基于最优性原理深度网络表示的四旋翼飞行器激进在线控制
机器人学
2021-09-23 v1
摘要
最优控制具有改善多种机器人应用的巨大潜力。由于当前最先进实现的大量计算需求，最优控制在板载受限平台上的应用受到严重阻碍。在本工作中，我们利用深度神经网络直接将机器人状态映射为控制动作。该网络离线训练以模仿由耗时直接非线性方法计算出的最优控制。我们考虑时间最优与功率最优的混合，并使用延续参数来选择各目标的支配地位。我们将我们的网络（称为 G&CNets）应用于激进四旋翼控制，先在仿真中，然后在真实世界中。我们深入分析了影响离线最优控制方法所用四旋翼模型与真实四旋翼之间“现实差距”的因素。此外，我们解释了如何在真实四旋翼上建立模型与控制结构，以成功弥合这一差距并在真实世界中执行时间最优机动。最后，将 G&CNets 的性能与最先进的基于微分平坦性的最优控制方法进行比较。我们在实验中表明，G&CNets 由于所允许的状态到输入映射限制较少等原因，带来了显著更快的轨迹执行。
引用
@article{arxiv.1912.07067,
title = {Aggressive Online Control of a Quadrotor via Deep Network Representations of Optimality Principles},
author = {Shuo Li and Ekin Ozturk and Christophe De Wagter and Guido C. H. E. de Croon and Dario Izzo},
journal= {arXiv preprint arXiv:1912.07067},
year = {2021}
}
备注
6 pages, 8 figures