GRASP实验室发布学习使用自主微型飞行器探索室内环境
#论文# ICRA 2024 (review)|GRASP实验室发布学习使用自主微型飞行器探索室内环境 【Learning to Explore Indoor Environments using Autonomous Micro Aerial Vehicles】 作者单位：宾夕法尼亚大学、耶路撒冷希伯来大学、Technion -以色列理工学院 文章链接：http://arxiv.org/abs/2309.06986 在本文中，我们解决了使用具有尺寸重量和功率( SWaP )约束的自主空中机器人探索未知室内空中环境的挑战。SWaP约束限制了探索中对任务时间效率的要求。我们提出了一种新颖的探索框架，使用深度学习( Deep Learning，DL )来预测给定先前观测的最可能的室内地图，并使用深度强化学习( Deep Reinforcement Learning，DRL )进行探索，旨在运行在现代SWaP约束神经处理器上。基于DL的地图预测器提供了对不可视环境占用情况的预测，而基于DRL的规划器则确定了可以安全到达的最佳导航目标，以提供最多的信息。 这两个模块紧密耦合，并在车上运行，使车辆能够安全地映射未知环境。大量的实验和仿真结果表明，我们的方法在效率上超过了最先进的方法50 - 60 %，其中我们用探索空间的分数作为轨迹长度的函数来衡量。
