基于深度模型强化学习的四旋翼飞行器底层控制
机器人学
2019-07-22 v2 机器学习
摘要
设计有效的机器人底层控制器通常需要针对特定平台的实现，涉及手动启发式参数调节、大量的系统知识或较长的设计时间。随着从工业自动化到智能玩具等领域部署的机器人与机电系统数量不断增加，对生成底层控制器的通用方法的需求日益增长。为应对快速生成底层控制器的挑战，我们主张使用基于模型的强化学习（MBRL），该模型在相对少量的自动生成（即无需系统仿真）数据上训练。本文中，我们在具有快速动力学特性、以低于50Hz频率进行预测与控制的Crazyflie厘米级四旋翼上探索MBRL的能力。据我们所知，这是首次仅使用机载传感器、直接电机输入信号且无需初始动力学知识，将MBRL用于四旋翼受控悬停。我们的控制器利用GPU基站上神经网络前向动力学模型的快速仿真，随后通过无线电将当前最优动作传输至四旋翼固件。在实验中，四旋翼利用3分钟实验训练数据实现了长达6秒的悬停能力。
引用
@article{arxiv.1901.03737,
title = {Low Level Control of a Quadrotor with Deep Model-Based Reinforcement Learning},
author = {Nathan O. Lambert and Daniel S. Drew and Joseph Yaconelli and Roberto Calandra and Sergey Levine and Kristofer S. J. Pister},
journal= {arXiv preprint arXiv:1901.03737},
year = {2019}
}
备注
Accepted to IROS and RA-L, 2019. For more information, see the website: https://sites.google.com/berkeley.edu/mbrl-quadrotor/. 9 pages, 12 figures