利用强化学习拦截受控空域内的未经授权空中机器人
本文提出了一种人工干预辅助下的强化学习框架,将深度神经网络应用于无人机自治导航,实现了减少人为干预、性能提升、安全性保障和控制成本可接受的目标。
Nov, 2018
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
本文提出了一种基于强化学习的分布式探索方法,通过通信渠道实现上下文感知,最小化移动,协调无人机群体行动,以实现监控和遥感应用。实验结果表明,与启发式方法相比,该方法在非均匀分布的情况下表现更好,且具有良好的容错性和适应性。
Mar, 2021
本研究提出了一种利用深度强化学习技术(TD3)和经验回放(HER)来优化具有Dubin车辆动力学特性的无人机在二维空间中达到目标路径的方法,并在两种不同环境下进行了模拟实验,可用于UAV自主机动决策等领域。
Jan, 2022
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
提出一种深度强化学习(DRL)控制器,通过将耦合的 Q 值学习模型分解为安全感知和效率两个模型,利用周围入侵者的信息作为输入来帮助解决自主自由飞行的冲突。通过该控制器,可以在克服 DRL 控制器的解释性和安全性问题的情况下提高控制任务的性能,同时提供关于环境安全情况的丰富信息。
Nov, 2022
本研究采用奖赏塑形和策略塑形技术同时训练RL智能体,以控制无人机;结果表明,与仅使用基于策略的方法训练智能体相比,使用两种技术同时训练的智能体获得了较低的回报,但训练期间达到了更低的执行时间和更少的离散度。
Dec, 2022
本研究针对自主四旋翼在安全性上的缺陷,提出了一种智能控制系统以应对网络攻击。通过深度学习方法,设计了优化的虚假数据注入攻击方案以及相应的对策,显著提升了四旋翼的追踪性能,研究结果为无人机系统的安全控制提供了重要的启示。
Sep, 2024