基于实时高斯过程的四旋翼无人机未知扰动模型预测控制
系统与控制
2022-10-17 v1 系统与控制
摘要
高斯过程（GP）回归已被证明是预测扰动与模型失配并将该信息纳入模型预测控制（MPC）预测中的有力工具。遗憾的是，经典 GP 的推断与学习的计算复杂度为立方级，难以满足实时应用需求。因此 GP 通常在离线状态下训练，这不适用于学习扰动，因为其动态可能随时间变化。近来，GP 的状态空间表述被提出，使得推断与学习具有线性计算复杂度。本文提出一种框架，能够在四旋翼上实现扰动动态的在线学习，借助 GP 的状态空间表述可在毫秒内执行。所获得的扰动预测与 MPC 相结合，在 jMAVSim 仿真中带来显著的性能提升。计算负担在 Raspberry Pi 4 B 上进行了评估，以证明其实时适用性。
引用
@article{arxiv.2210.07836,
title = {A real-time GP based MPC for quadcopters with unknown disturbances},
author = {Niklas Schmid and Jonas Gruner and Hossam S. Abbas and Philipp Rostalski},
journal= {arXiv preprint arXiv:2210.07836},
year = {2022}
}
备注
Published at American Control Conference (ACC 2022), Atlanta, GA, USA, June 8 to 10, 2022