摘要
在资源受限的无人机边缘平台上运行密集型神经模糊滑模控制器（SMC）需要在计算能力、形式稳定性保证以及对不确定性的鲁棒性之间进行权衡。我们将扩展卡尔曼滤波器（EKF）从状态估计重构为权重空间预测，这使得控制器能够在运行过程中动态地丢弃不活跃的模糊规则，同时保留基于鞅理论建立的稳定性证明。该框架结合了四个核心理念：EKF权重空间压缩将创新序列视为近似鞅差分序列；图注意力网络（GAT）学习时变的通道间耦合关系，并将其直接应用于SMC的控制项中；强化学习结合李雅普诺夫正则化及Wasserstein分布鲁棒性约束，形成了超鞅结构；最后，INT8量化感知训练为整个系统在边缘设备上的部署做好了准备。这些技术均基于共同的鞅理论基础，该理论确保了有限样本下的修剪误差界限（Azuma–Hoeffding）、最坏情况下的跟踪误差界限（Doob）、通过超鞅李雅普诺夫函数实现的随机稳定性，以及切换规则集的最小停留时间定理。在10,000次高保真PyBullet仿真测试中，该框架平均减少了73%的活跃模糊规则使用，同时仅导致了0.3–0.5厘米的仿真跟踪误差。在Jetson Orin Nano上进行的研究表明，INT8编译后的推理系统平均延迟为4.2毫秒，功耗为0.93瓦。此处报告的硬件实验为边缘推理基准测试结果；闭环控制结果基于仿真数据，而物理平台上的飞行验证将留待后续工作完成。
