Aircraft maneuver control has been an important component in diverse areas ranging from traditional aircraft designs to drone development and computer simulations. For instance, high-resolution aerial engagement simulation is a key to reliable battle experiments, and it requires a detailed aircraft maneuver model to reflect the aircraft and the air-dynamics in the real world. High-resolution aerial engagement simulation requires a maneuver control model that satisfies various maneuver goals, such as waypoint navigations, attitude control, etc.
To meet the maneuver goals, a control model can be implemented using a conventional controller such as Proportional Integral Derivatives (PID) control method. This traditional approach suffers from two aspects. First, tuning parameters of PID is a difficult task, which requires a deep understanding of the target domain including the dynamics model of the controlled aircraft; and the tuning tasks can be time-consuming, especially when the complexity of the control system and the numbers of parameters to be tuned are high. Second, the PID controller requires many assumptions and predefined air-dynamics characteristics. These data are garnered from extensive tests, and the measured data are applied to a general dynamics model with various assumptions.
This dissertation presents a new method of designing a flight control model suitable for the aircraft dynamics model used in the engagement simulation. The proposed method is a data-driven control method and utilizes the black-box model of the controlled process. In my study, the Gaussian process (GP) is adopted to obtain a black-box response model of underlying nonlinear systems. GP is a representative nonparametric method and flexible enough to describe complex nonlinear systems. Experimentally collected data from flight tests are used to obtain black-box models of the controlled aircraft. These black-box models do not require detailed knowledge of the plant dynamics. And I apply the Bayesian optimization method to find the global optimal value with only a small number of experiments.
After identifying the black-box model of the plant using the Gaussian process and the Bayesian optimization method, I try to find optimal control with unknown controller structure using an optimal piecewise constant control. In reality, a pilot generates a micro-adaptive control, but we consider an experienced pilot might keep a constant control if the pilot can expect the given control will deliver the desired state. If we have information on the structure of the controller, we can find the optimal control based on it. I suggest a method to automatically tune controller parameters without requiring the underlying dynamics model. I consider proportional-integral-derivative controllers (PID controllers)
In the first study, I propose a new method of designing a data-driven controller for an aircraft maneuver. Assuming that we do not have knowledge on the controller and the controlled aircraft, I propose a controller design with explorations on the control inputs and their responses from the aircraft. Specifically, I utilize Bayesian optimizations with Gaussian process (GP) regression for black-box modeling on the aircraft responses from the explored controls, which are selected as samples to experiment in Bayesian optimization.
I test the proposed controller with a rigid six degree-of-freedom (DoF) nonlinear aircraft model by varying kernel structures of GP regressions. My proposed method shows shorter flight time and smaller deviations to navigate fixed waypoints compared to the manually tuned PID controller. The proposed controller can be an alternative to the PID control, particularly when both the controller structure and controlled process model information are unknown.
The second study focuses on the development of an automatic controller tuning framework combining Bayesian optimization with PID tuning for aircraft maneuvering. If we have information on the structure of the controller, we can find the optimal control based on it. I suggest a method to automatically tune controller parameters without requiring the underlying dynamics model. I consider proportional-integral-derivative controllers (PID controllers) as a gray-box controller model. This method can produce micro-level inputs in continuous time.
The proposed studies are data-driven control approaches to design a controller directly using I/O data without any information on the mathematical model of the controlled process. Using the proposed methods, we can find out the optimal design with only a few experiments on the target plant and find globally optimal control value, not the local optimal value. The proposed methods will be useful for developing the aircraft maneuver control model which is essential in the engagement simulation.
항공기 기동 제어는 전통적인 항공기 설계에서부터 무인항공기 개발, 그리고 컴퓨터 시뮬레이션에 이르기가지 다양한 분야에서 중요한 구성 요소로 자리잡고 있다. 예를 들어, 해상도가 높은 공중전 시뮬레이션은 신뢰성있는 전투 실험을 위한 핵심 요소이며, 시뮬레이션을 위해서는 실제 항공기의 동역학을 충실히 반영하는 상세한 항공기의 기동 모델이 필요하다. 뿐만아니라, 고해상도 공중전 시뮬레이션은 경로기동, 항공기의 자세제어 등과 같은 다양한 기동 목표를 달성하기 위한 항공기 기동 제어 모델도 필요로 한다.
기동 목표를 달성하기 위해 항공기 기동 제어 모델은 비례-적분-미분 (PID) 제어 방법과 같은 기존 컨트롤러를 사용하여 구현할 수 있다. 그러나 기존의 전통적인 제어 방법은 두 가지 측면에서 어려움을 겪고 있다.
