存在电机延迟的四旋翼飞行器数据驱动系统辨识

近年来，模型预测控制 (MPC) 和强化学习 (RL) 等非线性控制方法在四旋翼控制社区引起了越来越多的兴趣。与级联 PID 控制器等经典控制方法相比，MPC 和 RL 严重依赖准确的系统动力学模型。四旋翼系统辨识过程极其繁琐，通常需要推力测试台等额外设备。此外，电机延迟等对精确的端到端控制至关重要的低级细节常常被忽略。在本工作中，我们引入一种数据驱动方法，纯粹基于本体感受数据来辨识四旋翼的惯性参数、推力曲线、扭矩系数和一阶电机延迟。电机延迟的估计尤其具有挑战性，因为通常无法测量转速。我们推导了一种基于最大后验概率 (MAP) 的方法来估计潜在的时间常数。我们的方法仅需约一分钟的飞行数据，无需任何额外设备即可收集，通常由三个简单机动动作组成。实验结果证明了我们的方法能够准确恢复多个四旋翼的参数。它还促进了在恶劣户外条件下大型四旋翼基于 RL 的端到端控制的部署。