面向MPC的混合策略学习及其在未知动态环境无人机飞行中的应用
机器人学
2024-01-26 v2 系统与控制
系统与控制
摘要
近年来，无人机在现实世界任务中的应用日益广泛。模型预测控制（MPC）因其对建模误差/不确定性和外部干扰的鲁棒性，已成为无人机飞行控制的实用方法。然而，MPC对手动调参的敏感性导致在面对未知环境动力学时性能迅速下降。本文解决了无人机穿越具有未知动力学的摆动门时的控制挑战。本文介绍了一种参数化MPC方法，名为hyMPC，它利用高层决策变量来适应不确定的环境条件。为了推导这些决策变量，提出了一种新的策略搜索框架，旨在训练高层高斯策略。随后，我们利用通过重复执行高斯策略收集的数据训练的神经网络策略，提供实时决策变量。通过数值模拟验证了hyMPC的有效性，在20次穿越摆动门的无人机飞行测试中实现了100%的成功率，展示了其在环境动力学先验知识有限的情况下实现安全精确飞行的能力。
引用
@article{arxiv.2401.09705,
title = {Learning Hybrid Policies for MPC with Application to Drone Flight in Unknown Dynamic Environments},
author = {Zhaohan Feng and Jie Chen and Wei Xiao and Jian Sun and Bin Xin and Gang Wang},
journal= {arXiv preprint arXiv:2401.09705},
year = {2024}
}
备注
To be published in Unmanned Systems