无人机整机
无人机配件
无人机服务
设备与工具二、预测模型：帮助无人机不断优化飞行动作
神经网络动力学预测模型以无人机当前的状态和动作作为输入。当无人机装载了有效载荷后，预测模型利用变分推断（variational inference）方法，根据当下有效载荷的质量、系绳的长度等状态参数快速推断出后验概率，帮助无人机适应新的飞行状态。
该模型用长度为T的时序数据进行训练，以此优化神经网络的权重（weight）参数。研究人员假设有效载荷参数是未知的，用一个具有分布参数的潜变量（latent variable）K来表示它们，通过调整K值来模拟携带不同有效载荷的情况。
在模型训练阶段，研究人员手动驾驶载有不同有效载荷的无人机按照随机轨迹飞行，并收集这部分训练数据。然后，研究人员运行元学习方法，使模型学习共享的动力学模型参数和对不同有效载荷的适应参数。
然后，研究人员检测模型的训练成果。模型利用当前任务的所有数据在线推导出最优潜变量。基于动力学模型的控制器据此规划无人机动作，使无人机按照既定路线飞行。在整个飞行过程中，模型会持续储存数据，不断推导出最优潜变量、优化无人机动作，直至到达目的地。
三、无人机能负重完成躲避、装卸货任务
研究人员用四轴无人机进行了演示。为了使无人机能够自行定位航线，研究人员在无人机上搭载了摄像机模块。
首先在设定飞行轨迹的情况下进行演示。研究人员设定的飞行轨迹用红色线条表示，模型实时规划出的飞行轨迹用白色线条表示，无人机最终选择的最佳飞行轨迹用蓝色线条表示。根据模拟结果，无人机基本能够按照指定路线飞行。
研究人员还在设定方形飞行轨迹和圆形飞行轨迹的情况下进行了演示，并对比了元学习算法模型和其他模型。结果显示，元学习算法模型的路线错误更少。
研究人员还指出，随着元学习算法不断适应，无人机的飞行性能会继续优化。
在研究人员模拟出的几种实际应用场景中，无人机也较好地完成了任务。
1、躲避障碍物
2、捡拾、运输、卸下货物
3、用指挥棒实时规划飞行路线
4、跟踪目标飞行
结语：计划进一步提升模型自主性
Facebook和加州大学伯克利分校的研究人员利用基于模型的元强化学习方法，有效提升了无人机装载有效载荷飞行的能力。
研究人员表示，将继续进行研究，致力于使无人机能够完成更加复杂的有效载荷运输任务。根据论文，目前该模型还需要研究人员指定有效载荷被捡起和放下的时间。接下来研究人员计划开发一种算法，使模型能够自主决定装卸货的时间。
2025-04-30 11:19
2025-04-30 11:18
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
