用于四旋翼 SO(3) 姿态控制中在线扰动辨识的切片学习框架

本文介绍了一种名为切片学习的维度分解几何学习框架，用于四旋翼几何姿态控制中的扰动辨识。不同于传统的从状态学习，该框架采用从误差学习的策略，使用李代数误差表示作为输入特征，在保持 SO(3) 结构的同时实现了轴向上的空间分解（“切片”）。这与神经科学中观察到的认知控制的几何机制高度一致，即神经系统在结构化子空间内组织适应性表征，以实现认知灵活性和效率。基于此框架，我们开发了一个轻量级且结构可解释的切片自适应神经映射（SANM）模块。用于在线辨识的高维映射被轴向“切片”为多个低维子映射（“切片”），由浅层神经网络和自适应律实现。这些神经网络和自适应律通过各自共享子空间内基于李雅普诺夫的自适应进行在线更新。为了增强可解释性，我们证明了在时变扰动和惯性不确定性下仍具有指数收敛性。据我们所知，切片学习是首批在资源受限的微控制器单元（MCU，如 STM32）上以 400 Hz 频率演示轻量级在线神经自适应，并通过真实世界实验验证的框架之一。