由于多旋翼流与环境之间的相互作用引起的复杂地面效应,多旋翼无人机难以对近地进行精确的轨迹控制。传统的控制方法通常无法正确地解决这些复杂的影响,并且在完成平稳着陆方面做得不够。在本文中,我们提出了一种新型的基于深度学习的鲁棒非线性控制器(Neural-Lander),它可以提高着陆时水上旋转器的控制性能。我们的方法将标称动力学模型与深度神经网络(DNN)结合在一起,该模型可以学习高阶交互。我们采用光谱归一化的新应用来协调DNN以限制Lipschitz行为。利用这个Lipschitz属性,我们使用学习模型设计了一个非线性反馈线性化控制器,并通过干扰抑制来证明系统稳定性。据我们所知,这是第一个基于DNN的非线性反馈控制器,具有可以利用任意大神经网络的稳定性保证。实验结果表明,在1D和3D着陆情况下,所提出的控制器显着优于基线线性比例 - 微分(PD)控制器。特别地,我们表明,与PD控制器相比,Neural-Lander可以将z方向的误差从0.13m减小到零,并且在1D着陆中分别减少平均x和y漂移90%和34%。同时,在3D着陆中,Neural-Lander可以将z误差从0.12m减小到零。我们还凭经验证明DNN可以在训练域之外进行新的测试输入。
translated by 谷歌翻译