Jan, 2024

Proto-MPC：一种应用于四旋翼控制中的编码器 - 原型 - 解码器方法，用于挑战性风环境

PDF
TL;DR通过 EPD 多任务元学习方法和 Proto-MPC 模型预测控制问题的集成，提高四旋翼机在动态变化任务中的适应性和操作能力，该方法在模拟中经验证明具有鲁棒的性能。
quadrotorsaerial roboticsuncertaintiesmeta-learningmodel predictive control
发现论文，激发创造
  • 多旋翼集成模型预测控制 I：仿真实验

    通过使用集成模型预测控制 (EMPC) 方法，可以实现非线性全模型，将高斯过程作为反向计算的输入，从而提高机器人系统的控制和估计的准确性和效率。

    May, 2023

  • 基于数据驱动的四轴飞行器模型预测控制

    采用高斯过程模型建模空气动力学特性，并将其并入模型预测控制器，从而实现高速无人机精确控制。

    Feb, 2021

  • 深度模型预测优化

    机器人学中的一个主要挑战是设计出能在现实世界中实现复杂和灵活行为的稳健策略。我们提出了一种名为 “Deep Model Predictive Optimization” 的方法，通过经验直接学习 MPC 优化算法的内环，针对控制问题的需求进行特定优化。通过在一个真实的四旋翼平衡轨迹跟踪任务中的评估，DMPO 在计算预算下提高了性能，并且比基线的 MPC 算法在样本数量和端到端策略训练（MFRL）方面分别提高了 27% 和 19%。此外，由于 DMPO 需要更少的样本，它还可以以 4.3 倍的内存减少实现这些效益。当我们将四旋翼暴露在带有阻力板的扰动风场中时，DMPO 能够零 - shot 调适，同时仍然优于所有基线测试结果。

    Oct, 2023

  • 基于 MPC 引导的策略搜索学习自主飞行器深度控制策略

    模型预测控制与强化学习相结合并在引导策略搜索框架下应用，通过使用机载传感器数据在训练时间内训练神经网络策略，该策略可成功地控制四旋翼飞行器的避障而无需系统完整状态知识。

    Sep, 2015

  • 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

  • 基于自适应模型预测控制的轮式移动机器人控制

    本文演示了一种基于自适应模型预测控制框架的控制算法，用于引导具有未知惯性的两轮移动机器人以一定方向到达目标点，其中使用了递归最小二乘算法更新了一组标称参数。

    Jan, 2022

  • 使用管道 Model Predictive Control 引导的数据增强，高效学习鲁棒性和适应性策略的深度学习

    本文介绍了一种有效的基于模型预测控制的自适应方法，用于在具有挑战性的非结构化环境中实现自主系统的运行控制，以适应多样的环境和模型不确定性。

    Mar, 2023

  • 在线学习方法的模型预测控制

    本文提出了一种基于动态镜像下降 (DMD) 的模型预测控制 (MPC) 算法 (DMD-MPC)，该算法结合了在线学习算法的思想，是一种通用的 MPC 算法，并在实验中展示了其适用性。

    Feb, 2019

  • RAMP-Net: 基于物理知识神经网络的四旋翼鲁棒自适应 MPC

    本文提出了一种基于 PINNs 的鲁棒自适应 MPC 框架（RAMP-Net），它使用从简单 ODE 和数据中训练的神经网络。通过利用物理学方程作为正则器来实现鲁棒行为的参数不确定性，并使用规则数据损失来适应残余扰动（非参数不确定性），该方法在一个四旋翼的轨迹跟踪任务中实验，结果表明与两种基于回归的 MPC 方法相比，跟踪误差降低了 7.8％至 43.2％和 8.04％至 61.5％。

    Sep, 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

    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。

    Jun, 2022