以流体弹球为例的多致动器多传感器系统的机器学习控制导向流场估计

我们提出了首个面向多输入多输出对象的机器学习控制导向流场估计方法。其起点是采用开环驱动指令的恒定驱动，从而建立一个同时记录驱动指令、传感器信号和流场的数据库。一个关键的使能因素是包含传感器信号和驱动指令的估计器输入向量。从传感器信号和驱动指令到流场的映射通过一种解析简单、以数据为中心且通用的非线性方法实现。该解析简单的估计器将线性随机估计（LSE）推广到驱动指令。以数据为中心的方法通过从数据库中插值，从估计器输入得到流场——类似于 Loiseau 等人（2018）针对无强迫流的工作。插值使用 k 最近邻（kNN）执行。通用的全局非线性映射通过迭代训练方法由深度神经网络（DNN）获得。估计器的比较在流体弹球对象上进行，这是一个多输入多输出尾流控制基准（Deng 等人，2020），在恒定控制下展现出丰富的动力学特性。我们得出结论，机器学习方法明显优于线性模型。kNN 和 DNN 估计器在周期性动力学下的性能相当。然而，当流动是混沌时，DNN 的表现始终更好。此外，我们进行了关于复杂性、计算成本和预测精度的全面比较，以展示每种估计器的相对优点。所提出的方法可以推广到闭环流控制对象。