详情内容

元学习增强模型预测轮廓控制实现四旋翼无人机的敏捷精准飞行

Meta-Learning Enhanced Model Predictive Contouring Control for Agile and Precise Quadrotor Flight

本研究提出一种基于元学习的控制策略，用于精确建模不同速度下的四旋翼动力学特性。该策略将每种速度条件视为独立的学习任务，并通过专门训练的神经网络确保动态预测的精确性。元学习框架通过求解优化问题快速生成适应速度变化的任务特定参数，并采用在线增量学习策略整合实时数据以实现模型的持续更新，从而增强系统的鲁棒性。研究中引入正则化方法以防止过拟合并提高泛化能力

Mingxin Wei, Lanxiang Zheng, Ying Wu, Ruidong Mei, Hui Cheng*

IEEE TRO

自适应神经网络四旋翼路径跟踪轮廓控制

Adaptive Neural Network-Based Model Path-Following Contouring Control for Quadrotor Under Diversely Uncertain Disturbances

本研究针对四旋翼在湍流、阵风等复杂扰动下的精准路径跟踪难题，提出自适应神经网络预测控制框架。该框架融合高层模型路径跟踪轮廓控制（MPFCC）与低层自适应神经网络反馈线性化控制器（ANN-FBLC）：ANN-FBLC 借助神经网络实时逼近扰动，通过反馈线性化建立积分器模型并设计自适应权重，保障参考状态精准跟踪；MPFCC 利用反馈线性化得到的线性系统模型优化路径参考目标，实现对瞬态扰动的主动应对，为低层控制器提供参考输入，经实验验证可有效适应多样扰动环境

Mingxin Wei, Lanxiang Zheng, Hongli Li, Hui Cheng

IEEE RAL

多无人机不确定扰动下安全学习控制

Safe Learning-Based Control for Multiple UAVs Under Uncertain Disturbances

本研究聚焦多无人机系统在未知不确定扰动下的安全控制问题，提出基于学习的安全控制方案。通过融合学习算法与鲁棒控制策略，在线感知并补偿外部扰动与系统不确定性，同时构建多机协同安全约束机制，平衡控制性能与运行安全性。该方案可有效应对复杂环境下的扰动干扰，保障多无人机在协同作业中的轨迹跟踪精度与系统稳定性，为多机集群的安全自主运行提供技术支撑

Mingxin Wei, Lanxiang Zheng, Ying Wu, Han Liu, Hui Cheng*

IEEE TASE

脊椎机器人的鲁棒灵活控制

A Generic Continuous Multi-Joint Spinal Robotic System for Agile and Accurate Behaviors with GNN-MPC method

受生物敏捷运动启发，我们构建了一种通用多关节连续脊柱系统，兼具出色的灵活性与高承载能力，可实现全方向的灵活弯曲，适合多种仿生机器人。为实现动态且精准的控制效果，提出一个融合在线与离线学习的通用控制框架，借助图神经网络离线学习脊柱动力学模型参数，利用参数化模型预测控制在线更新动态约束并筛选最优控制策略。对脊柱在高负载应用中的定量分析表明，脊柱能够同时保持强度、精度和灵活性。实验生动模拟了落猫的空中翻转等动作，证明了所设计脊柱的可扩展性、灵活性和高负载能力

Ying Wu, Zida Zhou, Renming Liu, Lanxiang Zheng, Hui Cheng

RSS

自主安全学习控制