摘要
非线性动力学及多效应器之间的强耦合削弱了传统线性控制分配技术的假设。当飞行进入非线性效应主导的状态时，线性分配器由于模型不匹配而表现出精度降低，进而影响飞行控制系统的性能与鲁棒性。虽然高保真度的机载模型与黑箱数据驱动的方法可以恢复整个飞行包络的精度，但分别会带来实时分配所需的计算负担和牺牲验证与故障诊断所需的可解释性。
本文通过使用稀疏非线性动力学识别技术，从代表性飞行数据中学习显式的、物理约束的控制效能映射，解决了这些局限性。得到的映射紧凑、可解释，并且具有解析导数，使得在非线性求解器中有效计算成为可能，同时还考虑了执行器动态，而不需要机载模型。
一个在线适应机制监控预测残差，当检测到显著的植物变化时刷新模型，从而在执行器故障和不同操作条件下提供优雅的重新配置。该方法在高保真非线性基准飞机上进行评估，在一系列激烈的机动中，达到了与完整非线性机载模型相当的精度，同时显著降低了相对于既定基准的计算成本。
博主点评： 该研究提出了一种新颖的控制分配方法，克服了传统方法在非线性环境下的局限性。通过引入物理约束的学习模型，提升了控制系统的可解释性与效率，为未来的航空控制系统设计提供了重要的参考。