基于端到端神经网络的四旋翼控制

开发用于高速激进飞行的四旋翼最优控制器在机器人学中颇具挑战。该领域近期趋势涉及利用通过监督或强化学习训练的神经网络控制器。然而，仿真到实物的迁移引入了现实差距，需在真实飞行中使用鲁棒内环控制器，这限制了网络的控制权限与飞行性能。本文首次研究了一种端到端神经网络控制器，在不受内环控制器限制的情况下解决现实差距问题。所称的G&CNets网络，通过使用最优轨迹数据集训练，学习将四旋翼状态映射为rpm指令的能量最优策略。在悬停至悬停飞行中，我们确定未建模力矩是现实差距的重要来源。为缓解此问题，我们提出一种自适应控制策略，其通过对受恒定外部俯仰、横滚和偏航力矩影响的系统最优轨迹进行学习来工作。在真实测试飞行中，该模型失配被机载估计并输入网络以获得最优rpm指令。我们通过在有和无力矩反馈情况下进行能量最优悬停至悬停飞行，证明了方法的有效性。最后，我们在连续航点飞行中将自适应控制器与最先进的基于微分平坦的控制器比较，展示了我们的方法在能量最优性与鲁棒性方面的优势。