Neural Lander：基于学习动力学的稳定无人机着陆控制

由于多旋翼气流与环境之间相互作用引起的复杂气动效应，多旋翼无人机在近地精确轨迹控制方面十分困难。常规控制方法往往不能恰当考虑这些复杂效应，难以实现平滑着陆。本文提出一种新颖的基于深度学习的鲁棒非线性控制器（Neural Lander），可改善四旋翼无人机在着陆过程中的控制性能。我们的方法将标称动力学模型与学习高阶交互的深度神经网络（DNN）相结合。我们应用谱归一化（SN）来约束 DNN 的 Lipschitz 常数。利用该 Lipschitz 性质，我们使用学习到的模型设计了一个非线性反馈线性化控制器，并证明了系统具有抗干扰的稳定性。据我们所知，这是首个具有稳定性保证且可利用任意大规模神经网络的基于 DNN 的非线性反馈控制器。实验结果表明，所提出的控制器在着陆和横移轨迹跟踪情况下均显著优于基线非线性跟踪控制器。我们还通过经验证明，该 DNN 对训练域外的未见过数据具有良好的泛化能力。