使用机器学习技术解决复杂物理问题的评估一直是工业应用中的重要问题。本文提出了一种名为学习工业物理模拟的统一评估框架，鼓励开发新的机器学习技术来解决物理问题，并通过使用名为 AirfRANS 的数据集来学习一个代表性的物理用例：空气动力学设计模拟。该竞赛是第一个解决使用基于机器学习的替代方法改善物理模拟的计算成本 / 精度折衷的竞赛，由 Codabench 平台托管并在线进行培训和评估所有提交的解决方案。

Mar, 2024

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

本文提出了一种自主 UAV 路径规划框架，采用深度强化学习方法和深度确定性策略梯度算法，通过调整加速度，使无人机在任意环境中在最短时间内到达目的地，回避任何动态或静态障碍物，并避免进入其路 径上现有的先前许可区域，这有助于提高城市空中移动的有效空间容量。

Jan, 2023

介绍了三维仿真的机器人任务与动作规划基准测试的设计，通过对象的选择、拾取和运输，要求具有先进物理约束和规划任务的人工智能智能体能够在仿真环境中完成任务。实验结果表明，现有算法在此测试中需要进一步发展。

Mar, 2021

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

使用机器学习技术解决复杂物理问题的整合被认为是加速模拟的有希望途径，但评估基于机器学习的物理模型在工业环境中的应用存在挑战。本研究通过基于统一评估框架 Learning Industrial Physical Simulations (LIPS) 的竞赛，旨在推动解决物理挑战的创新机器学习方法的发展。该竞赛以气动外形设计模拟为核心任务，在我们提出的 AirfRANS 数据集上进行，评估各种标准，包括机器学习准确性、计算效率、Out-Of-Distribution 性能和遵循物理原则。值得注意的是，该竞赛是在优化物理模拟中计算效率和准确性之间权衡的 ML 驱动代理方法探索上的先导性工作。该竞赛在 Codabench 平台举行，为所有参与的解决方案提供在线培训和评估。

Jun, 2024

这篇研究论文重点研讨了如何通过人工智能技术改善空军飞行员培训，并使用 Maneuver ID Challenge 数据集应用多种方法提高飞行模拟器的性能和数据分类。

Nov, 2022

该论文研究了地面延误计划（GDP），它是一种在航空交通管理中常用的交通管理计划，用于协调机场的容量和需求差异。通过采用强化学习技术，该论文开发了两个强化学习模型：行为克隆（BC）和保守型 Q 学习（CQL）。这些模型旨在通过利用复杂的奖励函数来提高 GDP 的效率，该函数综合考虑了地面延误、空中延误和航站区域拥堵。该论文使用新瓦克自由国际机场（EWR）2019 年的真实运行数据进行模拟，并旨在提前设定机场计划速率。尽管经过了全面的建模和模拟，但初始结果表明模型在学习方面存在困难，可能是由于过于简化的环境假设。该论文讨论了遇到的挑战，评估了模型在实际运行数据上的表现，并概述了改进 ATM 中强化学习应用的未来方向。

May, 2024

本文使用强化学习算法，最小化无人机避障中的水平分离问题，将避障策略转化为一组航迹点，以满足安全需求，并在高保真模拟和实际飞行演示中进行了评估。

Jan, 2023

本文提出了一种基于图强化学习的方法，用于在线规划多个垂降站之间的电动飞机航班和目的地。训练数据表明，这种方法在性能和效率方面表现优秀。

Jan, 2024