无人机整机
无人机配件
无人机服务
设备与工具
引言
将前一项任务中学到的知识，应用到新的任务中，这是人类大脑的一项最重要的机制。可是，对于机器人来说，将自主的行为，在部分相似的环境中进行重用，这仍然是一个公开的难题。然而，卡耐基梅隆大学的研究人员最近发表的一篇论文，在这个方向上迈出了一小步。他们提出了一种学习“可迁移的运动策略”的通用架构，旨在利用相似域中的训练数据，解决目标域的学习问题。他们使用自主飞行微型无人机，在复杂凌乱的户外森林环境中，进行了飞行试验，验证方法的有效性。
现有无人机“自主”飞行的训练方法及其弊端
如今，无人机应用已十分广泛。然而，在复杂环境中，让无人机进行有效的自主操作，完成特殊任务例如避障，就需要人工智能，神经网络，机器学习领域的复杂知识，设计“感知器”和“软件控制系统“。这些年，许多人工智能和机器学习算法，在无人机的感知和控制方面，扮演了重要角色。
但是，这种“数据驱动”方法，有一个主要弊端，即“吃一堑，长一智”，知识主要来源于对象受到的“损伤”，另外还需要复杂的数据获取和训练流程。
而在新研究中，研究人员认为对于许多机器人任务来说，获取训练数据几乎不可能。例如，训练昂贵的机器人系统，使用模仿学习进行避障，通常需要搜集失败范例的数据。这常常是危险而具有灾难性的，例如让一架直升机坠毁。所以，需要借助其他办法，例如综合仿真，训练真实世界中的模型。
对于那些获取训练数据的任务，由于数据集“有限的变化性”，已学到的策略，也只能应用在他们所处的特定环境和物理系统中。另外，真实世界常常会遇到动态变化，例如环境和光线，这些常常会改变域属性。
基于“域自适应”的学习策略
通过传统的学习方法，并不能保证策略有效。所以，需要新技术来减少失败的成本，利用相关源域的标签数据，例如现有数据集和综合仿真。“域自适应”，可以正式的解决领域偏差，就也是解决问题的方法。目前，有关提高“学习策略可迁移性”的“迁移学习”的尝试仍然很少。更进一步地，通过真实世界的实验来进行验证，则更少。
而研究人员通过在杂乱的环境中，使用基于视觉的自主微型无人机的飞行实验，来拓展这些想法，通过“迁移学习”从源域获取标签数据，使用“域自适应”的方法，有效地加速新目标域的学习。
技术和实验方法
技术方法主要是，使用自主的微型无人机飞行，来学习可迁移的策略。首先，在展示的系统中，商用平台的微型无人机，在最高1.5米/秒的速度下近地，低负载的自主飞行，通过浓密的森林环境，使用被动单目视觉系统作为唯一传感器。研究人员使用了一种分布式处理的网络，从前向摄像头搜集图像流，通过Wi-Fi发送到基站。基站对于这些图像进行处理，然后发送相应的命令给无人机。
研究人员通过观察无人机在坠落前的几次飞行的平均距离，来评估系统性能。测试，在具有不同树木密度的森林区域展开。人类控制的1千米飞行，作为源域的训练数据搜集方法。然后，在近1千米的自主飞行中，使用学习到的策略，在使用和不使用“域自适应”的两种条件开展测试。测试结果和上下限：使用随机策略的飞行，和使用完整训练数据的飞行，进行比较。
A. 使用"模仿学习"学习反应性策略
摄像头输入的视觉功能，提供了用来控制无人机和进行避障的一组丰富信息。基于“模仿学习”的技术，通过视觉输入，直接学习无人机左右速度的线性控制器。研究人员通过人类飞行员在复杂的森林环境中的示范，以及相关图片，训练控制器，学习反应性策略，可以调整无人机飞行时朝向，避开树木。经过几次学习和经验，学习者可以学会一个优化策略，模仿和飞行员在这种环境中一样的行为。然而，这种方法的主要限制是，它无法无缝的通用化到新环境中。
B. 使用"深度域自适应"的策略迁移
一种使用使用深度适应网络的框架，从模拟的源域到目标域，学习可转移的策略。
在研究中，研究人员，使用来自源域的有标签信息和来自目标域的无标签的信息，将以上的方法拓展到学习"域自适应"的策略。问题就变成了，训练一个模型来学习一些列特征，来减少跨域的偏差。基于深卷积神经网络（CNN）的模型，比传统的方法在解决复杂学习问题方面，更具优势。他们已经显示出对于新的任务的适应性。而主要挑战就是目标域，没有有标签的信息。所以，通过微调对于目标域直接采取CNN，是不可能的。所以，研究最近构建了一个深度适应网络（DAN）架构，将深度卷积神经网络普遍化，进“域自适应”方案中。主要的目标，就是提高在深度神经网络的特殊任务层面的域可迁移性，减少域之间的偏差。
