研究人员提出了一种面向搭载机械臂的四旋翼无人机(UAV)的AI增强几何控制框架，以解决机械臂运动引起的强动态耦合、时变负载及风扰等导致的飞行失稳问题。传统线性与非线性控制策略难以应对高机动操作下的非线性动力学，而几何控制在SO(3)流形上可直接处理姿态与位置的非线性配置空间，避免奇异性并保证全局稳定性。为克服其适应性不足，研究人员引入长短期记忆(LSTM)神经网络实时预测机械臂引发的扰动，优化推力分配并动态调整无刷直流(BLDC)电机电流。实验采用CoppeliaSim–MATLAB高保真联合仿真环境验证，结果表明该混合框架相比传统比例–积分–微分(PID)控制和滑模控制，显著降低了姿态跟踪误差，减少了复杂操作过程中的振荡，并在高负载与快速机械臂运动下保持飞行稳定与精确姿态调节。
该研究针对搭载机械臂的无人机在复杂环境中执行精准操作的需求，分析了当前控制方法在处理强动态耦合与外部扰动方面的局限，提出了一种结合几何控制与人工智能的混合控制框架。研究背景显示，机械臂运动会导致无人机质心突变、非线性力矩增加，叠加风场扰动，严重影响飞行稳定性。传统PID控制依赖线性反馈，无法充分应对强非线性耦合，尤其在高速机械臂动作时易产生持续振荡甚至失控。现有几何控制虽在理论上能保证全局稳定，但缺乏应对未知扰动的适应能力。为此，研究人员设计了基于SO(3)流形的几何控制律，并在外层集成LSTM神经网络用于实时预测机械臂产生的扰动扭矩，结合卡尔曼滤波–神经融合层实现状态估计与噪声抑制。仿真结果表明，该框架在低至350 g的不同有效载荷条件下均保持高精度姿态控制，显著降低超调与稳定时间，并在模拟风速高达7 m/s的环境中维持鲁棒性能。该成果发表于《Scientific Reports》，为无人机–机械臂系统在危险环境作业提供了一种兼具稳定性与适应性的控制解决方案。
关键技术方法方面，研究人员构建了四旋翼无人机与三自由度笛卡尔机械臂的高保真CAD模型，采用牛顿–欧拉法推导全系统非线性动力学方程，并使用Denavit–Hartenberg(DH)参数法进行机械臂正运动学建模。控制架构分为内层几何控制器与外层AI预测模块，其中几何控制直接在SO(3)与SE(3)配置空间设计，避免欧拉角奇异性；AI模块由LSTM网络预测扰动残差，并通过饱和函数限制补偿量以保证基础控制的李雅普诺夫稳定性。硬件平台采用分布式计算架构，底层由双PIC18F微控制器执行实时控制，AI推理任务由机载Raspberry Pi 4完成，传感器数据经串行接口低延迟传输。仿真实验在CoppeliaSim 4.6与MATLAB R2026a联合环境下进行，并引入Dryden湍流模型模拟真实风场。
研究结果部分，首先在性能评估 中，研究人员对比了基准控制、PID控制、标准几何控制与AI增强几何控制在多种有效载荷条件下的表现。结果显示，在低载荷(50–150 g)下，AI增强几何控制的滚转与俯仰角度偏差低于±0.05°，稳态误差几乎为零；在中高载荷(250 g)下，PID控制出现持续低频振荡，而AI增强几何控制仍保持平稳响应；在高载荷(350 g)的极限测试中，基准控制完全失效，PID控制振荡幅度达±0.5°，AI增强几何控制将最大超调限制在±0.25°以内。其次在抗风扰测试 中，引入平均风速4 m/s、阵风7 m/s的Dryden湍流模型，标准几何控制的振荡幅度增至0.12 rad，而AI增强几何控制利用LSTM的时间序列记忆提前预测风致反扭矩，将姿态误差降低约39%。在控制稳定性分析 中，研究人员将AI预测输出作为有界前馈项叠加于几何控制律，证明系统在输入到状态稳定(ISS)框架下即使AI预测存在偏差仍能保证全局稳定。最后在实时性验证 中，LSTM推理时间为6–9 ms，通信延迟低于3 ms，满足实时控制需求。
讨论与结论部分，研究人员指出，AI增强几何控制的核心优势在于结合了几何控制的全局稳定性与LSTM的动态扰动预测能力，可在质心快速变化、惯性矩阵时变及外部风扰同时存在的条件下维持高精度姿态控制。相比仅依赖反馈的传统控制，该方法显著减少调节滞后，降低执行机构饱和风险，提高能量利用效率。研究证实，该框架不仅适用于静态悬停与轨迹跟踪，也可支持快速抓取与精密操作任务。未来工作将聚焦于在真实飞行平台上验证算法，并将LSTM模型量化部署至机载计算机，以进一步降低计算负担并拓展至更复杂多任务场景。
打赏
