DNN自适应律的约束跟随控制器

免手动推导

把深度网络与自适应律结合学习不确定性界，省去繁琐人工推导的同时降低保守性，使机器人约束跟随控制更省力。

Runze, Zheng · Tianxiang, Chen · 张兴龙 · Zhang, Zheshuo · 景興建 · 尹辉

IEEE Transactions on Industrial Electronics 2024

技术优势

无需手动推导

深度网络离线学习系统不确定性，自适应律在线学习其界，不再依赖传统鲁棒控制中复杂的人工推导不确定性界的方法。

保守性更低

通过数据驱动的方式学习综合不确定性界，得到的界比传统保守设计更小，从而在实现约束跟随的同时减少控制能耗。

节省控制力

由于学习到的综合不确定性界保守性较低，控制器无需施加过大的控制增益来应对最坏情形，从而在实际运行中更节能。

应用场景

• 无人机控制：用于四旋翼无人机的约束跟随控制，无需精确建模即可实现稳定飞行。
• 机器人运动控制：为机器人运动控制提供免推导的不确定性补偿，使控制器设计更便捷。
• 自适应控制：作为自适应控制的一种实现，在线学习不确定性界，增强对未知扰动的鲁棒性。