基于三种迁移的性能评估方法
跨系统迁移
我们可以从一个传感器配置到另外一个，在不同的物理系统间迁移策略吗？
研究人员，使用ARDrone作为源域，使用一个修改过的，装备有高动态范围的PointGrey Chameleon摄像头的3DR ArduCopter作为目标域。传感器系统，图像分辨率和摄像头内部，都和ARDrone不一样。因此，从一个系统学习的到的策略，不能在另外一个系统通用。
跨气候条件迁移
我们可以从夏季到冬季，在不同的气候条件间迁移策略吗？
研究人员从夏天搜集训练数据作为源域，然后使用冬季的目标域，进行策略迁移。在这种情况中，域变化由于不同视觉表现引起的。夏季，充满浓密植物；冬季，缺少植物，白雪一片。
跨环境迁移
我们可以从一个物理地点到另外一个，在不同的环境间迁移策略吗？
这相当于使用现成的数据集作为源域，在另外一个独立的目标域进行测试，研究人员使用苏黎世大学的丛林小路作为源域，数据集提供了大规模的，森林环境中，尝试飞行（左，右或者中间）的图像集。使用这些源标签，他们测试了微型无人机的反应性控制，并且在卡耐基梅隆大学附近的森林环境作为目标域中进行了测试。这里，域偏差通过物理位置和自然任务的不同而引入。
实验和数据
(第一行)ARDrone和 ArduCopter间的物理系统迁移
(第二行) 夏天到冬天间的气候条件迁移
(第三行) 瑞士苏黎世大学和卡耐基梅隆大学间的环境迁移
实验结果分析
这项研究中获取的主要结果，是使用建议的方法进行“迁移学习”，相对于在新的域中比简单的复用学习策略，对象的性能显著提升。定量分析方面，在不同树木浓密度的在环境中，进行了6千米的飞行实验。尽管没有训练数据，在目标域中，微型无人机能够成功的避开1900个树，精准率达90%。
对于飞行测试的定性评估来说，如下图所示，自然的训练数据，来自夏天，无人机飞行的路径上，时间顺序展开的预测的左右速度命令的快照。更长远的说，同时他们也分析了没有使用“域自适应”，这种方法学习到的策略，是通过使用快照图像作为输入的预测控制命令（离线）进行。观察结果是，“域自适应”的方法相对更好，可以通用化到新的域。
在浓密森林中的一次示例飞行的定性可视化。训练数据，在夏季（第一列）同样的环境中搜集，并且在冬季（第二列）测试。微型无人机拍摄的图像序列，自上而下按时间顺序，并且使用建议方法的学习到的策略发布的颜色编码命令进行覆盖。另外，也研究人员也计算了没有使用“域自适应”的策略（第三列），作为定性比较。
研究人员观测了前两个实验，对象在目标域中的表现好过源域。
对于物理系统之间的迁移来说，这个归因于无人机的动力学。ArduCopter具有更精准和稳固的定位系统，抗风性能好，这是比ARDrone坠落次数少的主要原因。另外，目标域具有更好的传感器。分辨率的增加，可以更好的帮助检测更小的树木。对于气候条件间迁移来说，目标域也有相应的性能提高。对于失败案例的经验分析，表明一部分的失败因为树枝和树叶，在冬天的条件显著减少，对于性能提高有帮助。相对于前两个实验，对于环境间的迁移中来说，性能只有稍微提高。
总结
通过“域自适应”和“迁移学习”的方法，进行策略学习，有效的提高了无人机自主学习的性能，也有望应用于其他机器人自主操作的训练中，不仅降低了训练风险，也有效的提升了训练能力。
随着人工智能和机器学习技术的不断发展，这些新方法，必然会对无人机和机器人相关的应用领域的智能化，带来更有效的推进。
2025-04-29 14:05
2025-04-29 13:46
2025-04-29 13:44
2025-04-28 13:44
2025-04-27 11:13
2025-04-27 11:01
2025-04-24 10:38
2025-04-24 10:30
2025-04-24 10:27
2025-04-23 10:17
