Data-Driven System Identification of Quadrotors Subject to Motor Delays

最近，像模型预测控制（MPC）和强化学习（RL）这样的非线性控制方法在四旋翼控制领域引起了越来越多的关注。与级联PID控制器等经典控制方法不同，MPC和RL严重依赖于准确的系统动力学模型。四旋翼系统辨识过程非常繁琐，通常需要额外的设备，如推力架。此外，低级细节，如对于精确的端到端控制至关重要的电机延迟，通常被忽略。在这项工作中，我们介绍了一种基于自我感知数据纯粹识别四旋翼惯性参数、推力曲线、扭矩系数和一阶电机延迟的数据驱动方法。电机延迟的估计特别具有挑战性，因为通常无法测量转速。我们推导了一种基于最大后验（MAP）的方法来估计潜在的时间常数。我们的方法只需要大约一分钟的飞行数据，可以在不需要任何额外设备的情况下收集，并且通常包括三个简单的机动。实验结果表明，我们的方法能够准确恢复多个四旋翼的参数。它还促进了在恶劣的户外条件下对大型四旋翼进行基于RL的端到端控制的部署。

本论文旨在提出一种基于感知数据的数据驱动方法，仅需一分钟的飞行数据即可识别四旋翼的惯性参数、推力曲线、转矩系数和一阶电机延迟，以及推导出最大后验估计（MAP）方法来估计潜在的时间常数。这种方法可以促进基于强化学习的四旋翼控制在恶劣的室外条件下的部署。

本论文提出了一种基于感知数据的数据驱动方法，仅需一分钟的飞行数据即可识别四旋翼的惯性参数、推力曲线、转矩系数和一阶电机延迟，并推导出最大后验估计（MAP）方法来估计潜在的时间常数。这种方法可以促进基于强化学习的四旋翼控制在恶劣的室外条件下的部署。相比于传统的控制方法，这种方法不需要额外的设备，如推力支架，也不需要测量RPM，可以更加方便地实现四旋翼的控制。

本论文的实验结果表明，该方法可以准确地恢复多个四旋翼的参数。此外，这种方法可以促进基于强化学习的四旋翼控制在恶劣的室外条件下的部署。该方法还具有很强的实用性，因为它不需要额外的设备或测量RPM。

最近在这个领域中，也有一些相关的研究，如《基于深度学习的四旋翼姿态控制方法》、《四旋翼飞行控制方法研究》等。