掌握多样化、未知且杂乱的轨迹：面向稳健视觉无人机赛跑
机器人学
2025-12-12 v2
摘要
大多数基于强化学习 (RL) 的无人机赛跑方法针对固定且无障碍的轨迹进行设计，未能有效应对未知、杂乱环境的泛化问题。这一挑战源于需要在赛跑速度与碰撞规避之间取得平衡、可行空间有限导致训练期间策略探索陷入局部最优，以及在深度图中门和障碍物之间的感知模糊——尤其是当门位置仅粗略指定时。为克服这些问题，我们提出了两个阶段的学习框架：初始软碰撞训练阶段保留策略探索以实现高速飞行，随后是硬碰撞细化阶段以强制实现稳健的障碍规避。我们进一步引入自适应噪声增强的课程学习，采用非对称演员-评论家架构逐渐转移策略对特权门状态信息对深度图视觉输入的依赖。我们还施加 Lipschitz 约束并集成轨迹原语生成器以增强运动稳定性和跨环境泛化。我们通过大量仿真和消融实验进行评估，并在计算受限的四旋翼机上进行实际实验验证。该系统在保持敏捷飞行的同时，对抗击门位置误差，发展出一种可在多样化、部分未知和杂乱环境中运行的通用无人机赛跑框架。https://yufengsjtu.github.io/MasterRacing.github.io/
引用
@article{arxiv.2512.09571,
title = {Mastering Diverse, Unknown, and Cluttered Tracks for Robust Vision-Based Drone Racing},
author = {Feng Yu and Yu Hu and Yang Su and Yang Deng and Linzuo Zhang and Danping Zou},
journal= {arXiv preprint arXiv:2512.09571},
year = {2025}
}
备注
8 pages, 9 figures, accepted to Robotics and Automation Letters