面向动态不确定性下无人飞行系统运行的深度非线性自适应控制
系统与控制
2023-10-17 v1 系统与控制
摘要
机器学习（ML）控制领域的近期文献已展示基于深度神经网络（DNN）的非线性自适应控制器（DNAC）在实现对非线性系统轨迹跟踪方面大有可为的理论结果。在已有工作基础上，本文将 DNAC 应用于四旋翼飞行器的姿态控制系统（ACS），并表明在模型不确定性较高的受扰飞行条件下姿态控制性能得到提升。此外，这些结果对 ML 控制颇具意义，因为它们是在无先验训练数据且系统动力学任意初始化的情况下取得的；简言之，本文所提控制器实质上是无模型的，却能通过 DNN 学习显著不良模型扰动来实现对非线性系统的轨迹跟踪抑制。将 ML 技术用于学习系统动力学与提供稳定性保证所需的李雅普诺夫分析相结合，得到了一种可应用于可能经历不确定模型变化的安全关键系统的控制器，大多数飞行系统正是如此。本文最后一节分析了实验结果，表明 DNAC 在轨迹跟踪能力上优于 PID、MRAC 以及近期提出的深度模型参考自适应控制（DMRAC）方案。
引用
@article{arxiv.2310.09502,
title = {Deep Nonlinear Adaptive Control for Unmanned Aerial Systems Operating under Dynamic Uncertainties},
author = {Zachary Lamb and Zachary I. Bell and Matthew Longmire and Jared Paquet and Prashant Ganesh and Ricardo Sanfelice},
journal= {arXiv preprint arXiv:2310.09502},
year = {2023}
}