动态环境下大型无人飞行器系统的自适应人工智能混合控制方法

《IEEE Access》：Adaptive AI Hybrid Control Method for Large Unmanned Aerial Vehicle Systems in Dynamic Environments

　　

摘要：

在本文中，我们提出了一种新型的自适应人工智能混合控制架构，旨在解决大型无人机系统中存在的模型不确定性以及时变噪声问题。传统固定参数的滤波技术在面对动态振动、机械磨损和环境变化时难以保持精度，而纯人工智能方法则因实时计算需求高以及缺乏干净的惯性测量单元真实数据而面临实际应用难题。为克服这些限制，我们的框架整合了低级控制层——通过自适应卡尔曼滤波和自适应PID控制实现快速稳定——以及高级监控层，该层利用基于LSTM的残差学习模型来感知不断变化的噪声特性，并实时更新控制参数。在真实的多阶段动态振动场景下的实验结果表明，与原始含噪声的惯性测量单元信号相比，所提出的残差-LSTM方法在三个陀螺仪轴上的均方根误差可降低52.2%至54.2%。此外，该模型在频率变化的振动环境下（50–80–110赫兹）也表现出很强的鲁棒性，在第二阶段和第三阶段的均方根误差分别比传统的固定滤波器降低了约77%和50%。这些结果表明，将基于残差学习的噪声感知技术整合到混合控制架构中，能够显著提升无人机在非平稳工作条件下的状态估计的鲁棒性和适应性。