Neural-Swarm2：利用学习到的交互进行异构多旋翼 swarm 的规划与控制

我们提出 Neural-Swarm2，一种基于学习的运动规划与控制方法，可使 swarm 中异构多旋翼在近距离内安全飞行。此类无人机操作具有挑战性，原因在于复杂的气动交互力，例如附近无人机产生的下洗流与地面效应。传统规划与控制方法忽略对这些交互力的捕捉，导致飞行中 swarm 构型稀疏。我们的方法将基于物理的标称动力学模型与具有强 Lipschitz 性质的学习型深度神经网络（DNNs）相结合。我们利用两种技术来准确预测异构多旋翼间的气动交互：i）谱归一化，用于未见数据的稳定性与泛化保证；ii）异构深度集，以置换不变方式支持任意数量的异构邻居且不降低表达能力。学习到的残差动力学有益于所提出的交互感知多机器人运动规划与非线性跟踪控制设计，因为学习到的交互力减小了建模误差。实验结果表明，Neural-Swarm2 能够泛化到超出训练情形的更大型 swarm，并显著优于基线非线性跟踪控制器，最坏情况跟踪误差最多降低三倍。