Crazyflie
PulseAugur coverage of Crazyflie — every cluster mentioning Crazyflie across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
机器人利用神经元胞自动机组装复杂形状
研究人员开发了一个新的分布式群体形态发生框架，使机器人能够自主组装成所需的形状。该系统将神经元胞自动机（NCA）与选址和避碰控制相结合，引入了一种去中心化机制，使机器人能够根据本地NCA状态识别新的附着点。该方法包括离线稀疏保留微调，以更好地将NCA生长与物理组装相匹配，并成功地用数百个机器人形成了多种晶格形态，提高了准确性。使用Crazyflie四旋翼飞行器进行的实验通过机器人相对观测验证了该流程。
-
新的HyperDrone模拟器以每秒数百万帧的速度渲染无人机模拟
研究人员开发了HyperDrone，这是一种新颖的四旋翼模拟器，在速度上显著优于现有系统，批处理渲染速度提高了20倍以上。该模拟器使用了一个名为HyperLux的GPU加速光线追踪引擎，支持Nvidia OptiX、Vulkan、Apple Metal和WebGPU等多种图形后端。HyperDrone能够以每秒数百万帧的速度渲染高保真观测，包括RGB、深度和语义分割，从而能够训练可以直接迁移到Crazyflie等真实无人机上的基于视觉的控制策略。
-
新的GPU加速自适应控制框架为机器人规划未来学习
研究人员开发了A-SLS，一个集成了未来学习到机器人系统实时规划中的鲁棒自适应控制新框架。该方法设计用于在GPU上运行，考虑了机器人在不熟悉环境中如何学习和减少不确定性，从而导致不那么保守的控制策略。A-SLS已证明在减少可达管保守性以及为复杂系统实现全身控制方面具有有效性，并已成功在物理Crazyflie无人机上进行了在线参数学习和稳定化测试。
-
AI模型在扑翼飞行器扑翼计数方面的比较
研究人员使用光流数据，评估了三种类型的时间模型——卷积、脉冲和基于注意力——在扑翼飞行器中计数扑翼次数的性能。该研究在MuJoCo模拟环境中，使用虚拟Crazyflie飞行器进行，并在不同距离下比较了模型的性能。虽然所有模型在扑翼计数方面都表现出高精度，但由于训练和鲁棒性的差异，结果并未确立不同架构之间的明确排名。
-
新的自适应学习方法可跟踪未知动力学
研究人员开发了一种新颖的自适应在线学习方法，用于控制系统，旨在跟踪未知且可能切换的目标动力学。该方法同时学习多个预测器，并自适应地选择最佳预测器以匹配观察到的目标行为，提供了有限时间内的近最优保证。该方法已通过Crazyflie平台的仿真和硬件实验得到验证，证明了其在各种目标轨迹类型上的有效性。
-
新算法赋能机器人跨未知环境、伙伴和规模进行自适应协作 · 追踪到2个来源
研究人员引入了超图开放式学习算法（HOLA），以应对动态和不可预测环境中多机器人协作的挑战。该新算法通过对超越简单成对交互的复杂协作关系进行建模，使机器人能够适应未知的环境、伙伴和团队规模。HOLA在合作追逐场景中表现出卓越的性能，并已成功部署在Crazyflie和Zsibot L1物理平台上，证实了其在现实世界协调中的鲁棒性。
-
Crazyflow 模拟器使用 JAX 加速无人机 AI 开发
研究人员开发了 Crazyflow，一个使用 JAX 构建的新的 GPU 加速无人机模拟器。该模拟器提供了显著的速度提升，单架无人机的速度提升超过十倍，并且能够同时模拟数千架无人机。Crazyflow 支持高精度的基于梯度的策略学习和极高速度的基于采样的避障，甚至支持飞行中强化学习。
-
自适应强化学习增强四旋翼飞行器飞行控制
研究人员开发了一种新的基于深度强化学习的四旋翼飞行器自适应控制系统。该系统通过主动预测和响应实时扰动来增强飞行控制，超越了传统的域随机化方法。在Crazyflie微型四旋翼飞行器上的实际测试表明，即使在质量变化和不对称载荷等显著变化下，其轨迹跟踪性能也优于现有方法。