움.