基于Transformer在线自适应的四旋翼机强化学习容错控制
机器人学
2025-05-14 v1 人工智能
摘要
多旋翼机在多样化的场 Robotics 应用中发挥重要作用，但高度易受到执行器故障，导致快速失稳和使任务可靠性受损。虽然已广泛探索基于强化学习(RL)的各种容错控制(FTC)策略，但大多数先前方法需要多旋翼模型的先验知识，或难以适应新的配置。为此，本文提出一种新型混合RL-based FTC框架，集成基于Transformer的在线自适应模块。该框架利用Transformer架构实时推断潜在表示，实现对以前未见过的系统模型的适应，无需重新训练。在PyBullet仿真环境下进行评估，针对失效执行器故障，本方法实现了95%的成功率，位置均方根误差(RMSE)为0.129米，优于现有自适应方法的86%成功率和0.153米RMSE。进一步的对不同配置四旋翼机的评估表明，该框架在未训练的动力学下同样具有鲁棒性。这些结果表明，该框架的潜力在于增强多旋翼机的可适应性和可靠性，实现动态和不确定环境中的高效容错管理。论文网址为http://00dhkim.me/paper/rl-ftc
关键词
引用
@article{arxiv.2505.08223,
title = {Reinforcement Learning-based Fault-Tolerant Control for Quadrotor with Online Transformer Adaptation},
author = {Dohyun Kim and Jayden Dongwoo Lee and Hyochoong Bang and Jungho Bae},
journal= {arXiv preprint arXiv:2505.08223},
year = {2025}
}
备注
Accpted at the 2025 IEEE International Conference on Robotics & Automation (ICRA) Workshop: Robots in the Wild