在杂乱环境中学习最小时间飞行
机器人学
2022-06-22 v2
摘要
我们解决了四旋翼在存在障碍物情况下穿越一系列航点的最小时间飞行问题，同时充分利用四旋翼的完整动力学。早期工作依赖于简化动力学或多项式轨迹表示，未利用四旋翼的全部执行器潜力，从而得出次优解。近期工作能够规划最小时间轨迹；然而，这些轨迹由未考虑障碍物的控制方法执行。因此，此类轨迹的成功执行易因模型失配与飞行中扰动而产生误差。为此，我们利用深度强化学习与传统拓扑路径规划，训练出用于杂乱环境中四旋翼最小时间飞行的鲁棒神经网络控制器。所得神经网络控制器相较最先进方法展现了高达19%的显著更优性能。更重要的是，学到的策略在线同时解决规划与控制问题以应对扰动，从而实现高得多的鲁棒性。据此，所提方法在以无碰撞方式飞行最小时间策略时实现了100%成功率，而传统规划与控制方法仅达40%。所提方法在仿真与真实世界中均得到验证，四旋翼速度可达42km/h，加速度达3.6g。
引用
@article{arxiv.2203.15052,
title = {Learning Minimum-Time Flight in Cluttered Environments},
author = {Robert Penicka and Yunlong Song and Elia Kaufmann and Davide Scaramuzza},
journal= {arXiv preprint arXiv:2203.15052},
year = {2022}
}