PEARL-Nav:面向无GPS环境下无人飞行器导航的感知增强与不确定性感知强化学习框架
《IEEE Aerospace and Electronic Systems Magazine》:Perceptual Aliasing and Uncertainty in Repetitive Environments for Monocular UAV Navigation Using Perception-Aware Reinforcement Learning
【字体:
大
中
小
】
时间:2026年10月23日
来源:IEEE Aerospace and Electronic Systems Magazine 5.1
编辑推荐:
摘要:在复杂环境中实现稳健的空中导航仍然是自主无人飞行器(UAV)面临的核心挑战,尤其是在无GPS信号的环境下。许多现实环境,包括种植园、森林、果园和工业设施,呈现出重复性的空间结构,给视觉感知带来了复杂性。在此类条件下,相似的观测可能对应不同的物理位置,从而导致感知混叠现象
摘要:
在复杂环境中实现稳健的空中导航仍然是自主无人飞行器(UAV)面临的核心挑战,尤其是在无GPS信号的环境下。许多现实环境,包括种植园、森林、果园和工业设施,呈现出重复性的空间结构,给视觉感知带来了复杂性。在此类条件下,相似的观测可能对应不同的物理位置,从而导致感知混叠现象,并使单目系统的导航稳定性下降。现有的方法在处理感知混叠、单目深度不确定性以及在部分可观测条件下的时间信念不确定性方面仍存在不足,因为感知输出通常被当作确定性处理,且未被整合到强化学习中。为解决这些挑战,本文提出了PEARL-Nav(面向导航的感知增强与不确定性感知强化学习),一个将感知可靠性纳入决策过程的统一框架。该架构结合了用于局部特征提取的卷积神经网络(CNN)、具备层次化混叠感知注意力与不确定性量化的视觉Transformer(HAA-UQ)以建模结构模糊性,以及用于时间信念聚合的长短期记忆(LSTM)模块。此外,物理信息跨模态深度精化模块(PI-CMDR)利用运动一致性的几何约束增强了单目深度估计,而学习型感知课程(LPC)和感知引导的回合截断(PGET)则改善了感知不确定性下的训练稳定性。实验表明,PEARL-Nav的导航成功率高达96.1%,在绝对相对误差方面平均降低约13%,均方根误差降低10%,尺度一致性误差降低25%,并且所需的训练回合次数减少了约30%,超越了现有最优方法,并验证了建模感知不确定性的价值...
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号