基于对抗强化学习的鲁棒固定翼飞机控制：面对模型不确定性
最优化与控制
2025-10-21 v1 系统与控制
系统与控制
摘要
本文提出一种基于强化学习的固定翼小型无人机系统（sUAS）路径跟踪控制器，能够抵御 sUAS 气动模型不确定性的影响。该控制器采用鲁棒对抗强化学习框架进行训练，其中对手（adversary）对环境（气动模型）施加扰动，以暴露 agent（sUAS）于挑战性场景。在我们的模型中，对手对气动模型系数引入速率受限扰动。我们展示了，对抗训练相对于使用随机模型不确定性训练的控制器具有更好的鲁棒性。所学得的控制器还与一种被动的 uncertain initial condition 控制器进行了基准测试。通过使用真实的六自由度固定翼飞机模型进行高保真仿真，验证了该方法在多种不确定气动条件下均能实现准确且稳健的路径跟踪性能。
引用
@article{arxiv.2510.16650,
title = {Adversarial Reinforcement Learning for Robust Control of Fixed-Wing Aircraft under Model Uncertainty},
author = {Dennis J. Marquis and Blake Wilhelm and Devaprakash Muniraj and Mazen Farhood},
journal= {arXiv preprint arXiv:2510.16650},
year = {2025}
}