May, 2020

AlphaPilot：自主无人机竞速

PDF
TL;DR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。
autonomous drone racingvision-basedtrajectory planningmultiple gate detectionsdrift compensation
发现论文，激发创造
  • 美女与野兽：最优方法与学习相遇于无人机竞速

    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

  • 72 克无人机计算高效自主赛车的视觉模型预测定位

    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

  • 深度无人机比赛：从模拟到现实中的域随机化

    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

  • 深度无人机赛车：学习在动态环境中敏捷飞行

    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

  • AirSim 无人机竞速实验室

    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

  • 自主无人机赛车中鲁棒门探测的持续学习

    在自主移动机器人中，弹性实时环境感知是一个主要挑战，该研究引入了一种感知技术，可以检测在高速无人机飞行中常见的光照变化情况下的无人机赛门，该方法依靠轻量级神经网络骨干结构，并具备持续学习能力，实验测试表明该方法在各种困难情景下均表现出显著的鲁棒性，特别是在面对光照变化的情况下证明了其有效性。

    May, 2024

  • 自主飞行器基于深度强化学习的长期规划

    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

  • 基于视觉的自主无人机赛车的深度感觉运动策略学习

    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

  • 用于自主双人无人机竞速的实时博弈论规划器

    本文提出了一种基于 Nash 均衡的多人无人机赛车策略规划算法，并通过基于视觉的方法估计对手位置，该算法在无人机赛车模拟和实际硬件试验中表现出有效的竞争力。

    Jan, 2018

  • 基于 PPO 的 DRL 自校准非线性 PID 无人机控制器实现鲁棒自主飞行

    该研究旨在通过应用非线性深度强化学习（DRL）代理作为传统线性比例积分微分（PID）控制器的替代品，从而彻底改革无人机飞行控制。主要目标是实现无人机在手动和自主模式之间的无缝过渡，提高其响应性和稳定性。利用 Gazebo 模拟器中的 Proximal Policy Optimization（PPO）强化学习策略训练 DRL 代理，并通过添加价格为 20000 美元的室内 Vicon 跟踪系统实现 < 1mm 的定位精度，从而大大提高了自主飞行的精确性。为了在最短的无碰撞轨迹下引导无人机导航，我们还构建了一个三维 A * 路径规划器，并成功将其应用到实际飞行中。

    Mar, 2024