用于控制四旋翼飞行器和敏捷机器人的深度学习和模型预测控制框架

例如，实时神经MPC可用于仅使用机载计算来有效地模拟在近距离飞行中发生的高度复杂的空气动力学地面效应

近年来，计算机科学家开发了越来越先进的算法来控制机器人代理的运动。其中包括模型预测控制（MPC）技术，该技术使用代理动力学模型来优化其未来行为以实现给定目标，同时满足许多约束（例如，不能撞到障碍物）。

慕尼黑技术大学和苏黎世大学的研究人员最近创建了实时神经MPC，该框架将基于人工神经网络（ANN）的复杂模型架构集成到敏捷机器人MPC框架中（即四旋翼无人机）。这一概念发表在《IEEE机器人与自动化快报》上。

慕尼黑工业大学自主航空系统组的研究人员Salzmann和Ryll表示：“我们被使用数据驱动（学习）组件来增强‘传统’控制算法所吸引。”

“在我们制定了一个概念证明，将他们的方法（使用高斯过程（GP））推广到通用神经网络（深度学习模型）之后，我们向苏黎世大学的机器人和感知小组提出了我们的想法。从那时起，两个实验室联合推进了技术工作和实验，引发了新的合作。”

Salzmann、Ryll及其同事提出的新框架结合了深度学习模型和MPC的在线优化。表达式深度学习模型计算量很大。然而，通过实时在线逼近这些模型，该框架可以利用专用硬件（GPU）来有效地处理这些模型，从而允许其系统实时预测机器人的最 佳动作。

Salzmann和Ryll解释道：“实时神经MPC框架允许两个领域的结合，即最优控制和深度学习，同时允许两个部分利用各自高度优化的框架和计算设备。”。“因此，我们可以在GPU上的PyTorch/Tensorflow中执行深度学习计算，同时在CPU上的编译C代码中执行控制优化。这允许在以前无法实现的应用程序中使用深度学习的能力，例如在Quadrotor的板载优化控制中。”

研究人员在一系列实验中对他们的框架进行了评估，包括在模拟环境和真实环境中。在这些测试中，他们专门使用它来实时控制高度敏捷的四旋翼机的动作。

他们的结果非常有希望，因为他们可以利用神经网络架构的预测能力，其参数容量比先前用于实时控制敏捷机器人运动的参数容量大4000多倍。他们还发现，与没有深度学习组件的传统MPC方法相比，他们的框架可以减少高达82%的位置跟踪误差。

Salzmann和Ryll表示：“在机器人技术中，我们寻求受控系统动力学及其与环境相互作用（如空气动力学效应、轮胎摩 擦等）的表达模型。虽然这些方法通常很难进行分析，但基于学习的方法，特别是神经网络，可以捕捉动态和交互效应。然而，模型的精度随神经网络的大小而变化。实时神经MPC使深度学习模型的使用比以前在模型预测模型中可行的更强大和更高效。”

正如最近发布的英伟达Jetson平台所证明的那样，GPU芯片正逐渐进入嵌入式系统。这组研究人员创建的框架很快将使开发人员能够利用先进数据驱动AI技术的高预测能力，更好地模拟集成GPU芯片的机器人的动态及其与环境的交互，降低事故风险并提高其导航能力。

Salzmann和Ryll补充道：“未来的研究有很多开放的途径。深度学习方法的一个问题是，在不属于训练数据的情况下，它们的输出可能不稳定。检测这些情况并为控制提供后备措施以稳定系统将导致OOD情况下的鲁棒性。”