面向自主无人 aerial 系统的深度学习与强化学习：从理论到部署的路线图
机器学习
2020-09-10 v2 系统与控制
系统与控制
机器学习
摘要
无人 aerial 系统（UAS）正日益被用于商业、民用和军事应用。当前 UAS 的最先进水平仍依赖具有稳健无线链路的远程人类控制器来执行其中若干应用。自主性的缺乏限制了 UAS 可部署的应用领域与任务。为 UAS 赋予自主性与智能将有助于克服这一障碍，扩展其使用并提升安全性与效率。数字时代计算资源的指数级增长与海量数据的可用性，使得机器学习在其上一个寒冬之后再度兴起。因此，在本章中，我们讨论如何利用机器学习的一些进展，特别是深度学习与强化学习，来开发下一代自主 UAS。我们首先在引言部分通过讨论当前 UAS 的应用、挑战与机遇来引出本章。随后我们概述本章通篇讨论的一些关键深度学习与强化学习技术。赋能 UAS 自主性的一个关键焦点领域是计算机视觉。据此，我们讨论深度学习方法是如何被用于完成有助于提供 UAS 自主性的若干基本任务。接着我们讨论如何探索强化学习以利用这些信息为 UAS 提供自主控制与导航。接下来，我们为读者指明选择合适的仿真套件与硬件平台的方向，以助其快速原型化基于机器学习的新颖 UAS 解决方案。我们还讨论了与开发自主 UAS 解决方案各方面相关的开放问题与挑战，以阐明潜在的研究领域。
引用
@article{arxiv.2009.03349,
title = {Deep Learning and Reinforcement Learning for Autonomous Unmanned Aerial Systems: Roadmap for Theory to Deployment},
author = {Jithin Jagannath and Anu Jagannath and Sean Furman and Tyler Gwin},
journal= {arXiv preprint arXiv:2009.03349},
year = {2020}
}
备注
Preprint of Book Chapter to be published in Springer