深度光子储备池计算机遇上无人机控制：一种用于受限空间敏捷飞行的超快学习型补偿器
光学
2026-04-14 v1
摘要
在受限、杂乱环境中运行的无人机（UAV）由于传统控制器未考虑的非线性、时变未建模动力学（如地面/天花板效应和尾流再循环）而面临显著的性能下降。虽然基于学习的补偿器（如MLP、TCN、LSTM）难以应对历史数据依赖、梯度消失和高昂的计算成本，但本工作开创性地将深度光子储备池计算机（PRC）与前馈控制相结合，以克服这些限制。利用半导体激光器动力学和光反馈，我们硬件实现的深度PRC架构无需显式历史输入即可实现固有的时间记忆，同时将训练时间从数小时缩短到毫秒，并将推理延迟降低到纳秒。捕捉邻近诱导流动的高保真CFD仿真表明，深度PRC提供的残余力预测精度可与TCN/MLP基线相媲美甚至更优，同时仅通过岭回归训练线性读出层。通过前馈通道将这些预测注入非线性反馈PID控制器，该框架显著增强了受限空间中的闭环跟踪稳定性。本质上，本工作建立了首个基于深度PRC的轻量级、超快速解决方案，用于实时无人机动态补偿，并有望扩展到具有更复杂流体环境的未见场景。
引用
@article{arxiv.2604.10262,
title = {Deep Photonic Reservoir Computer Meets UAV Control: An ultra-fast learning-based compensator for agile flight in confined space},
author = {Qinxiao Ma and Ruiqian Li and Cheng Wang and Yang Wang},
journal= {arXiv preprint arXiv:2604.10262},
year = {2026}
}