Transformer-Based Fault-Tolerant Control for Fixed-Wing UAVs Using Knowledge Distillation and In-Context Adaptation

要約

この研究では、構造的損傷またはアクチュエータの障害によって引き起こされる動的な変化にリアルタイムに適応するように設計された、固定翼の無人航空機（UAV）における断層耐性制御のための変圧器ベースのアプローチを提示します。
古典的な制御理論に依存し、ダイナミクスの深刻な変化の下での闘争に依存している従来の飛行制御システム（FCSS）とは異なり、私たちの方法は、変圧器のコンテキスト学習と注意メカニズムを使用して、標高、見出し、および気速度を対照コマンドに直接マッピングするため、内部ループコントローラーと断層検査の層をバイパスします。
提案されたアプローチは、教師と学生の知識蒸留フレームワークを採用して、特権のある専門家エージェントから完全な観察可能性を備えた知識を転送し、多様な障害シナリオ全体で堅牢なパフォーマンスを可能にすることにより、部分的な観察で学生エージェントを訓練します。
実験結果は、変圧器ベースのコントローラーが業界標準のFCSと最先端の強化学習（RL）方法を上回り、名目条件と極端な障害の場合の高い追跡精度と安定性を維持し、UAVの運用上の安全性と関連性を高める可能性を強調することを示しています。

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

提供元, 利用サービス

arxiv.jp, Google