Learning-to-Fly：面向可扩展城市空中交通的基于学习的碰撞避免
系统与控制
2020-06-25 v1 机器学习
机器人学
系统与控制
摘要
随着城市人口增长，城市空中交通（UAM）在全球受到关注，其中数百个自主无人飞行系统（UAS）在城市上空的空域执行任务。与传统的人在回路空中交通管理不同，UAM 需要可扩展至高一个数量级飞机密度且适用于城市环境的去中心化自主方法。我们提出 Learning-to-Fly（L2F），一种用于多个 UAS 的去中心化按需机载碰撞避免框架，允许它们独立规划并安全执行使用信号时序逻辑（Signal Temporal Logic）表达的空间、时间和反应目标。我们将两个 UAS 之间预测性避免碰撞且不违反任务目标的问题表述为混合整数线性规划（MILP）。然而这在线求解不可行。相反，我们开发了 L2F，一种两阶段碰撞避免方法，包括：1）基于学习的决策方案；2）基于分布式线性规划的 UAS 控制算法。通过大量仿真，我们展示了我们方法的实时适用性，其比 MILP 方法快约 ，且在有足够机动空间时可解决 的碰撞，否则性能优雅退化。我们还将 L2F 与另外两种方法比较，并展示了在四旋翼机器人上的实现。
引用
@article{arxiv.2006.13267,
title = {Learning-to-Fly: Learning-based Collision Avoidance for Scalable Urban Air Mobility},
author = {Alëna Rodionova and Yash Vardhan Pant and Kuk Jang and Houssam Abbas and Rahul Mangharam},
journal= {arXiv preprint arXiv:2006.13267},
year = {2020}
}
备注
To be published in IEEE International Conference on Intelligent Transportation Systems (ITSC), 2020