Machine Learning-based Feedback Linearization Control of Quadrotor Subject to Unmodeled Dynamics

📄 arXiv: 2606.31199v1 📥 PDF

作者: Amos Alwala, Gabriel da Silva Lima, Wallace Moreira Bessa

分类: cs.RO, cs.LG, eess.SY

发布日期: 2026-06-30

备注: This paper is part of the EURODINAME III proceedings (https://eurodiname.sciencesconf.org/)

💡 一句话要点

提出基于机器学习的反馈线性化控制以解决四旋翼未建模动态问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 四旋翼控制 机器学习 反馈线性化 未建模动态 RBF神经网络 轨迹跟踪 Lyapunov稳定性 动态环境

📋 核心要点

  1. 现有的四旋翼控制方法在面对动态和不确定环境时，往往无法有效处理未建模的动态特性，导致控制性能下降。
  2. 本文提出了一种基于RBF神经网络的反馈线性化控制框架，通过实时更新网络权重来补偿未建模的动态，增强控制系统的适应性。
  3. 实验结果表明，所提控制器在实际飞行中显著提高了轨迹跟踪性能，尤其是在存在外部干扰的情况下，表现出更快的收敛速度和更低的误差。

📝 摘要（中文）

在动态和不确定环境中，灵活的四旋翼控制仍然是一个开放的研究领域，尤其是在系统动态部分已知或高度非线性的情况下。本文提出了一种新颖的基于机器学习的反馈线性化控制框架，利用高斯径向基函数神经网络（RBF NN）实时建模和补偿未建模动态。该控制器利用RBF网络的通用逼近能力来建模非线性和不确定性。通过Lyapunov稳定性理论推导控制律，确保闭环稳定性并提供轨迹跟踪任务的渐近收敛理论保证。通过Gazebo仿真和实际飞行实验，验证了该控制器在面对未建模空气阻力、执行器动态和外部干扰时的有效性。与基线反馈线性化控制器相比，轨迹跟踪的收敛速度显著提高，位置范数和偏航方向的均方根误差分别减少了超过7.13%和49.27%。

🔬 方法详解

问题定义：本文旨在解决四旋翼在动态和不确定环境中控制的挑战，尤其是未建模动态对控制性能的影响。现有方法往往依赖于完全的系统模型，无法有效应对高度非线性和不确定性。

核心思路：论文提出的解决方案是利用高斯径向基函数神经网络（RBF NN）来实时建模和补偿未建模动态。通过在线适应，RBF NN能够在没有先前训练的情况下更新其权重，从而提高控制系统的灵活性和鲁棒性。

技术框架：整体架构包括RBF NN的构建、实时数据采集与处理、控制律的推导以及闭环控制的实现。控制律基于Lyapunov稳定性理论推导，确保系统的稳定性和轨迹跟踪的渐近收敛。

关键创新：最重要的技术创新在于将RBF NN与反馈线性化控制相结合，利用其通用逼近能力来处理未建模动态。这一方法与传统的基于模型的控制方法本质上不同，后者通常依赖于准确的系统模型。

关键设计：在设计中，RBF NN的网络结构和参数设置经过精心选择，以确保其在动态环境中的适应性。损失函数的设计也考虑了控制精度和稳定性，确保在实际应用中的有效性。通过在线学习，网络能够快速适应环境变化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提控制器在面对未建模空气阻力和外部干扰时，轨迹跟踪的收敛速度显著提高，位置范数和偏航方向的均方根误差分别减少了超过7.13%和49.27%。与基线反馈线性化控制器相比，表现出更优的控制性能。

🎯 应用场景

该研究的潜在应用领域包括无人机自主飞行、智能交通系统和机器人控制等。通过提高四旋翼在复杂环境中的控制能力，该方法可以推动无人机在救援、监测和物流等实际场景中的应用，具有重要的实际价值和未来影响。

📄 摘要（原文）

The control of agile quadrotors in dynamic and uncertain environments remains an open area of investigation to this day, particularly when the complete system dynamics are partially known or highly nonlinear. This work introduces a novel machine learning-based feedback-linearization control framework that employs a Gaussian Radial Basis Function (RBF) neural network (NN) to model and compensate for unmodeled dynamics in real time. The proposed controller leverages the universal approximation capability of RBF networks to model nonlinearities and uncertainties. An online adaptation of the RBF NN updates the network's weights without prior training. The control law is derived using the Lyapunov stability theory, herein guaranteeing closed-loop stability and providing theoretical guarantee of asymptotic convergence of a trajectory tracking task. Gazebo simulation and real flight experiments are conducted using the Bitcraze's Crazyflie 2.1 quadrotor subject to unmodeled air drag, actuator dynamics, and external disturbance. Despite incomplete knowledge of prior dynamics and presence of external disturbance such as air drag and drift in state estimation, the proposed controller improves trajectory tracking with rapid convergence and reduction of position-norm and yaw orientation RMSE by more than $7.13\%$ and $49.27\%$ respectively compared to baseline feedback linearization controller.