【加州理工博士论文】基于学习的鲁棒控制方法，137页pdf

这篇论文解决了通过引入新颖的基于深度学习的方法来提高多旋翼无人机在各种挑战性条件下的控制、安全性和可靠性的总体问题。这些方法旨在解决多旋翼无人机在运行中面临的特定问题，如近地轨迹控制、高速风干扰、执行延迟和电机故障。论文分为四个主要章节，外加引言和结论。每个主要章节都侧重于解决深度学习基控制方法的一个特定挑战。第二章介绍了神经着陆器（Neural-Lander），这是一个基于深度学习的鲁棒非线性控制器，通过考虑复杂的空气动力效应显著提高了四旋翼无人机的着陆控制性能。本章解决了将学习到的残差动力学整合进控制架构的关键挑战，为后续章节奠定了基础。第三章和第四章介绍了神经飞行器（Neural-Fly），这是一个基于学习的方法，它使用域对抗不变元学习（DAIML）和自适应控制来实现快速在线学习和在广泛风力条件下的精确飞行控制。第五章提出了一种轻量级增强方法，通过有效补偿电机动力学和数字传输延迟来提高无人机的轨迹跟踪性能。这种方法可以扩展到一系列控制方法，包括基于学习的方法。第六章探索了一种新颖的稀疏故障识别方法，用于检测和补偿超驱动无人机的电机故障，为开发更安全、更可靠的运行的鲁棒故障检测和补偿策略做出了贡献。这种方法建立在神经飞行器在线学习框架的基础上，并将其扩展到包括完全执行器故障在内的更广泛的条件。这些章节共同解决了基于学习的安全可靠控制的关键挑战，并展示了基于深度学习的控制方法的潜力。

无人机（UAV）的使用近年来迅速增长，应用范围从休闲消费者相机无人机到自治商业递送和运输，甚至高科技隐形飞机。这些应用中的每一个都提出了一套独特的挑战，但所有这些应用都需要精确控制飞行器以实现期望的性能。例如，无人机递送需要可靠地将货物运送到住宅和商业区域，而且要在各种天气条件下进行；基于无人机的急救和搜索救援任务要求安全地穿越偏远的野外环境、路边事故和密集的城市环境；而城市空中交通则要求飞行汽车紧密跟随计划路径以避免在所谓的城市峡谷中与其他车辆发生碰撞，这些峡谷给车辆导航和控制带来了许多挑战。 UAV应用的多样性共享一个共同要求：在操作过程中绝对的安全性和可靠性，这在它们的设计、操作和控制中产生了许多挑战。我们将专注于UAV控制的几个具体挑战。例如，系统必须能够在广泛的条件下运行，如高风速，这在复杂的城市环境中进一步复杂化，后者可能产生湍流气流。系统还必须能够在故障存在的情况下运行，如执行器的故障，不仅必须迅速检测并补偿以防止完全失控，还必须解决以允许安全着陆。最后，任何控制系统都必须集成到可验证的架构中；这通常导致控制器的层次结构，使每层都可以独立验证，但导致计算开销和控制环路中的延迟。在这篇论文中，我们将通过安全、鲁棒和敏捷的基于学习的控制方法来解决这些挑战。

无人机控制算法在受控环境中和在高度机动的系统上表现出令人印象深刻的性能，无人机硬件正在迅速发展。敏捷飞行控制已经在几个系统上展示出来，实验室环境中的四旋翼无人机[1]、[2]到受控试验台上的军用飞机[3]都取得了令人印象深刻的结果。递送无人机和自动驾驶汽车正在有限的环境中推出，亚马逊等公司正在进行其Prime Air递送服务的非常早期试验[4]，Waymo在累积了超过100万英里的仅乘客自动驾驶之后部署了他们的自动驾驶汽车[5]。城市空中交通仍处于发展的早期阶段，许多公司正在竞相开发小型电动飞机，以彻底改变城市交通。

通过审视这份当前能力的简短清单，我们可以确定当前先进控制系统实践和最新技术的几个限制。最先进和能力最强的方法通常依赖于非常快速和激进的控制方法。这导致了一个紧密耦合的控制层次[6]，必须为每个车辆配置、运行条件和应用精心设计和调整，或者依赖于车辆的潜在机动性，以从系统中强制实现期望的行为[7]。无论哪种方式，控制方法的设计都被外部因素（如难以导航的环境和天气条件）以及大规模系统上的故障可能性进一步复杂化。从这些复杂性中，我们看到控制方法的设计空间既极大又必要，以实现UAV的广泛部署。然而，我们正在处理的系统的规模也是一个巨大的资产，并为数据驱动的控制方法打开了新的大门。在这篇论文中，我们将通过经典控制方法和黑盒学习方法的融合来解决设计空间复杂性带来的问题，即可以利用基于物理的模型和数据驱动的方法，在广泛的条件下实现无人机的鲁棒和敏捷控制。 特别是，这篇论文将专注于一类我们称之为残差学习的基于学习的控制方法。这种方案专注于学习期望和实际系统响应之间的差异，或残差，并使用该模型来预测系统对干扰的响应。这种方法类似于许多最近的自适应控制方法，它们被构想为快速对残差干扰做出反应。然而，通过利用经验（以记录的飞行数据的形式）和机器学习的综合能力，我们可以开发出一个残差动力学模型，该模型可以预测并主动补偿干扰。这种方法使我们能够实现控制方法的“刚刚好”区域，这些方法稳定、鲁棒且敏捷，同时能够学习并不断提高控制系统的性能。以下四章讨论了为UAV设计基于学习的控制系统时的关键考虑和挑战。