imperive MPC：基于可微 MPC 的无监督 UAV 姿态控制
机器人学
2025-04-30 v2 系统与控制
系统与控制
摘要
建模与控制是机器人学中的关键问题，尤其是在面对不可预测外部影响和复杂动力学的场景。传统的级联模块化控制管线常因保守假设和繁琐的参数调优而导致次优性能。纯数据驱动的方法虽能提供鲁棒性能，但样本效率低、仿真到现实的差距大，且依赖大量数据。将学习方法与传统模型方法端到端结合的混合方法提供了有前景的替代方案。本工作提出了一种自监督学习框架，将学习基于的惯性里程计 (IO) 模块与可微模型预测控制 (d-MPC) 结合，用于无人机 (UAV) 姿态控制。IO 对原始 IMU 测量值进行去噪并预测 UAV 姿态，随后由 MPC 对控制动作进行优化，构建在双层优化 (BLO) 框架中，其中内部 MPC 优化控制动作，上层最小化实际性能与预测性能之间的差距。该框架是端到端的，可以自监督方式训练。该方法结合了学习驱动的感知优势与可解释的模型控制。结果表明即使在强风环境下也有效，并且能够同时提升 MPC 参数学习和 IMU 预测性能。
引用
@article{arxiv.2504.13088,
title = {Imperative MPC: An End-to-End Self-Supervised Learning with Differentiable MPC for UAV Attitude Control},
author = {Haonan He and Yuheng Qiu and Junyi Geng},
journal= {arXiv preprint arXiv:2504.13088},
year = {2025}
}
备注
14 pages, 3 figures, accepted by L4DC 2025