첫째, PID 컨트롤러를 구성하는 각 요소들의 이득값을 조정하는 것은 어려운 작업이며, 최적의 조정을 위해서는 제어 대상이 되는 항공기의 동역학 모델을 포함하여 대상 도메인에 대한 깊은 이해를 필요로 한다. 특히 대상 시스템이 복잡하고, 복잡한 컨트롤러의 구조로 인해 조정해야 할 파라미터의 수가 많은 경우에 조정에 시간이 오래 걸릴 수 있다. 둘째, PID 제어기는 대상 시스템에 대한 많은 가정을 필요로 한다.
이 논문은 교전 시뮬레이션에서 사용되는 항공기 동역학 모델에 적합한 비행 제어 모델을 설계하는 새로운 방법을 제시한다. 제안하는 방법은 제어 대상 시스템을 알지 못하고, 그렇지만 대상 시스템에 대해서 실험은 할 수 있다는 가정하에 컨트롤러를 개발하는 데이터 기반의 제어 방법이다. 이 방법에서 대상 시스템은 블랙박스로 모델링 되며, 비선형 시스템의 블랙박스 반응 (response) 모델을 얻기 이해 가우시안 프로세스 (Gaussian Process, GP) 를 활용한다. 가우시안 프로세스는 대표적인 비모수적(nonparametric) 방법이며, 복잡한 비선형 시스템을 묘사할 수 있도록 충분히 유연하다. 항공기의 블랙박스 모델을 얻기 위해 비행 시뮬레이션을 통해 실험데이터를 수집한다. 이 블랙박스 모델을 획득하기 위해 대상 플랜트의 동역학에 대한 상세한 지식을 필요로 하지 않는다.
그리고 우리는 작은 실험횟수 만으로 전역적인 최적값을 찾기 위해 베이지안 최적화 (Bayesian Optimization, BO) 방법을 적용한다. 가우시안 프로세스와 베이지안 최적화 방법을 사용하여 항공기 기동 모델의 블랙박스 모델을 획득한 후, 구간 정치제어 (piecewise constant control)를 통해 최적 제어값을 찾는다. 이 방법은 컨트롤러 구조에 대한 사전 지식이 없을 경우 적용될 수 있다. 실제 조종사는 연속 시간에 따라 미세한 적응 제어를 하겠지만, 경험이 풍부한 조종사는 결국 원하는 지점에 도달한다는 기대하에 구간 정치제어를 통해 항공기를 제어할 수 있을 것이다. 컨트롤러의 구조에 대한 지식이 있는 경우에는 구조에 대한 사전 지식을 바탕으로 최적의 제어값을 찾을 수 있다. 이 경우에는 PID 컨트롤러의 파라미터를 자동으로 조정하는 방법을 제안한다.
첫 번째 연구에서는 항공기 기동을 위해 데이터 기반으로 컨트롤러를 설계하는 새로운 방법을 제안한다. 항공기 기동 모델과 컨트롤러 대한 지식이 없다고 가정 할 때, 우리는 제어 입력에 대한 항공기의 응답을 실험함으로써 컨트롤러를 설계하는 방법을 제시한다. 새로운 실험을 통해 탐험되는 항공기의 응답을 블랙 박스로 모델링 하기 위해 가우시안 프로세스 (GP) 회귀 분석을 활용하고, 최적의 다음 실험 지점을 찾기 위해 베이지안 최적화 방법을 이용한다. GP 회귀에서 커널 함수의 구조를 변화시켜가며, 제안한 컨트롤러를 6 자유도 (Degree-of-Freedom, DoF) 비선형 항공기 모델에서 실험한다. 제안한 방법은 수동으로 조된 PID 컨트롤러에 비해 경로 비행을 위한 시간이 짧게 소요되었으며, 경로점과의 편차도 작음을 확인하였다. 제안하는 방법은 특히 컨트롤러의 구조와 대상 플랜트 모델에 대한 정보가 알려지지 않은 경우 PID 제어의 대안이 될 수 있을 것으로 기대한다.
두 번째 연구는 항공기 기동 제어를 위해 PID 파라미터 튜닝에 베이지안 최적화 방법을 적용하는 것을 제안한다. 컨트롤러의 구조에 대한 정보가 있으면 주어진 구조를 기반으로 최적의 컨트롤러 파라미터를 찾을 수 있다. 이 방법 역시 대상 플랜트의 동역학 모델을 필요로 하지 않으며, 컨트롤러의 파라미터를 자동으로 튜닝할 수 있다. 이 방법에서는 구간 정치제어와 달리 연속적인 기동 조종 명령을 생성할 수 있다.
제안한 방법은 대상 플랜트의 수학적 모델 없이 플랜트의 입출력 응답 만으로 컨트롤러를 설계하는 데이터 기반 제어 방법이다. 제안한 방법을 사용하여, 적은 횟수의 실험만으로 전역적으로 최적의 제어값 및 컨트롤러 파라미터를 찾을 수 있다. 제안한 방법은 교전 시뮬레이션에서 필수적인 항공기 기동 제어 모델을 개발하기 위한 유용한 도구가 될 것이다.
