LEARN：面向受限资源的空中多机器人导航学习
机器人学
2025-11-25 v1 机器学习
多智能体系统
摘要
Nano-UAV团队虽然提供了很大的灵活性，但由于受限的 onboard 传感、通信和计算资源，面临严峻的导航挑战。现有方法依赖于高分辨率视觉或计算密集型规划器，难以在这些平台上实现。我们引入LEARN，一个轻量级、两阶段安全导向的强化学习（RL）框架，用于混合空间中的多UAV导航。我们的系统结合低分辨率Time-of-Flight（ToF）传感器和简单运动规划器，配合一个紧凑的注意力机制RL策略。在仿真中，LEARN在使用大量资源的情况下，以超过10%的性能优于两个最先进的规划器。我们在六个Crazyflie四旋翼机上演示了LEARN的可行性，在多样化的室内和室外环境中实现了完全onboard飞行，最高速度可达2.0 m/s，能够跨越0.2米的缝隙。
引用
@article{arxiv.2511.17765,
title = {LEARN: Learning End-to-End Aerial Resource-Constrained Multi-Robot Navigation},
author = {Darren Chiu and Zhehui Huang and Ruohai Ge and Gaurav S. Sukhatme},
journal= {arXiv preprint arXiv:2511.17765},
year = {2025}
}
备注
20 pages, 15 figures