四旋翼神经元控制外文翻译要点.doc

Robust Neuro-Control for A Micro Quadrotor Jack F. Shepherd III, Kagan Tumer Conference on Genetic Evolutionary Computation,?2010:1131-1138 应用于微型四轴飞行器的鲁棒性神经元控制 Jack F. Shepherd III, Kagan Tumer 遗传进化算法会议，2010年，1131-1138页 应用于微型四轴飞行器的鲁棒性神经元控制 分类和主题描述 I.2.9 [Arti_cial Intelligence]: Robotics 关键词：学习::进化，适应;学习::学习 1 简介 传统的微型飞行器是小型化的飞机，由于其更大的固有稳定性。然而，由于控制器的硬件和软件变得更强大，旋翼机正逐渐流行。他们在悬停和垂直进行起飞和降落的能力，使它们非常适用于近距离的信息搜集任务。一个旋翼飞行器包括如图1中的4个旋翼，代替直升机中的可变桨距主旋翼，飞行器是通过调整各个电机之间的相对速度来进行操纵的。例如，增加旋翼1的速度，而在同一时间以同样量减小旋翼3的速度会引起飞行器倾倒。在相反方向上的调节将导致相反的运动。横滚的调整是使用旋翼4和2进行相同的操作。最后，旋翼之间的转动方向上的差异可以用来使飞行器绕z轴旋转。这样的控制，使飞行器内在不稳定，其中任何电机的不平衡都需要控制器不断的输入，以保持飞行器保持在空中。然而，它显着降低了固定桨距电机和小型电机的机械复杂性。它也提供了使有较小的叶片带来的更好的安全性，并将其封装在一个机体里。 相关工作： 四旋翼控制器以往的工作范围包括从传统的基于模型的比例积分微分（PID）控制器，到现代和最优的基于模型的技术。然而，微型飞行器对干扰和未知的动力变化非常敏感，使得精确的模型很困难，这导致了对自适应控制方法的探索。一个主要基于模型的控制器，增加上神经网络以考虑动态和未知参数的非线性，被证明是成功的。同样地，使用神经网络来充当一个现代控制策略观察者可能是可取的。 图1：四旋翼布局：横滚（围绕x轴旋转）由用相反的数值调整电机2和4来控制。俯仰（围绕y轴旋转）由旋翼1和3作相似的调整来控制。偏航（围绕z轴旋转）由旋翼2,4同时调整一个和旋翼1,3大小相同，方向相反的调整量来实现控制。 用人工控制的飞行期间所采集的数据点同时使用神经网络和强化学习来增强一个控制器也被探索过。然而，由于四旋翼飞行器固有的不稳定性，它们不能在没有一些稳定性辅助的情况下由人工操作飞行。由于之前的工作使用人类飞行员控制下的数据，它会导致一个人为的约束，就是即使自适应控制器已经训练好了也会使用这些平滑稳定的操作。然而，这种监督的强化学习控制在无人直升机自主控制的情况下已被证明是非常有效。 无模型自适应控制在许多领域有一个经过验证的成功率，从机械手，单机器人导航，多个自主车辆的协调。这种控制可以用来设计一个没有建立一个完整模型需求的控制器或飞行员的训练以及稳定例程的关联。在这项工作中，神经网络被用来在功能上近似的替换掉现实的模型，来为四旋翼飞行提供必要的信息。神经网络建立一个从输入到输出的非线性映射，通过它我们假设可以充分捕捉旋翼的动态和创建一个强大的控制器。 作为使用监督学习和记录的数据点集合以确定正确的行为的替代，如在几个如前所述的情况下，我们使用神经演化算法来整定一个训练有素的控制器。神经 - 进化算法基于一些的成本函数将每个控制器排名。更高性能的控制器随后以一定的概率发生突变，以有哪些信誉好的足球投注网站一个最佳解决方案。这项工作采用增广拓扑结构（NEAT）算法的神经演变。该算法允许在网络中修改包括对权重的改变以及拓扑的改变。我们的工作使用实时NEAT算法，使之后在硬件中实施的进一步的控制器训练和调整成为可能。 许多神经进化算法的一个缺点是在大型有哪些信誉好的足球投注网站域，它们需要多次反复，才能找到一个甚至是平庸的解决方案。尽管在陆上机器人身上神经进化工作的非常成功，在该领域一个坏的解决方案意味着机器人不会朝着目标，但对于神经网络的学习仍然可以提供足够的信息。在无人机领域一个坏的解决方案意味着坠毁，并且不能提供一点有用的信息来学习。 内容： 这个工作的目的是开发能够在三维空间中的运动过程中保持四旋翼稳定性的控制器。我们假设开发了自适应控制器将在几种类型的条件下保持稳定：未建模的干扰（代表阵风），传感器和致动器的噪声（如存在于所有物理环境），以及参数化的差别（用参数来显示这种控制器控制下能够稳定的能力的范围）。 本文阐述了神经控制器在MAV旋翼飞行层次的开发和测试。第2节介绍了用于开发仿真的模型。第3节讨论了控制器的公式化，以及它们的训练。第4节总结了我们关键的实验发现与最