基于自适应律和神经网络的多无人机集中运输系统在线识别
系统与控制
2026-03-27 v1 机器人学
系统与控制
最优化与控制
摘要
本文提出一种自适应神经识别方法，增强了集中式多无人机运输系统的鲁棒性。该方法利用分解误差子空间上的在线调谐和学习，实现对作用于有效载荷的时间变性扰动和模型不确定性的高效实时补偿。该策略的目标是将高维误差空间分解为一组低维子空间。如此一来，针对未见特征的识别问题自然被转化为由多个自适应律和浅层神经网络所处理的子映射（“切片”），通过Lyapunov-based自适应进行在线更新，无需持久激发（PE）或离线训练。由于神经网络的模型无关性，该方法能够适应高度耦合且非线性的集中式运输系统。它作为有效载荷控制器的前馈补偿器，而无需明确依赖于与有效载荷耦合的动力学（如电缆和无人机）。该提议控制系统已根据Lyapunov稳定性进行了证明，其在时间变性扰动和模型不确定性下的增强鲁棒性通过数值仿真得以证明。
引用
@article{arxiv.2509.01951,
title = {Online Identification using Adaptive Laws and Neural Networks for Multi-Quadrotor Centralized Transportation System},
author = {Tianhua Gao and Kohji Tomita and Akiya Kamimura},
journal= {arXiv preprint arXiv:2509.01951},
year = {2026}
}