航天器神经制导与控制中的最优性原理
改进了导航和控制网络(G&CNETs)的准确性,通过利用包含在常微分方程(ODE)右侧的神经网络来描述空间飞行器动力学,并使用变分方程计算 ODE 对网络参数的敏感性来更新 G&CNET 参数,最终证明了该方法对轨道传输和着陆问题的准确性有显著提高。
Apr, 2024
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
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。
Oct, 2021
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
通过第一次完全使用神经形态学视觉控制系统来自由控制飞行的实验,研究使用事件处理相机数据和脉冲神经网络实现无人驾驶和智能飞行机器人等基础任务的关键技术。
Mar, 2023
本文探讨了智能物理系统作为具有体验认知的系统必须在管理底层控制架构的同时执行高级推理的问题,并提出了解决多目标操作相互协作的机制。
Jan, 2022
本文研究如何为一个敏捷移动机器人设计一个控制系统,重点研究了一项具有挑战性的场景:自主无人机赛车。我们证明了在这个场景中,通过强化学习(RL)训练的神经网络控制器优于最优控制(OC)方法。我们的研究表明,RL 胜过 OC 的基本优势不是在于更好地优化了其目标,而是优化了一个更好的目标。RL 可以直接优化任务级目标,并能够利用领域随机化来应对模型不确定性,从而发现更稳健的控制响应。本研究对于推动敏捷机器人的最大性能具有重要意义,并阐明了 RL 和 OC 在机器人控制中的作用。
Oct, 2023
本文提出了一种基于深度学习的鲁棒非线性控制器,提高了四旋翼降落时的控制性能,并通过实验证明了该控制器在降落和横向轨迹跟踪方面均显著优于传统的非线性控制方法。
Nov, 2018
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