基于NMPC的无人机轨迹跟踪的稀疏神经动力学建模

《Aerospace》:Sparse Neural Dynamics Modeling for NMPC-Based UAV Trajectory Tracking Xinyuan Qiu, Changxuan Liu and Jun Li

【字体: 大 中 小 】 时间:2026年03月06日 来源:Aerospace 2.5

编辑推荐:

  对于无人驾驶飞行器(UAV),尤其是在将非线性模型预测控制(NMPC)与带来显著计算负担的基于学习的动力学模型结合时,精确且计算高效的轨迹跟踪仍然是一个关键挑战。本文提出了一种稀疏神经动力学建模方法,通过整合结构化剪枝和增强鲁棒性的微调技术,以实现用于UAV轨

  
对于无人驾驶飞行器(UAV),尤其是在将非线性模型预测控制(NMPC)与带来显著计算负担的基于学习的动力学模型结合时,精确且计算高效的轨迹跟踪仍然是一个关键挑战。本文提出了一种稀疏神经动力学建模方法,通过整合结构化剪枝和增强鲁棒性的微调技术,以实现用于UAV轨迹跟踪的高效非线性MPC(NMPC)。为此,研究人员引入了一种结构化神经元级剪枝策略,结合L1范数重要性得分和对抗敏感度分析,以识别并移除神经动力学模型中的冗余神经元。为了在闭环控制中保持平滑性和鲁棒性,在微调过程中进一步纳入了谱范数约束和梯度正则化。将得到的剪枝后的神经动力学模型嵌入到NMPC框架中,用于在线轨迹跟踪。在固定翼UAV上的仿真结果表明,所提出的方法减少了约69%的可训练参数,并使平均NMPC求解时间减少了19%,在设定的仿真设置下实现了约39 Hz的有效控制更新频率。与包括TECS和线性MPC在内的传统控制器相比,所提出的方法在轨迹跟踪精度上实现了显著提升,这体现在所有位置轴上的更低MAE和RMSE。这些结果表明,神经动力学模型的结构化稀疏化为增强基于NMPC的UAV控制中的计算效率和跟踪性能提供了一种有效手段。
**论文解读:基于稀疏神经动力学建模的NMPC无人机轨迹跟踪**

**研究背景与问题**
无人驾驶飞行器(UAV)的轨迹跟踪是航空机器人领域的关键挑战,特别是在复杂非线性动力学和实时计算约束下。模型预测控制(MPC)因其显式处理约束和优化预测时域内控制动作的能力,已被广泛应用于UAV控制。然而,MPC对模型精度高度依赖,且在不确定、时变或部分已知环境中,求解时间效率成为瓶颈。近年来,基于学习的动力学模型(如神经网络NN)被引入MPC框架,以增强对复杂非线性系统动态的建模能力,但神经网络的高非线性和参数冗余显著增加了计算负担,限制了其在实时控制中的高效集成。现有研究多聚焦于提升预测精度或鲁棒性,但对模型自身结构优化(如剪枝)在MPC框架中的系统性研究不足。为此,研究人员提出了一种控制导向的稀疏神经动力学建模方法,通过结构化剪枝和正则化微调,在保持模型精度的同时提升计算效率,以实现适用于NMPC的轻量级预测模型。该论文发表在《Aerospace》。

**主要技术方法**
研究人员采用以下关键技术方法:(1)**结构化神经元级剪枝**:基于L1范数重要性得分与对抗敏感度分析(通过快速梯度符号法FGSM生成对抗样本)的组合得分,迭代移除冗余神经元,实现模型压缩。(2)**鲁棒性增强微调**:在剪枝后训练中引入谱范数约束(限制每层权重矩阵的谱范数以控制Lipschitz常数)和梯度正则化(惩罚输入梯度幅值),以提升模型平滑性和鲁棒性。(3)**混合动力学建模**:将剪枝后的神经网络(预测平动和角加速度)与解析运动学方程(位置、姿态运动学)结合,构建适用于NMPC的混合状态转移模型。训练数据来自基于固定翼UAV物理模型的仿真环境,包含4800个状态-控制对,覆盖多种参考轨迹(如螺旋轨迹)并添加5%高斯噪声。

**研究结果**
**1. 消融研究**
研究人员比较了未剪枝(Unpruned)、仅剪枝(Pruned Only)、剪枝加正则化(Pruned with Regularization)三种配置,以及中间剪枝阶段模型。结果表明:
- **未剪枝模型**:存在明显跟踪偏差,计算效率低,尽管参数容量最大,但NMPC求解性能差。
- **仅剪枝模型**:跟踪精度适度提升,但仍存在轻微偏离。
- **剪枝加正则化模型(完整方法)**:相比未剪枝模型,可训练参数减少约69%,平均NMPC求解时间降低19%,在所有位置轴(x, y, z)上均实现最低的MAE和RMSE(如x轴MAE=0.12 m,RMSE=0.16 m),有效控制更新频率约39 Hz。中间剪枝阶段对性能影响不大,表明适度剪枝即可提升效率。
**2. 对比研究**
研究人员将所提出的NNMPC与传统总能量控制系统(TECS)和线性MPC(LMPC)对比,在相同3D螺旋参考轨迹下测试:
- **TECS**:能跟踪轨迹,但存在明显相位滞后和偏差,尤其在横向通道。
- **LMPC**:利用局部线性化提高计算效率,但因模型失配导致跟踪精度下降,尤其在弯曲段。
- **NNMPC**:在所有轴向上实现更精确的跟踪,垂直跟踪改进尤为显著,且闭环控制平滑性优于基线。定量结果(如x轴RMSE:NNMPC=0.16 m,LMPC=0.34 m,TECS=0.52 m)证实了稀疏神经动力学模型在NMPC中的优势。

**讨论与结论**
讨论部分指出,所提出的结构化剪枝和正则化策略有效平衡了模型紧凑性与控制性能,谱范数约束和梯度正则化补偿了剪枝带来的结构退化,增强了模型在梯度优化中的数值稳定性。研究局限性在于仅基于仿真验证,未考虑机载实时实现、扰动下的鲁棒性及自适应参数调节等问题。未来工作将扩展至障碍物感知轨迹跟踪,并探索与鲁棒控制或强化学习的结合。
**研究结论**:研究人员提出了一种稀疏神经动力学增强的NMPC框架,用于固定翼UAV轨迹跟踪。通过结构化剪枝(基于L1范数和输入敏感度的组合得分)和微调(含谱范数约束与梯度正则化)获得紧凑且平滑的动力学模型,成功集成至NMPC。消融研究证实了剪枝与正则化的必要性,对比研究显示NNMPC在3D螺旋路径上的跟踪精度优于TECS和LMPC。这些结果表明,稀疏神经动力学模型是提升UAV应用中NMPC性能的有效途径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号