野外快速飞行学习

Oct, 2021

Learning High-Speed Flight in the Wild

Antonio Loquercio, Elia Kaufmann, René Ranftl, Matthias Müller, Vladlen Koltun...

TL;DR提出了一种全新的端到端方法，利用卷积神经网络将嘈杂的传感观测直接映射到避撞轨迹，从而实现四旋翼的高速自主飞行。在模拟训练中，该方法可以实现从模拟到真实环境的零 - shot 迁移，成功地使四旋翼在森林、雪地、脱轨的火车和倒塌的建筑物等复杂环境中高速自主飞行，并优于传统方法。

Abstract

quadrotors are agile. Unlike most other machines, they can traverse extremely complex environments at high speeds. To date, only expert human pilots have been able to fully exploit their capabilities. Autonomous operation with on-board sensing and computation has been limited to low sp

quadrotors autonomous flight onboard sensing collision-free trajectories convolutional network

发现论文，激发创造

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

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

基于视觉变换器的端到端基于视觉的四旋翼避障

在高速四旋翼无人机中展示了一种基于关注机制的端到端方法，用于在密集、杂乱环境中避开障碍物，与各种最先进的架构进行比较。

May, 2024

在复杂自然环境中学习单目无人机反应控制

本文研究了如何使用单一相机感知环境，利用模仿学习技术训练控制器以适应无人机飞行方向，实现低空自主飞行并避开障碍物。

Nov, 2012

在杂乱环境中学习感知敏捷飞行

提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

Oct, 2022

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

深度飞行器杂技

本文提出了一种基于模拟仿真的 sensorimotor 策略，让一个自主的 quadrotor 可以在没有真实数据的情况下飞行极限的特技动作，并且不需要人类专业知识的提供，且可以不经过细致微调直接部署到实际应用上。

Jun, 2020

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

教导无人机飞行比赛：模拟环境下的敏捷控制端到端回归

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

秒学飞行

通过使用基于强化学习的异态 actor-critic 架构和高度可靠的基于强化学习的训练方法，本研究提出了一种新颖的无人机控制框架，能够在仅 18 秒的训练时间内实现从模拟环境到真实环境的快速转化，并能在廉价的、现成的无人机上实现实时控制。同时，本研究通过介绍控制抽象、非线性和领域参数的分类以及引入一个全新的课程学习和高度优化的模拟器，提高了样本的复杂度和训练时间，并通过与现有控制解决方案的实验比较，展示了该框架在航迹跟踪方面具有竞争性能。

Nov, 2023