基于元智能体的大规模未知环境无人机视觉导航
机器人学
2025-03-21 v1 计算机视觉与模式识别
摘要
本工作旨在开发一种方法，使无人机系统 (UAS) 能在大规模城市环境中高效学习导航，并将其获取的经验迁移到新环境。为实现此目标，我们提出了一种元课程训练方案。首先，元训练允许智能体学习一种可泛化于多种任务的主策略。随后，对所得模型进行下游任务的微调。我们以层级方式组织训练课程，使得智能体从粗到细逐步导向目标任务。此外，我们引入增量自适应强化学习 (Incremental Self-Adaptive Reinforcement learning, ISAR) 算法，将增量学习和元强化学习 (Meta-Reinforcement Learning, MRL) 的思想相结合。与传统强化学习 (RL) 侧重于获取特定任务策略不同，MRL 旨在学习具备快速迁移能力到新任务的策略。然而，MRL 训练过程耗时，而我们提出的 ISAR 算法相较于传统 MRL 算法实现了更快的收敛。我们在仿真环境中评估了所提出的方法，证明了该训练哲学结合 ISAR 算法后，在大型城市中域导航的收敛速度显著提升，并在新环境中的适应能力得到显著增强。
引用
@article{arxiv.2503.15781,
title = {UAS Visual Navigation in Large and Unseen Environments via a Meta Agent},
author = {Yuci Han and Charles Toth and Alper Yilmaz},
journal= {arXiv preprint arXiv:2503.15781},
year = {2025}
}