神经网络学习悬停。时间延迟？

Question

我正在使用神经网络进行机器学习，在阅读了一些理论并研究了 Torch 之后，我现在想使用神经网络来了解一架具有未知模型的简单直升机需要产生多少推力才能悬停放置在参考高度。

我有控制背景，我知道通常不会为此使用神经网络或机器学习，但我认为这是一个很好的第一个任务。

我认为我需要的只是一个简单的线性回归（NN 形式）来学习将测量高度映射到推力的函数（产生准确的推力以抵消参考高度处的重力）。

但这似乎已经有点复杂了。假设我有一个简单的动态模拟器，并且每隔fs Hz 进行一次高度测量。我对我的模型进行前向传递（参见下面的模型代码）来计算模型的推力。到目前为止，一切都很好。但是效果不会立即可见，因此使用当前测量同时对损失函数执行前向和后向传递似乎是错误的做法。还是这样？

所以最终的问题是：我是否可以使用我提出的简单线性回归来解决所述问题，或者我是否需要更复杂的东西来捕捉模型的“响应时间”。

require 'torch'
require 'nn'

local model = nn.Sequential()
model:add(nn.Linear(1, 1)) -- Simple linear regression with one input (measured height) and one output (thrust)

local criterion = nn.MSECriterion -- Simple mean squared error loss function.

heigh_ref = 1

function height_measurement_callback(height_meas)
    local thrust = model:forward(height_meas)

    criterion:forward(height_meas, heigh_ref) -- ??
    local grad = criterion:backward(height_meas, heigh_ref) -- ??
    model:backward(height_meas, grad) -- ??

    return thrust
end

Answer 1

问题：设置一个特定的高度h_desired 并让程序找到相应的推力值。假设推力和高度一一对应。

---

合理的解决方案：通过根据当前高度差调整推力来最小化h_desired - h_current。

---

机器学习解决方案：有一堆测量值，对它们进行回归，尝试使用获得的模型来预测新值，验证预测，将实际值添加到训练集。

假设“NN的前向路径”是计算预测值与实际值的偏差：delta_i=(y_predicted_i - y_observed_i)，后向传播是计算y_predicted_i = k * x_i + b中的k和b，没有必要将它们分开。在这些操作之间，我实际上很难想出任何合理的做法。

现在使用更新后的模型，您可以预测新的推力值，这应该会使您达到所需的高度，然后您进行新的测量，设置新的推力值并查看它对应的高度值。显然，您必须等到直升机停止移动，然后才能将新的推力-高度对放入训练数据并进行下一次线性回归迭代。这不是关于“神经网络模型”，而是关于数据采集过程。您不应该将它们混淆在一起。在将数据添加到模型体验之前，您必须始终完成测量。