KAYAP：通过神经微分流形强化无人机稳定性

Source: Dev.to

概览

KAYAP 代表了 NDM（神经微分流形）机器人套件的下一代进化。早期的 NDM 迭代侧重于通过连续权重演化实现原始适应性，而 KAYAP 引入了一种专门的 硬化弹性流形 策略。其目标不仅是适应——更是确保在物理混乱和易失效环境中的生存能力。

弹性流形控制

• 传统神经控制器预测绝对推力值，在噪声或部分硬件失效时容易脆弱。
• KAYAP 基于 弹性流形 运作：
  • AI 预测相对于稳定悬停值的 ± delta，永不直接输出原始电机功率。
  • 权重更新被限制在弹性范围内，防止权重迁移失控导致无人机翻转。
• 传感器噪声或突发电机失效不再导致灾难性不稳定，直接解决了经典神经控制器的“死亡螺旋”问题。

模仿 → 自主 流程

1. 模仿阶段（前 180 轮）
   • 经典的比例‑微分（PD）控制器充当教师。
   • NDM 观察纠正信号并将其映射到内部流形几何中。
2. 过渡阶段
   • 教师的影响逐渐减弱。
3. 自主阶段
   • NDM 必须完全依赖其学习到的内部“反射”。
   • 每一步训练在数学上都是镜像的，强制几何对称性：从左侧阵风恢复的学习自动赋予从右侧阵风恢复的能力。

评估：四阶段压力考验

• 运行 4 被标记为真正硬化流形的基准。
• 运行 2 和 3 在系统完全崩溃（跌出仿真或出现极端旋转发散）后结束。

关键学习成果

• AI 首先稳定了旋转，即使在未达到目标高度之前。
• 最终滚转角度： 在受限电机条件下为 0.008 rad。

权重稳定性指标

• 高动量： 0.98
• 低学习率： 0.0005
• 在极端物理压力下，内部流形几何保持稳定。

对神经微分流形的洞见

• NDM 不仅学习控制输出；它学习 响应几何。
• 当在平衡、极端和镜像轨迹上进行训练时，流形会硬化为一种稳定的弹性结构，能够抵御扰动、不对称以及部分系统失效。
• 相反，糟糕、狭窄或有偏的训练数据会产生脆弱的流形几何，导致失控动态和在压力下的灾难性故障。

结论

KAYAP 证明机器人稳定性不仅关乎更快的反应；更在于 几何上硬化学习流形本身。经过良好训练的神经微分流形会优先保证自身结构的生存，而不是盲目追逐目标。

源代码与实验

https://github.com/hejhdiss/ndm-applications-robotics