Nov, 2023

通过基于 Transformer 的紧约束预测提高动力下降导引的计算效率

PDF
TL;DR通过使用 Transformer 神经网络，基于降低计算复杂性的方法，解决了无人飞船精确引导问题，并将计算时间从几秒降至 500 毫秒以下。
transformer-based powered descent guidancecomputational complexitytrajectory optimization algorithmstransformer neural networkmars powered descent guidance
发现论文，激发创造
  • 使用大型语言模型进行代码生成的规划

    本文提出了一种新的 Transformer 解码算法 PG-TD，使用规划算法进行预见性搜索和引导 Transformer 生成更好的程序，可以生成具有更高性能的程序，提升了控制代码生成的能力，并设计了一种机制使算法具有计算效率。

    Mar, 2023

  • 无监督深度展开 PGD 用于无线系统中的发射功率分配

    本文提出了一种基于深度神经网络和无监督学习方法实现的传输功率控制算法，在稠密的设备与设备之间通信场景中的实验表明，该算法可以获得比迭代算法更好的性能，且迭代次数降低了两倍以上。

    Jun, 2023

  • 基于结构化图模型和变压器的模型预测仿真

    我们提出了一种基于 transformers 和概率图模型的多个相互作用代理（道路用户）轨迹模拟方法，并将其应用于 Waymo SimAgents 挑战。我们的方法基于 MTR 模型，使用先验知识编码因子来生成并改进轨迹预测，该模型通过执行高斯牛顿方法的（近似）最大后验推理来采样数十个代理的未来轨迹。我们的方法名为 “模型预测模拟”（MPS），在安全关键指标（如碰撞率）方面改进了 MTR 基线，并且与任何潜在预测模型兼容，不需要额外的训练。

    Jun, 2024

  • CGD：无人机轨迹规划的约束引导扩散策略

    使用约束引导扩散（CGD）的混合学习 / 在线优化方案，将传统以优化为基础的规划器与模仿学习相结合，生成无碰撞、动态可行的轨迹，以解决计算成本高、动态可行性不明确和适应新约束的问题。

    May, 2024

  • 深度贝叶斯强化学习用于航天器姿态调整和对接

    我们介绍了一种新颖的贝叶斯演员 - 评论家强化学习算法，用于学习具有稳定性保证的控制策略，以实现自主航天器的接近操纵和对接。该算法应用了李雅普诺夫理论原理，将时间差分学习视为一个受约束的高斯过程回归问题。结合高斯过程和深度核学习，将状态值函数表示为李雅普诺夫函数。我们开发了一种新颖的贝叶斯积分政策优化过程来分析计算策略梯度，并集成了基于李雅普诺夫的稳定性约束。该算法实验性地在航天器空气轴承试验台上进行了评估，表现出令人印象深刻和有希望的性能。

    Nov, 2023

  • 基于 Transformer 的学习优化

    本文提出了一种新的学习优化方法，其中采用神经网络表示优化器更新步骤的计算，优化器的参数通过训练一组优化任务来学习，以实现高效的最小化。创新之处在于，它是一种新型的神经网络架构，“Optimus”，对学习到的优化器进行了改进，启发自经典的 BFGS 算法。

    Dec, 2022

  • 基于序列的计划可行性预测，以优化任务和动作规划

    我们开发了一种基于 Transformer 的架构 PIGINet，该架构可通过融合图像和文本嵌入以及状态特征，预测计划可行性，并根据预测的满足度排序 TAMP 计划器生成的计划骨架，从而能够大大提高可行性规划的效率。

    Nov, 2022

  • 利用网格翼和路径跟随的火箭降落控制

    优化火箭的降落轨迹，通过使用不同的技术来减少降落过程中的总燃料消耗。使用基于模型预测控制的 Trajectory Optimizing Path following Estimation from Demonstration 算法（TOPED）来生成最优和可行的轨迹，引入一种新的成本函数来解决类似初始状态和模型的问题，并在实践中展示 TOPED 能够在存在模型不匹配和不同初始状态的情况下良好地跟随示范轨迹。

    May, 2024

  • 面向航空视觉与对话导航的目标感知图形感知变压器

    本研究提出了一种目标感知的图注意力变换器（TG-GAT）框架，用于无人机代理相关对话历史与航空观测的关联，以实现导航任务，并通过大型语言模型实现辅助视觉以及数据增强策略，有效提高导航性能。

    Aug, 2023

  • 引导策略搜索作为近似镜像下降

    该论文提出了一种新的指导策略搜索算法，将其解释为镜像下降的近似变体，并提供了改善收敛性的保证。实验结果表明，该算法在机器人导航和操作任务中的表现优于之前的指导策略搜索方法，并且具有更简单的公式和更少的超参数。

    Jul, 2016