Zespół badaczy opracował modularną architekturę głębokiej sieci neuronowej rekurencyjnej (RNN), która znacznie efektywniej modeluje złożoną dynamikę systemów, takich jak quadrotory. Kluczową innowacją jest dodanie połączeń feedforward między warstwami sieci, co okazało się istotnie poprawiać zdolność sieci do uczenia się i reprezentowania dynamiki wysokiego rzędu oraz zachowań nieliniowych. Ta nowa architektura jednocześnie łagodzi klasyczny problem zanikającego i eksplodującego gradientu, który utrudnia trenowanie głębokich sieci rekurencyjnych.
Modularność proponowanego podejścia pozwala na łatwe testowanie różnych architektur RNN i automatyczne obliczanie pochodnych dla metod opartych na gradientach. To czyni framework bardziej elastycznym i praktycznym dla badaczy i inżynierów pracujących nad systemami dynamicznymi. W studium przypadku dotyczącym sterowania quadrotorem sieć nauczyła się modelować dynamikę wysokości drona z niezwykłą dokładnością.
Wyniki pokazują, że istniejące metody nie były w stanie uogólnić swoich wyuczonych umiejętności w porównywalnym tempie lub w ogóle nie były w stanie tego zrobić. To sugeruje, że architektura z połączeniami feedforward może stanowić przełom w automatycznym sterowaniu dronam i szerszej klasie systemów dynamicznych, gdzie klasyczne podejścia RNN osiągały swoje granice.