模块化深度循环神经网络：在四旋翼飞行器中的应用
研究人员引入了一种模块化深度循环神经网络（RNN），旨在促进各种 RNN 架构的部署并自动计算梯度。通过在多层 RNN 中添加前馈层间连接，显著提升了模型学习高阶动态和非线性能力，同时缓解了空间中的梯度消失/爆炸问题。该成果在四旋翼飞行器案例中得到验证：利用此网络结构成功学习了高度动力学模型，而现有方法则无法快速泛化或完全泛化。
摘要由 AI 生成
研究人员提出一种新型模块化深度循环神经网络（RNN），通过在前馈层间添加连接以自动计算梯度，有效解决了传统 RNN 在多层结构中面临的梯度消失与爆炸问题。该架构显著增强了模型对高阶动态和非线性关系的捕捉能力。研究团队利用此网络成功构建了四旋翼飞行器的动力学模型，验证了其在复杂飞行器控制场景中的泛化性能，克服了现有方法难以快速适应或完全泛化的局限。
相关事件RELATED EVENTS