教导无人机飞行比赛:模拟环境下的敏捷控制端到端回归
利用卷积神经网络直接映射原始图像到航点和所需速度的强鲁棒性生成,使用路径规划和控制系统生成短的、最小时间轨迹段,测试表明该方法能够在动态环境中准确和稳健地实现无人机的自主飞行,不需要昂贵的硬件和昂贵的图像处理,且比专业的人类驾驶员更加高效。
Jun, 2018
该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据,以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制,从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束,在各种场景参数下做出运动决策。
Jul, 2020
我们将最先进的规划和控制系统与卷积神经网络相结合,实现了自主机器人在动态环境中的高速飞行和对感知目标的实时认识,无需进行任何调整,同时通过领域随机化生成大量的模拟数据,使我们的系统对光照和目标出现变化具有鲁棒性,实现了在敏捷无人机飞行任务中的零次模拟到实际的成功展示。
May, 2019
本研究提出了一种基于全局轨迹布局及卷积网络预测与卡尔曼滤波融合的方法,重点解决自主微型飞行器的难以精确的导航、环境不确定以及姿态估计误差等问题,成功应用于 IROS2018 无人机比赛中并取得优异成绩。
Oct, 2018
通过学习深度的感知动作策略,使用对比学习从输入图像中提取固定特征表示,通过两阶段的作弊式学习框架训练神经网络策略,将视觉驱动的自主无人机竞赛问题转化为了提取原始图像的特征表示进行控制命令推断,无需全局一致的状态估计、轨迹规划和手工控制设计。该方法不仅可使控制策略更具有鲁棒性,而且可以实现与状态法相同的赛车性能,为开发纯靠图像输入控制无人机的智能视觉自主系统铺平了道路。
Oct, 2022
本文提出了一种学习使用深度神经网络 (DNN) 融合多个控制器的优化控制器的方法,该网络使用在线轨迹过滤,能够学习过滤后的来自不同控制器的轨迹的好融合,从而在自主 UAV 比赛中取得显著的表现优势。
Apr, 2019
本文旨在通过设计并运用基于最短路径的无人机来提升物联网设备数据的收集和资源分配。同时,设计了一个基于深度强化学习的技术来获取特定区域内的最优轨迹和吞吐量,从而实现了无人机自主收集所有数据的目标,而且显著提高了总速率,最小化了关联资源的使用。实验结果证实了方案在效率、轨迹、时间等方面的优势。
Jun, 2021
提出一种联合仿真和现实学习框架,将导航指令和第一人称视角的原始观察结果映射到连续控制上,并采用监督式加强异步学习算法,将仿真和真实环境结合起来进行训练,最终在一个自然语言指令遵从的物理四轴飞行器任务中验证其有效性。
Oct, 2019