要約
この研究では、固定翼無人航空機 (UAV) のフォールトトレラント制御のための変圧器ベースのアプローチを紹介します。このアプローチは、構造損傷やアクチュエーターの故障によって引き起こされる動的変化にリアルタイムで適応するように設計されています。
古典的な制御理論に依存し、ダイナミクスの深刻な変化に苦戦する従来の飛行制御システム (FCS) とは異なり、私たちの方法は、インコンテキスト学習を使用して、外側のループ基準値 (高度、機首方位、対気速度) を制御コマンドに直接マッピングします。
および変圧器のアテンション メカニズムにより、内部ループ コントローラーと障害検出層がバイパスされます。
提案されたアプローチでは、教師と生徒の知識蒸留フレームワークを採用し、完全な可観測性を備えた特権エキスパート エージェントから知識を転送することで、部分的な観察でスチューデント エージェントをトレーニングし、さまざまな障害シナリオにわたって堅牢なパフォーマンスを可能にします。
実験結果は、当社の変圧器ベースのコントローラーが業界標準の FCS および最先端の強化学習 (RL) 手法を上回り、公称条件や極端な故障の場合でも高い追跡精度と安定性を維持し、UAV の運用を強化する可能性を強調していることを示しています。
安全性と信頼性。
要約(オリジナル)
This study presents a transformer-based approach for fault-tolerant control in fixed-wing Unmanned Aerial Vehicles (UAVs), designed to adapt in real time to dynamic changes caused by structural damage or actuator failures. Unlike traditional Flight Control Systems (FCSs) that rely on classical control theory and struggle under severe alterations in dynamics, our method directly maps outer-loop reference values — altitude, heading, and airspeed — into control commands using the in-context learning and attention mechanisms of transformers, thus bypassing inner-loop controllers and fault-detection layers. Employing a teacher-student knowledge distillation framework, the proposed approach trains a student agent with partial observations by transferring knowledge from a privileged expert agent with full observability, enabling robust performance across diverse failure scenarios. Experimental results demonstrate that our transformer-based controller outperforms industry-standard FCS and state-of-the-art reinforcement learning (RL) methods, maintaining high tracking accuracy and stability in nominal conditions and extreme failure cases, highlighting its potential for enhancing UAV operational safety and reliability.
arxiv情報
著者 | Francisco Giral,Ignacio Gómez,Ricardo Vinuesa,Soledad Le-Clainche |
発行日 | 2024-11-05 10:24:45+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google