元学习增强模型预测控制用于强风扰动下四旋翼无人机轨迹跟踪
《Drones》:Meta-Learning Augmented Model Predictive Control for Quadrotor UAV Flight in Strong Wind
【字体:
大
中
小
】
时间:2026年09月26日
来源:Drones 5.2
编辑推荐:
随着动态环境中对精确无人机(UAV)作业日益增长的需求,未建模的风扰往往会削弱其性能,因此需要鲁棒且自适应的控制策略来确保准确的轨迹跟踪。本文提出了一种元学习增强的模型预测控制(ML-MPC)框架,用于不同标称风速设置下强风且水平风扰条件下四旋翼的轨迹跟踪。该框架利用元学习获
随着动态环境中对精确无人机(UAV)作业日益增长的需求,未建模的风扰往往会削弱其性能,因此需要鲁棒且自适应的控制策略来确保准确的轨迹跟踪。本文提出了一种元学习增强的模型预测控制(ML-MPC)框架,用于不同标称风速设置下强风且水平风扰条件下四旋翼的轨迹跟踪。该框架利用元学习获得的基函数来捕捉不同风速条件下气动扰动的共享非线性特征,同时通过在线自适应机制从飞行数据中持续估计相应系数。两者的结合提供了残余气动力的实时估计,并将其纳入MPC预测模型以补偿风扰。大量的飞行实验验证了ML-MPC框架的有效性,在多种轨迹类型下以及标称风速设置达到的水平下(风速定义为由风扇阵列下游测量确定),均表现出一致的轨迹跟踪精度提升。与基线GP-MPC控制器相比,该方法在仿真中实现了73.5%的平均性能提升,在真实飞行测试中实现了50.6%的提升,最大降幅分别为86.5%和59.7%。
生物通微信公众号
生物通新浪微博
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