美女与野兽：最优方法遇上学习用于无人机竞速

自主微型飞行器在快速敏捷机动、动态环境、不完美感知与状态估计漂移方面仍存在困难。自主无人机竞速将这些挑战凸显出来。人类飞行员在经过少量练习飞行后便能飞完此前未见的赛道。相比之下，最先进的自主导航算法要么需要精确的环境度量地图，要么需要在相关赛道上收集大量训练数据。为弥合这一差距，我们提出一种方法，可在此前未见的环境中无需精确地图或昂贵数据收集即可飞完新赛道。我们的方法以粗略的 gate 位置表示全局赛道布局，这可从单次示范飞行中轻松估计。在测试时，卷积网络预测最近 gate 的位姿及其不确定性。这些预测被扩展卡尔曼滤波纳入，以维持 gate 位置的最优最大后验估计。这使得该框架能够应对可能源于可观性较差或缺乏可见 gate 的误导性高方差估计。给定估计的 gate 位姿，我们使用模型预测控制快速而准确地穿越赛道。我们在物理世界中进行了大量实验，展示了对复杂多样且此前未见的赛道的敏捷而鲁棒的飞行。所提出的方法被用于赢得 IROS 2018 自主无人机竞速比赛，以两倍于第二名队伍的速度完赛。