深度无人机比赛：从模拟到现实中的域随机化
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
介绍了 AirSim Drone Racing Lab 仿真框架，可用于自主飞行器比赛算法的快速原型设计，以在多个真实场景中测试计划、控制、视觉等算法和通过竞赛形式比较算法效果。
Mar, 2020
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
本文提出了一个新颖的自主、基于视觉的无人机竞速系统，结合学习的数据抽象、非线性滤波和最优时间轨迹规划，该系统已成功在 2019 年 AlphaPilot 挑战赛中部署。与传统的无人机竞赛系统不同，该方法利用任何可见的门并利用多个同时检测到的门来补偿状态估计中的漂移和构建门的全局地图。全局的地图和补偿漂移的状态估计使得无人机在比赛中可以在门不直接可见时导航，并且可以基于近似的无人机动力学实时规划近似最佳路径通过比赛赛道。所提出的系统已经成功地指导无人机穿越狭窄的比赛赛道，达到了每秒 8 米的速度，并在 2019 年 AlphaPilot 挑战赛中排名第二。
May, 2020
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
本文提出了一种视觉惯性算法，该算法比如视觉惯性测距和同时定位和映射等导航方法更加高效，可以用于计算机无人机竞速，该算法通过将比赛门检测与模型动态预测融合来估计无人机的位置。实际测试中，飞行测试在一架 72g 的迷你无人机上完成，得到了最高速度为 2.6m/s，从而使其成为世界上最小的自主竞速无人机之一。
May, 2019
该研究利用深度神经网络和数据增强来训练自主赛道竞速的无人机，表明数据增强对于端到端学习非常重要，并且优化后的神经网络能够在嵌入式硬件上实时运行，适用于实际部署。
Aug, 2017
探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。
Mar, 2017
我们提出了一种可扩展的数据生成流程，以应用于空中自主飞行。该流程利用自适应层次域随机化方法为无人机轨迹生成之前的环境基础地图上的资产创造无类型分布空间，通过障碍物生成和全局参数随机化扩展多样性，以自动产生多样且逼真的模拟场景配置和数据集，以便更好地推广到真实情况下的模型。
Nov, 2022
本文研究了基于现实生活中无人机赛事的长期规划场景，对使用 PPO 算法训练的强化学习智能体在无人机比赛中与使用传统路径规划算法的模拟无人机进行了实验，使用对手无人机的 GPS 信息作为专家指导进行训练，成功解决了复杂状态空间问题，其代码可以在我们的 GitHub 存储库中找到。
Jul, 2020