Neural-Fly 实现强风下敏捷飞行的快速学习

在动态高速风中执行安全精确的飞行动作，对于无人机（UAVs）持续的商业化至关重要。然而，由于各类风况及其对飞行器机动性影响之间的关系尚不明了，使用传统控制设计方法设计有效的机器人控制器颇具挑战。我们提出 Neural-Fly，一种基于学习的方法，通过深度学习融入预训练表示来实现快速在线适应。Neural-Fly 基于两个关键观察：不同风况下的空气动力学共享一种公共表示，且风特异性部分位于低维空间中。为此，Neural-Fly 使用所提学习算法——域对抗不变元学习（DAIML）——来学习该共享表示，仅用了 12 分钟飞行数据。以所学表示为基，Neural-Fly 随后使用复合适应律来更新一组用于混合基元素的线性系数。在加州理工真实天气风洞生成的挑战性风况下评估（风速高达 43.6 千米/小时（12.1 米/秒）），Neural-Fly 实现了精确飞行控制，跟踪误差显著小于 SOTA 非线性与自适应控制器。除强劲的经验性能外，Neural-Fly 的指数稳定性带来了鲁棒性保证。最后，我们的控制设计可外推至未观测风况，被证明仅用机载传感器即可用于户外飞行，且可在无人机间迁移而性能退化极小。