一种神经网络控制器的快速初始化方法：以多旋翼拦截的基于图像视觉伺服控制为例
系统与控制
2025-09-24 v1 机器学习
机器人学
系统与控制
摘要
基于强化学习的控制器设计方法在初始训练阶段通常需要大量数据。此外，训练过程往往表现出较强的随机性与缓慢的收敛速度，常需耗费大量时间或高昂的计算资源。另一类学习方法结合 Lyapunov 稳定性理论，以获取具有稳定性保证的控制策略。然而，这些方法通常在训练开始时需要一个初始稳定的神经网络控制策略。显然，稳定的神经网络控制器不仅可以作为强化学习的初始策略，使训练专注于提升控制器性能，还可以作为基于学习的 Lyapunov 控制方法的初始状态。尽管可以使用传统控制理论设计稳定的控制器，但设计者仍需具备大量的控制设计知识，以应对日益复杂的控制问题。本文提出的神经网络快速初始化方法，通过基于系统模型构建符合稳定性条件的数据集，实现了神经网络控制策略的初始训练。此外，以多旋翼拦截的基于图像视觉伺服控制为案例，进行了仿真与实验以验证所提方法的有效性与实际性能。在实验中，训练得到的控制策略实现了 15 m/s 的最终拦截速度。
引用
@article{arxiv.2509.19110,
title = {A Fast Initialization Method for Neural Network Controllers: A Case Study of Image-based Visual Servoing Control for the multicopter Interception},
author = {Chenxu Ke and Congling Tian and Kaichen Xu and Ye Li and Lingcong Bao},
journal= {arXiv preprint arXiv:2509.19110},
year = {2025}
}