回归牛顿定律：通过可微分物理学习基于视觉的敏捷飞行
机器人学
2025-06-24 v2
摘要
在杂乱环境中进行群体导航是机器人学中的重大挑战。本工作通过可微分仿真将深度学习与基本物理结合，使多旋翼机器人能够在复杂环境中以高速度实现自主导航。我们的方法通过对机器人仿真中的损失梯度进行反向传播，直接优化基于简单点质量物理模型和深度渲染引擎的神经网络控制策略。尽管方法简单，却在挑战性任务中表现出色，适用于单智能体和多智能体应用，实现零样本仿真到现实的迁移。在多智能体场景中，系统演示出自组织行为，使其能够在无需通信或集中规划的情况下实现自主协调——这是现有传统或学习方法所未曾实现的成就。在单智能体场景中，系统在通过复杂环境的成功率达到90%，显著优于先前方法的60%。该系统无需状态估计即可运行，并能适应动态障碍物。在真实森林环境中实现每秒20米的速度，翻倍于以前基于模仿学习的解决方案。值得注意的是，所有这些功能都部署在成本低廉的21美元计算机上，仅为现有系统配备GPU板的5%以下成本。视频演示可在https://youtu.be/LKg9hJqc2cc 查看。
引用
@article{arxiv.2407.10648,
title = {Back to Newton's Laws: Learning Vision-based Agile Flight via Differentiable Physics},
author = {Yuang Zhang and Yu Hu and Yunlong Song and Danping Zou and Weiyao Lin},
journal= {arXiv preprint arXiv:2407.10648},
year = {2025}
}