【发布时间】：2018-02-19 20:39:21
【问题描述】：
目标：
我正在尝试开发一个能够学习一些未知的非线性四轴飞行器无人机动力学的 NN 模型。最终目的是将此模型用于我编写的遗传算法工具中，该工具将调整我的无人机控制系统以实现所需的响应。 GA 需要一个“黑匣子”模型，它可以用来在给定一组输入的情况下生成对无人机行为的预测。
NN 设计：
我创建这样一个模型的想法是利用一个 RNN，它将 ESC 电机控制器命令值的时间历史作为输入（4 个输入，每个电机 1 个），并输出相应的欧拉角（3 个输出，滚动，俯仰，偏航）。我有一个我设计/编写的自定义飞行控制器，它使我能够将任何必要的数据记录到 SD 卡中，即电机输出和欧拉角。
我目前用于尝试训练此模型但未成功的代码如下所示。这也是我第一次使用 TFLearn 或任何主要的 NN 编程，因此也将不胜感激。
另外，如果你想自己运行它，你需要的一切（假设你已经有 TFLearn 和 TensorFlow）都可以在我的 github repo HERE
# An attempt to use a Recurrent Neural Network to learn and predict drone dynamics. In this version, the
# network inputs are the four motor commands and the outputs are the roll, pitch, and yaw angles.
from __future__ import division, print_function, absolute_import
import tflearn
from tflearn.layers.normalization import batch_normalization
import numpy as np
import pandas as pd
import math
import matplotlib
matplotlib.use('Agg') # use('Agg') for saving to file and use('TkAgg') for interactive plot
import matplotlib.pyplot as plt
# Configuration Variables
input_dim = 4
output_dim = 3
steps_of_history = 10
batch_len = 128
epoch_len = 3
rawDataPath = 'DroneData/timeSeriesData.csv'
# Generate the data used in training
timeSeries = pd.read_csv(rawDataPath)
x = [timeSeries['m1CMD'], timeSeries['m2CMD'], timeSeries['m3CMD'], timeSeries['m4CMD']]
y = [timeSeries['pitch'], timeSeries['roll'], timeSeries['yaw']]
# Convert row vectors into column vectors
x = np.array(x); y = np.array(y)
x = np.transpose(x); y = np.transpose(y)
# Generate the input and target training data
input_seq = []
output_seq = []
for i in range(0, len(timeSeries['rtosTick']) - steps_of_history):
input_seq.append(x[i:i+steps_of_history, :]) # Time history input
output_seq.append(y[i+steps_of_history, :]) # Single output resulting from ^^^
trainX = np.reshape(input_seq, [-1, input_dim, steps_of_history])
trainY = np.reshape(output_seq, [-1, output_dim])
# Build the network model
input_layer = tflearn.input_data(shape=[None, input_dim, steps_of_history])
layer1 = tflearn.simple_rnn(input_layer, n_units=10, activation='softmax', return_seq=True, name='Layer1')
layer2 = tflearn.simple_rnn(layer1, n_units=10, activation='sigmoid', name='Layer2')
layer3 = tflearn.fully_connected(layer2, output_dim, activation='linear', name='Layer3')
output_layer = tflearn.regression(layer3, optimizer='adam', loss='mean_square', learning_rate=0.1)
# Training
model = tflearn.DNN(output_layer, clip_gradients=0.3, tensorboard_verbose=0)
model.fit(trainX, trainY, n_epoch=epoch_len, validation_set=0.1, batch_size=batch_len)
# Generate a model prediction as a very simple sanity check...
predictY = model.predict(trainX)
# Plot the results
plt.figure(figsize=(20, 4))
plt.suptitle('Pitch Predictions')
plt.plot(trainY[:, 0], 'r-', label='Actual')
plt.plot(predictY[:, 0], 'g-', label='Predicted')
plt.legend()
plt.savefig('pitch.png')
plt.figure(figsize=(20, 4))
plt.suptitle('Roll Predictions')
plt.plot(trainY[:, 1], 'r-', label='Actual')
plt.plot(predictY[:, 1], 'g-', label='Predicted')
plt.legend()
plt.savefig('roll.png')
plt.figure(figsize=(20, 4))
plt.suptitle('Yaw Predictions')
plt.plot(trainY[:, 2], 'r-', label='Actual')
plt.plot(predictY[:, 2], 'g-', label='Predicted')
plt.legend()
plt.savefig('yaw.png')
问题：
如果你查看我链接的 repo 根文件夹中的“pitch.png”、“roll.png”、“yaw.png”图，你会发现我的网络的预测值是一个常数值.我针对一个包含 7410 个样本的简单飞行日志数据集进行了训练，其中包括俯仰滚动和偏航的良好变化（+/-20 度左右）。查看原始数据HERE。我知道这对于最终模型来说可能还不够好，但它是开始的。
我觉得我至少应该得到一些输出变化，即使它不适合。有人可以帮我查明这个问题吗？我自己没有任何进展。
【问题讨论】：
标签： python tensorflow rnn tflearn