Oct, 2023

面向水下无人机在水流干扰下的自适应控制参数的虚实转换

PDF
TL;DR利用学习驱动的自适应控制方法，结合基于模型的控制架构以及最大熵深度强化学习框架，提出了一种适应控制器的创新方法，通过生物启发的经验回放机制、增强的领域随机化技术和在物理平台上的评估协议来实现仿真到真实的迁移策略，实验证明该方法能够从 AUV 的次优仿真模型中学到有效的策略，并在实际环境中将控制性能提高 3 倍。
learning-based adaptive controlautonomous underwater vehicles (auvs)deep reinforcement learning (drl)sim-to-real transfer strategymodel-based control architecture
发现论文，激发创造
  • 面向控制的域感知神经网络模型用于自主水下车辆

    本文介绍了利用已知系统结构和先前的物理知识创造受约束的深度神经动力系统模型的具有不同程度领域知识的控制定向参数模型。使用通用微分方程构造了 AUV 动力学的数据驱动的黑盒和灰箱表示，评估了不同初始条件和控制输入的学习模型的预测性能，以评估其准确性，泛化性和控制适用性。

    Aug, 2022

  • 基于交叉熵深度学习的 PID 调参：一种李雅普诺夫稳定性分析

    研究论文提出了一种基于学习的自适应控制系统，使用交叉熵深度学习方法确定自适应参数，并通过实验和指标对其稳定性进行了研究。

    Apr, 2024

  • 强化学习在车载系统中的统一自动控制

    本文提出了一种简化的车辆微观模拟方法，并使用深度强化学习优化了具有不同车辆组成的六个交通系统的控制策略，发现了类似于波浪消减、交通信号和匝道计量等的多种新行为，并分析了这些行为以获得可解释的控制策略。

    Jul, 2022

  • Sim-to-(Multi)-Real: 将低层鲁棒控制策略转移到多个四旋翼上

    使用强化学习训练神经网络，学习低级别的四轴飞行器控制策略，无需使用稳定的 PD 控制器，可以推广到多种四轴飞行器。

    Mar, 2019

  • 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

  • 水下对接的高效检测与控制系统：基于机器学习和逼真仿真的综合方法

    比较不同的深度学习架构以实现水下对接检测和分类，并使用知识蒸馏压缩具有最佳性能的架构，利用生成对抗网络进行图像转换以模拟真实水下图像，最终评估该方法的成功率并与传统视觉方法进行比较。

    Nov, 2023

  • 利用深度强化学习进行无地图水空混合飞行器导航与环境通用化

    本文介绍了一种基于最新的 actor-critic 算法的新方法，以解决 HUAUV 的导航和介质转换问题。我们展示了一种双重评论家 Deep-RL 的方法，通过仅使用范围数据和相对定位来提高 HUAUV 的导航性能。我们的 Deep-RL 方法在不同模拟场景中实现了学习的坚实泛化，表现出更好的导航和转换能力，优于以前的方法。

    Sep, 2022

  • 一种针对受干扰的无人机鲁棒监控控制的强化学习方法

    本文提出了一种针对无人机的监督强化学习控制方法，通过与现有嵌入式控制交错的控制架构，以及针对恶劣风条件的稳健性表现，实现了对环境扰动的控制，使用 Tarot T-18 八旋翼机进行了案例研究，结果表明相对于大多数车辆中使用的经典级联控制结构，监督强化学习模式在面对未知的风力条件时取得了实质性的性能提高。

    May, 2023

  • DiAReL: 机器人控制中的扰动感知鲁棒性 Sim2Real 策略迁移强化学习

    本文研究了引入扰动估计的延迟条件下，通过扩展状态空间的方式应用马尔可夫决策过程的新方法，可以提高机器人控制的稳定性和鲁棒性。

    Jun, 2023

  • 基于分布式神经动力学的反步最优控制：鲁棒约束一致性下的非完全驱动水下车队

    该论文采用一种基于共识的优化协调协议和鲁棒控制器，通过引入球面坐标变换和分布式优化运动协调策略解决了非完整约束问题，并设计了基于神经动力学的鲁棒反馈控制器来处理欠驱动问题，确保在存在未知干扰情况下，UUVs 编队系统的稳定性和所有状态的一致有界性。通过广泛的仿真比较，验证了所得到的最优编队跟踪协议的优越性和有效性。

    Aug, 2023