RESC：基于强化学习的四旋翼密集环境局部规划搜索-控制框架
机器人学
2025-07-29 v5
摘要
复杂环境中的敏捷飞行对当前运动规划方法构成重大挑战，因为它们往往无法充分利用四旋翼的动力学潜力，导致在激进机动时性能下降和效率降低。现有方法通常将轨迹优化与控制生成解耦，并忽略动力学，进一步限制了其生成激进且可行运动的能力。为应对这些挑战，我们提出了一种增强的搜索-控制规划框架，将可见性路径搜索与强化学习（RL）控制生成相融合，直接考虑动力学，弥合规划与控制之间的差距。我们的方法首先通过提出的启发式搜索从无碰撞路径中提取控制点，然后由 RL 策略对其进行细化，为四旋翼控制器生成低级控制命令，利用降维的障碍物观测实现轻量级神经网络的高效推理。我们通过仿真和真实世界实验验证了该框架，结果表明与现有方法相比，在时间效率和动态机动性方面均有提升，同时验证了其鲁棒性和适用性。
引用
@article{arxiv.2408.00275,
title = {RESC: A Reinforcement Learning Based Search-to-Control Framework for Quadrotor Local Planning in Dense Environments},
author = {Zhaohong Liu and Wenxuan Gao and Yinshuai Sun and Peng Dong},
journal= {arXiv preprint arXiv:2408.00275},
year = {2025}
}
备注
This paper has been accepted for publication in IEEE Robotics and Automation Letters (RAL), 2025. The final authenticated version is available online at IEEE Xplore