quadrotors
PulseAugur coverage of quadrotors — every cluster mentioning quadrotors across labs, papers, and developer communities, ranked by signal.
-
四旋翼无人机深度强化学习的新安全层
研究人员开发了CALOS（流形上控制仿射李雅普诺夫安全层），旨在强制执行四旋翼无人机深度强化学习中的安全约束。该运行时层将姿态和李雅普诺夫下降条件构建为二次规划问题，从而能够实时校正策略的扭矩输出。在NVIDIA Isaac Lab中进行测试，CALOS显著减少了横向跟踪误差，消除了姿态约束违规，同时还加速了训练收敛并提高了数据效率。
-
新的模块化深度RNN架构提高了复杂动力学学习的效率
开发了一种新的模块化深度循环神经网络（RNN）架构，以简化各种RNN设计的部署并自动计算基于梯度的学习的导数。这种模块化支持新的架构，包括具有前馈层间连接的架构，从而显著增强了RNN对复杂动力学和非线性的建模能力。所提出的方法还有助于缓解多层RNN中梯度消失/爆炸的问题，其在四旋翼飞行器案例研究中的成功应用证明了这一点，在该研究中，它比现有方法更有效地学习了高度动力学。
-
Deep Coordinator 框架优化机器人求解器超参数
研究人员开发了 Deep Coordinator，一个新颖的深度展开框架，旨在优化多智能体机器人中分布式求解器的超参数调整。该系统在执行过程中动态调整 ADMM-DDP 求解器的超参数，这是非凸优化器首次实现的功能。在涉及汽车和四旋翼飞行器的模拟中进行测试，Deep Coordinator 实现了与传统方法相当的轨迹质量，速度快了 9.44 倍，并且在比其训练系统大八倍的系统上保持了性能。
-
PerchRL 使四旋翼无人机能够栖息在移动的倾斜平台上
研究人员开发了 PerchRL，这是一个为四旋翼无人机自主栖息在移动、倾斜平台而设计的强化学习框架。该系统采用两阶段学习过程，首先进行基于状态的预训练，然后使用视觉输入进行微调。为了增强其处理不可预测的平台运动和间歇性视觉丢失的能力，PerchRL 结合了随机轨迹、时间增强和具有主动感知奖励的可见性感知状态增强。模拟和现实世界的测试都证实了该系统的稳定性、实时性能和跨不同四旋翼无人机模型的适应性。