Learning-'N-Flying：一种基于学习的、去中心化、任务感知的无人机系统碰撞避免方案
系统与控制
2021-01-27 v1 机器学习
机器人学
系统与控制
摘要
城市空中交通，即数百架有人和无人飞机系统（UAS）在城市内执行多种任务（例如运送人员和货物）的场景，正作为一种未来交通解决方案获得认可。实现这一目标的关键要求之一是在这些城市空域中安全管理空中交通。由于预期空域密度高，这需要可在线部署的快速自主解决方案。我们提出 Learning-'N-Flying（LNF），一个多 UAS 碰撞避免（CA）框架。它是去中心化的，可即时工作，并允许由不同运营商管理的自主 UAS 在共享空域中使用信号时序逻辑表示复杂任务并安全执行。我们最初将两架 UAS 的预测性碰撞避免问题表述为混合整数线性规划，并表明其在线求解是难处理的。相反，我们首先通过结合：a) 基于学习的决策，和 b) 基于去中心化凸优化的控制，开发出 Learning-to-Fly（L2F）。LNF 将 L2F 扩展到碰撞路径上有多于两架 UAS 的情况。通过大量仿真，我们表明我们的方法可在线运行（计算时间量级为毫秒），并且在某些假设下最坏情况失败率低于 1%，在更宽松的操作中改善至接近 0%。我们通过多个案例研究展示了我们的方案在多种设置下的适用性。
引用
@article{arxiv.2101.10404,
title = {Learning-'N-Flying: A Learning-based, Decentralized Mission Aware UAS Collision Avoidance Scheme},
author = {Alëna Rodionova and Yash Vardhan Pant and Connor Kurtz and Kuk Jang and Houssam Abbas and Rahul Mangharam},
journal= {arXiv preprint arXiv:2101.10404},
year = {2021}
}
备注
to be published in ACM Transactions on Cyber-Physical Systems. arXiv admin note: text overlap with arXiv:2006.13267