.png){kind=icon}
返回
Model-Free UAV Navigation in Unknown Complex Environments Using Vision-Based Reinforcement Learning
.png){kind=icon}
OA
AI
DOI：10.3390/drones9080566.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自主无人机在未知和复杂环境中的导航仍是一个核心挑战，尤其是在感知和计算资源受限的情况下。虽然大多数方法依赖于涉及建图、规划和控制的模块化流水线，但它们通常存在实时性能差、适应性有限以及对精确环境模型的高依赖性等问题。此外，许多基于深度学习的解决方案要么使用易受视觉噪声影响的RGB图像，要么仅优化单一目标。相比之下，本文提出了一种统一的、无模型的基于视觉的深度强化学习（DRL）框架，该框架通过单个卷积策略网络直接将机载深度图像和无人机状态信息映射为连续的导航指令。这种端到端架构消除了对显式建图和模块化协调的需求，显著提高了响应速度和鲁棒性。设计了一种新颖的多目标奖励函数，以联合优化路径效率、安全性和能耗，从而实现在未知复杂环境中的自适应飞行行为。训练后的策略在多样化的模拟场景中展示了泛化能力，并能有效迁移至真实世界的无人机飞行。实验表明，本方法实现了稳定导航和低延迟。
Keyword:
UAV navigation
deep reinforcement learning
model-free control
multi-objective optimization
end-to-end vision-based policy
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
D
IF:
4.8
论文数:
3.9K
被引数:
8.3K
机构
引用论文
Chen, T.; Gupta, S.; Gupta, A. Learning exploration policies for navigation. arXiv 2019. [Google Scholar] [CrossRef]陈, T.; 古普塔, S.; 古普塔, A. 学习导航探索策略. arXiv 2019. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Unmanned aerial vehicles (UAVs): practical aspects, applications, open challenges, security issues, and future trends无人机 (uav): 实用方面，应用，开放挑战，安全问题和未来趋势OAAI
OAAI分享收藏UAV-YOLOv8: A Small-Object-Detection Model Based on Improved YOLOv8 for UAV Aerial Photography ScenariosUAV-YOLOv8: 基于改进YOLOv8的无人机航拍场景小目标检测模型SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏UAV trajectory tracking under wind disturbance based on novel antidisturbance sliding mode controlOAAI
OAAI分享收藏分享收藏Vision-Based Deep Reinforcement Learning of Unmanned Aerial Vehicle (UAV) Autonomous Navigation Using Privileged Information基于视觉的基于特权信息的无人机自主导航深度强化学习DRONES
OAAI
DRONESIF4.8
OAAI分享收藏
查看更多内容