基于深度强化学习的 GPS 信号受限室内环境下微型无人机自主导航
机器人学
2025-04-09 v1 机器学习
摘要
无人机在室内环境的自主性面临着在仓库、工厂和室内设施等封闭空间中缺乏可靠 GPS 信号这一显著挑战。由于其灵活性、低功耗和有限的计算能力，微型无人机（MAV）被用于在这些复杂的 GPS 信号受限场景中进行导航。本文提出一种基于强化学习的深度近端策略优化（D-PPO）算法，以提高计算效率来增强实时导航。该端到端网络在使用虚幻引擎创建的三维逼真元环境中进行训练。通过这些训练好的元权重，MAV 系统在真实的室内环境中进行了大量实验试验。结果表明，所提出的方法在训练期间将计算延迟降低了 91%，且性能几乎没有明显下降。该算法在 DJI Tello 无人机上进行测试，得到了类似结果。
引用
@article{arxiv.2504.05918,
title = {Deep RL-based Autonomous Navigation of Micro Aerial Vehicles (MAVs) in a complex GPS-denied Indoor Environment},
author = {Amit Kumar Singh and Prasanth Kumar Duba and P. Rajalakshmi},
journal= {arXiv preprint arXiv:2504.05918},
year = {2025}
}