麻省理工学院(MIT)的航空工程师们设计了一种算法，可以帮助无人机找到绕过障碍物的最快路线，而不会坠毁。新算法结合了无人机通过虚拟障碍跑道的模拟，和真实无人机在物理空间通过同一跑道的实验数据。 研究人员发现，用他们的算法训练的无人机，飞过简单的障碍跑道的速度比用传统规划算法训练的无人机快20%。有趣的是，新算法并不总是让无人机在整个过程中领先于竞争对手。在某些情况下，它会选择让无人机减速以应对复杂的弯道，或者节省无人机的能量以加速并最终超过对手。  麻省理工学院(MIT)航空航天副教授、信息与决策系统实验室(Laboratory for Information Decision Systems)主任塞尔塔克·卡拉曼(Sertac Karaman)补充说:“这些算法是实现未来无人机快速在复杂环境中导航的非常有价值的一步。”“我们真的希望推动极限，让它们能在身体极限允许的范围内以最快的速度飞行。” Tal、Karaman和麻省理工学院研究生Gilhyun Ryou在《国际机器人研究杂志》(International Journal of Robotics Research)上发表了他们的研究结果。 麻省理工学院的团队开发了一种高速飞行规划算法，它结合了模拟和实验，以最小化识别快速和安全飞行路径所需的实验数量。 研究人员从一个基于物理的飞行规划模型开始，他们首先开发了这个模型来模拟无人机在飞过虚拟障碍时可能的行为。他们模拟了数千个赛车场景，每个场景都有不同的飞行路径和速度模式。然后，他们绘制出每个场景是否可行(安全)，或不可行(导致崩溃)。从这个图表中，他们可以迅速锁定少数最有希望的场景，或赛车轨迹，并在实验室中进行试验。 为了演示他们的新方法，研究人员模拟了一架无人机通过一个简单的飞行路线，其中有五个大的、方形的障碍物交错排列。他们在一个体能训练空间设置了同样的配置，并让无人机以他们之前从模拟中挑选的速度和轨迹飞行。他们还用一架无人机进行了同样的训练，无人机采用的是一种更传统的算法，没有将实验纳入其规划。 总的来说，使用新算法训练的无人机“赢得”了每一场比赛，比传统训练的无人机在更短的时间内完成了整个过程。在某些情况下，获胜的无人机比竞争对手快20%完成了整个过程，尽管它的起始轨迹较慢，比如转弯时倾斜的时间要多一点。 传统训练的无人机没有进行这种微妙的调整，可能是因为它的轨迹仅仅基于模拟，不能完全解释团队在现实世界中实验揭示的空气动力学效应。 研究人员计划进行更多的飞行实验，以更快的速度，通过更复杂的环境，以进一步改进他们的算法。它们还可能整合远程驾驶无人机的人类飞行员的飞行数据，他们的决策和操作可能有助于瞄准更快、但仍然可行的飞行策略。 |
/1 
