Neural Moving Horizon Estimationfor Robust Flight Control 论文理解

最新推荐文章于 2024-11-05 12:49:53 发布

xiaoli0111

最新推荐文章于 2024-11-05 12:49:53 发布

阅读量2k

点赞数 21

文章标签：深度学习机器学习人工智能

本文链接：https://blog.csdn.net/xiaoli0111/article/details/135091535

版权

摘要

MHE

MHE，又称移动视界估计，指根据一定时间窗口（Horizon)的测量来估计动态系统的当前状态。通过过去的测量数据，估计飞机当前的状态（其位置、速度和相关参数），接着获取新的测量数据，估计的视界也在时间上前移。移动视界估计通常被构建为一个优化问题，其目标是在估计视界内最小化预测系统行为和实际测量之间的差异。

该方法的性能取决于成本函数中的一组权重矩阵，这些权重矩阵与进入动态系统的噪声的协方差大致成反比。权重的调整比较困难，因为是动态且高度非线性且有强耦合性的。

Neural

神经网络的应用是为了自动调整参数。（那么该调整哪些参数，这些参数的意义是什么？）

Neural MHE

Neural MHE同时利用了基于模型和无模型的方法

无模型：神经网络
有模型：移动视界估计MHE使用动态模型来估计系统状态，并通过优化问题来调整模型参数以最小化估计误差

需要推导的是什么

移动视界估计权重矩阵的解析梯度：即对移动视界估计（Moving Horizon Estimation，MHE）中的权重矩阵进行求解，并获取其相对于某一指标的梯度。

权重矩阵

在MHE中，权重矩阵通常是用来对测量误差和状态估计的不确定性进行建模。MHE问题通常可以表达为一个最小化目标函数的优化问题。

目标函数包括两部分：

1.状态估计误差项：表示当前状态估计与实际系统状态之间的误差。权重矩阵用于调整这些误差的相对重要性。

2.控制输入项：如果系统受到控制输入的影响，目标函数可能还包括对控制输入的误差项，同样使用权重矩阵进行调整。

简化的数学表达式如下：

其中，J为目标函数，N为时间步数，Wx，Wu为相应的权重矩阵，Xk,Uk为实际状态与估计状态的差，和实际输入与估计输入的差。

梯度

计算梯度的目的是，使目标函数能够朝着最小化或最大化的方向进行调整。梯度是目标函数对参数的偏导数，它提供了关于参数变化如何影响目标函数变化的信息。在论文中，梯度可以通过递归形式的卡尔曼滤波器计算出来。

总结

四旋翼轨迹误差（基于模型的策略梯度法）➡训练MHE➡估计扰动

简介

研究目的

补偿干扰，防止坠机。

算法框图

神经网络参数 $\varpi$ 由轨迹跟踪误差给出➡神经网络给出一个自适应的权重 $\theta$ ➡由卡尔曼滤波器估计 $\theta$ 的梯度➡根据梯度调整神经网络参数，从而调整权重，使估计值趋近真实值

突出贡献

将神经网络与MHE结合起来，可以在不需要真实干扰数据的情况下训练。

原理推导

四旋翼和扰动动力学

把四旋翼建模为一个六自由度的刚体，质量为m,转动惯量为J（三维），质心位置为p（三维），世界坐标系为L，质心在世界坐标系中的速度为v，R是机体坐标系B到世界坐标系L的旋转矩阵，w为机体坐标系的角速率。

用世界坐标系描述平动，用机体坐标系描述转动。

四旋翼的动力学模型与运动学模型

注意这里运动学与动力学的输入与输出

旋转矩阵

目的：将机体坐标系下的向量转换到世界坐标系下。

世界坐标系：飞行器的位置p和速度v，力
机体坐标系：角速度，力矩

旋转矩阵R矩阵，是一个特殊正交矩阵SO（3），矩阵的行列式为+1，且其转置矩阵与逆矩阵相等。

牛顿欧拉方程

刚体运动＝质心平动+绕质心转动

质心平动 $F=m\cdot \frac{dv}{dt}$
绕质心转动 $M=J\dot{\omega }+\omega \times J\omega$

其中F为合外力，v为刚体运动速度。M为合外力矩，J为3*3的惯性矩阵， $\omega$ 为刚体的角速度， $\dot{\omega }$ 为刚体的角加速度。×表示叉乘。 $J\dot{\omega }$ 表示刚体由于自身形状变化引起的角动量变化， $\omega \times J\omega$ 表示刚体旋转引起的角动量变化。

论文中无人机的模型

公式

问题：

1.为什么没考虑陀螺力矩？多旋翼无人机建模之陀螺力矩_螺旋桨陀螺力矩-CSDN博客

2.旋转矩阵的导数是怎么推的

简洁直观的旋转矩阵导数公式的推导-CSDN博客 $\dot{R}=R\times \omega$

3.为什么只要这几个方程组

这样状态和状态的导数都有了

状态空间

状态：

输入：

整个状态空间：

x,u都是上文给的， $\omega =[\omega _{f},\omega _{\gamma }]$

h(x)是测量函数，v是测量受噪声的影响。这里有问题

问题：vec(R)，是一个3*3的，那应该是一个9*1的列向量，如果p是一个列向量就说的过去了

注意：分号隔开的是列向量，逗号隔开的是行向量

建模干扰

干扰可能来自各种来源(例如，空气动力阻力，悬索有效载荷的张力，或系统内部的不确定性)。建模其动态的一般方法是使用随机游走:

MHE移动视界估计

MHE 是一种控制理论的估计器，它以递进的视界方式在线求解非线性动态优化问题。"递进" 指的是在每个时间步骤上，系统都会重新计算和优化一个有限的预测或控制视界，而不是一次性计算整个问题的解决方案，它是一个时间范围内的优化问题。

回溯窗口：在当前时间步 t 时，考虑过去一段时间内的一系列历史数据的时间窗口。在时间步t 时，回溯窗口包含了从t−N 到t 期间的所有历史数据，例如测量值、控制输入和状态。这个窗口会随着时间的推移不断地滑动，以包含最新的数据。回溯窗口的长度 N 表示我们考虑的时间段，它包含了过去 N 个时间步的数据。