基于情境神经移动视窗估计的鲁棒四旋翼控制

四旋翼上的自适应控制器通常依赖对扰动的估计以确保轨迹跟踪的鲁棒性。由于现实世界中环境情境的内在变异性和不确定性，对扰动进行跨多样化环境情境的估计具有挑战性。此类估计器需要针对特定情境进行大量微调，这使得它们对变化的情境缺乏灵活性和鲁棒性。机器学习方法，例如训练神经网络来调整估计器的参数，具有前景。然而，无法跨所有可能的环境情境收集数据。此外，同样的估计器参数可能适用于“相邻”情境，因而效率低下。本文提出了一种顺序决策策略，用于决定从哪些环境情境（使用基于高斯过程的贝叶斯优化）收集数据，以确保在广泛情境范围内实现鲁棒性能。我们的方法称为 Contextual NeuroMHE，通过消除对所有环境进行穷尽式训练的需求，同时在不同条件下保持鲁棒性能。通过使神经网络能够动态调整其参数，本方法提高了效率和泛化能力。各种真实环境下的实验结果表明，我们的方法在最大绝对位置误差方面比现有工作提高了 20.3%，并能捕捉到环境中的变化，而无需大量情境数据即可实现。