Supervised Residual NMPC in Force-Disturbed Quadrotors
作者: Shenghan Sun
分类: eess.SY
发布日期: 2026-11-03
💡 一句话要点
提出监督残差NMPC以改善四旋翼在力干扰下的跟踪性能
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 四旋翼 非线性模型预测控制 残差网络 跟踪性能 力干扰 监督学习 控制策略
📋 核心要点
- 现有的四旋翼控制方法在受到外部力干扰时，跟踪性能存在显著不足，尤其是在悬停状态下。
- 本文提出了两种残差网络的部署策略，周期性和阶段性部署，以改善四旋翼在力干扰下的跟踪性能。
- 实验结果显示，采用这两种监督策略后，平均积分绝对位置误差显著降低，验证了方法的有效性。
📝 摘要（中文）
残差部署会影响闭环跟踪性能。本文比较了在四旋翼非线性模型预测控制(NMPC)中部署一个监督加速度残差网络的两种方式：周期性部署和阶段性部署。实验表明，两种方案在施加力脉冲后均能改善平均跟踪性能，但在悬停时表现不佳。通过220种条件的测试，周期性和阶段性监督分别降低了平均积分绝对位置误差(IAE)4.38%和7.77%。在32种条件的独立测试中，固定增益1.5相较于阶段性监督降低了IAE 27.47%，但增加了角速度均方根误差10.19%。这些结果表明，残差部署对跟踪性能的影响具有任务和运动指标依赖性。
🔬 方法详解
问题定义：本文旨在解决四旋翼在外部力干扰下的跟踪性能问题，现有方法在此情况下表现不佳，尤其在悬停时容易出现误差增大。
核心思路：提出周期性和阶段性两种残差网络部署策略，通过监督学习来提高控制精度，尤其是在力脉冲施加后的跟踪性能。
技术框架：整体框架包括残差网络的训练和部署，NMPC控制器的设计，以及对不同部署策略的比较评估。主要模块包括网络训练、控制器设计和性能评估。
关键创新：最重要的创新在于提出了两种不同的残差网络部署策略，周期性部署在整个预测区间内重复使用同一修正，而阶段性部署则在求解前评估不同的预测节点，这一设计显著改善了跟踪性能。
关键设计：在实验中，网络参数在控制过程中保持固定，采用了特定的损失函数来优化跟踪精度，设置了不同的增益值以评估其对IAE和角速度误差的影响。实验中还使用了合成的计算流体动力学场来验证方法的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，周期性和阶段性监督分别降低了平均积分绝对位置误差(IAE)4.38%和7.77%。在独立测试中，固定增益1.5相较于阶段性监督降低IAE 27.47%，但增加了角速度均方根误差10.19%。这些数据表明了不同部署策略的有效性和局限性。
🎯 应用场景
该研究的潜在应用领域包括无人机自主飞行、机器人控制以及其他需要高精度动态跟踪的场景。通过改进控制策略，能够在复杂环境中实现更稳定的飞行和操作，具有重要的实际价值和未来影响。
📄 摘要（原文）
Residual deployment can affect closed-loop tracking. We compare two ways to deploy one supervised acceleration-residual network in nonlinear model predictive control (NMPC) of a quadrotor. Cyclewise deployment repeats one correction across the horizon. Stagewise deployment evaluates shifted prediction nodes before the solve. Network parameters remain fixed during control. On prescribed force pulses, both schemes improve average tracking mainly after force removal, but worsen hover; some prediction checks also fail. Seed 1 reinforcement-learning benchmarks add no mean benefit under pulses or prescribed random forces. On 220 conditions, cyclewise and stagewise supervision reduce mean integral absolute position error (IAE) by 4.38% and 7.77%. On a separate 32-condition bank, fixed gain 1.5 lowers IAE by 27.47% relative to stagewise supervision but raises angular-rate root-mean-square error by 10.19%. In one synthetic computational fluid dynamics field, stagewise supervision lowers four-task mean IAE by 2.01% against a same-graph zero-residual control; some secondary metrics worsen. These simulations show that residual deployment affects tracking, with gains and limitations that depend on task and motion metric.