面向预测控制的在线动力学学习及其在飞行机器人中的应用

在本工作中，我们考虑在在线设定下提升模型预测控制 (MPC) 动态模型准确性的任务。尽管预测模型可被学习并应用于基于模型的控制器，这些模型通常在离线状态下学习。在此离线设定中，首先收集训练数据，并通过精细的训练过程学习预测模型。然而，由于模型离线学习，它无法适应部署期间观测到的扰动或模型误差。为提升模型与控制器的自适应性，我们提出一种在线动力学学习框架，在部署过程中持续改善动态模型的准确性。我们采用基于知识的神经常微分方程 (KNODE) 作为动态模型，并使用受迁移学习启发的技术来持续提升模型精度。我们以四旋翼飞行器演示了框架的有效性，并在仿真与物理实验中验证了该框架。结果表明，我们的方法能应对可能时变的扰动，同时保持良好的轨迹跟踪性能。