Sep, 2023

OmniDrones：无人机控制中高效灵活的强化学习平台

PDF
TL;DR该研究介绍了 OmniDrones，这是一个基于 Nvidia's Omniverse Isaac Sim 的用于无人机控制中强化学习的高效灵活平台。它采用自底向上的设计方法，让用户可以轻松设计和实验各种应用场景，并提供了一系列基准任务，从单一悬停无人机到超冗余系统跟踪的各种挑战。我们提出了一个开源的无人机仿真平台，配备了广泛的用于无人机学习的工具。该平台包括 4 个无人机模型、5 种传感器模式、4 种控制模式、超过 10 个基准任务和一些广泛使用的强化学习基准。为了展示 OmniDrones 的功能并支持未来的研究，我们还提供了这些基准任务的初步结果。我们希望这个平台能够鼓励将强化学习应用于实际的无人机系统的进一步研究。
omnidronesreinforcement learningdrone controlsimulation platformbenchmark tasks
发现论文，激发创造
  • 一种用于无人机自主降落平台的深度强化学习策略

    本文阐述了如何将深度强化学习算法应用于机器人领域，主要关注于以物理模拟平台为基础的无人机飞行任务控制，使用基于 Gazebo 的强化学习框架进行训练，最终成功实现了无人机自主降落的任务

    Sep, 2022

  • 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

  • DRIFT: 智能浮动平台轨迹的深度强化学习

    该研究提出了一种基于深度强化学习的新型套件，用于控制模拟和真实环境中的浮动平台，在动态和不可预测的条件下实现精确操纵，并具备鲁棒性、适应性和从模拟到现实的良好迁移能力。

    Oct, 2023

  • 机器人控制的自适应强化学习

    深度强化学习在模拟环境中取得了显著的成功，但在设计机器人控制器方面的应用仍然有限，由于其单任务导向性和对环境变化的适应能力不足。为了克服这些限制，我们提出了一种新颖的自适应智能体，利用迁移学习技术在不同任务和环境条件下动态调整策略。该方法经过了齐腾博仿真挑战的验证，其中多任务能力和环境适应能力至关重要。智能体使用基于 IsaacGym 的定制化高度并行化的模拟器进行训练，通过零样本迁移在真实世界中飞行气球以解决各种任务。我们在 https://github.com/robot-perception-group/adaptive_agent/ 上分享我们的代码。

    Apr, 2024

  • QuadSim：用于强化学习算法的四旋翼旋转动力学模拟框架

    本研究旨在设计和开发一个数学基础的四旋翼旋转动态仿真框架，以测试强化学习算法在各种灵活的配置下的表现，该框架利用初值问题求解常微分方程（ODE）系统来模拟四旋翼的线性和非线性表现，并通过添加随机高斯噪声使仿真变得确定性 / 随机性，同时该框架还支持多进程并行运行。

    Feb, 2022

  • 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

  • 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

  • 无人机的短期与长期协调：分布式优化与深度强化学习的结合

    智能无人机群体结合充电技术可以在智能城市中提供完整的感知能力，如交通监控和灾害响应。通过分布式优化和深度强化学习（DRL）等现有方法，旨在协调无人机以实现成本效益高、质量高的导航、感知和充电。然而，它们存在明显挑战：短期优化难以提供持续效益，而长期 DRL 缺乏可扩展性、韧性和灵活性。为弥合这一差距，本文介绍了一种新的渐进式方法，包括基于分布式优化的规划和选择，以及基于 DRL 的飞行方向调度。通过对从真实城市流动性生成的数据集进行的广泛实验，与三种基准方法相比，所提出的解决方案在交通监控方面表现出色。

    Nov, 2023

  • 基于深层模型的强化学习学习飞行

    通过学习无人机动力学的概率模型，我们使用基于模型的强化学习学习了四旋翼的推进姿态控制器，完全使用生成潜在轨迹通过传播随机解析梯度来优化控制器和价值函数。

    Mar, 2020

  • 基于深度强化学习的 无人机无线数据采集路径规划

    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