Jun, 2022

基于物理学思想的四旋翼动力学时态学习，用于准确的模型预测轨迹跟踪

PDF
TL;DR本研究提出了一种基于物理启发的时间卷积网络（PI-TCN）方法，用于纯从机器人经验中学习四旋翼系统动力学，结合稀疏时间卷积和稠密前馈连接，挖掘四旋翼动力学的结构，并将物理约束嵌入训练过程，以实现网络的泛化能力，同时实现了精确的封闭环轨迹跟踪和预测控制，实验结果表明这是第一次成功将物理启发深度学习应用于时间卷积网络和系统识别任务。
quadrotorpi-tcn approachphysics-inspired deep learningsystem identificationpredictive control
发现论文，激发创造
  • 使用神经网络学习四旋翼动力学以进行飞行控制

    本文探讨使用基于神经网络的动力学模型来合成不同于训练的轨迹的控制，并在四旋翼试验台上进行了实验验证。

    Oct, 2016

  • 物理结合的卷积循环神经网络用于动态系统的源识别和预测

    本文介绍 PhICNet 的混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。实验结果表明，该模型可以长时间预测动态和确定外部引力源。

    Apr, 2020

  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • Sim-to-(Multi)-Real: 将低层鲁棒控制策略转移到多个四旋翼上

    使用强化学习训练神经网络，学习低级别的四轴飞行器控制策略，无需使用稳定的 PD 控制器，可以推广到多种四轴飞行器。

    Mar, 2019

  • 基于物理信息的 RNN-DCT 网络用于时间依赖偏微分方程

    本文提出了一种新颖的基于物理信息的神经网络框架，用于解决时间依赖偏微分方程，利用离散余弦变换对空间频率进行编码，再利用循环神经网络处理时间演化，从而实现对问题的时空动态的潜在表达，提高了物理相关模型的效率和灵活性，并在 Navier-Stokes 方程的 Taylor-Green 涡旋解上实现了最先进的性能。

    Feb, 2022

  • 基于分布式强化估计的可解释随机模型预测控制在四旋翼跟踪系统中的应用

    该论文提出了一种新的轨迹跟踪器，用于自主四旋翼飞行器在动态和复杂环境下导航，在该系统中，分布式强化学习（RL）估计器用于未知的空气动力学效应，与随机模型预测控制（SMPC）相结合进行轨迹跟踪，用这种方法可以改进了至少 66% 的跟踪误差。

    May, 2022

  • 利用模拟优化改进四旋翼零样本策略转移

    本研究提出了一种数据驱动方法来优化模拟参数，实现从模拟到实际四旋翼的直接控制，通过强化学习的方式训练低级控制器需要比高级控制策略更精确的模拟。

    Jan, 2022

  • 强化学习控制四轴飞行器

    本文介绍一种基于强化学习技术训练的神经网络控制四旋翼的方法，提出了一种新的、相对于现有算法更适用于控制四旋翼的学习算法，实验结果表明，该策略网络可以相对准确地对步阶响应做出反应，并且在非常恶劣的初始化情况下（手动向上扔，并具有 5m/s 的初始速度）也能够将四旋翼稳定悬停在空中，同时每个时间步的策略评估计算时间仅为 7μs。

    Jul, 2017

  • 通过深度序列学习模型模拟三维各向同性湍流的时空实现

    本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用 Transformer 网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。

    Dec, 2021

  • 无模型的复杂动态轨迹跟踪控制与机器学习

    通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

    Sep, 2023