FlightBench: A Comprehensive Benchmark of Spatial Planning Methods for Quadrotors

在杂乱环境中进行空间规划对于移动系统，特别是敏捷的四旋翼飞行器至关重要。现有的基于优化和基于学习的方法通常仅关注特定环境中的成功率，缺乏一个包含不同难度任务的统一平台。为了解决这个问题，我们介绍了FlightBench，这是第一个针对四旋翼飞行器的三维空间规划的全面开源基准测试，比较了经典的基于优化的方法和新兴的基于学习的方法。我们还开发了一套任务难度度量和评估指标，以量化任务的特征和规划算法的性能。广泛的实验表明，学习方法在高速飞行和实时规划方面具有显着优势，同时突出了在复杂条件下的改进需求，例如导航大拐角或处理视野遮挡。我们还进行了分析实验，证明了我们提出的度量指标的有效性。此外，我们展示了延迟随机化如何有效提高实际部署的性能。源代码可在\url{https://github.com/thu-uav/FlightBench}上获取。

FlightBench：针对四旋翼机器人的三维空间规划的综合基准测试

该论文提出了FlightBench，这是第一个针对四旋翼机器人三维空间规划的综合基准测试。它比较了基于优化和基于学习的方法，并开发了一套任务难度度量和评估指标来量化任务的特征和规划算法的性能。

论文开发了一个综合基准测试，比较了基于优化和基于学习的方法。论文还开发了一套任务难度度量和评估指标来量化任务的特征和规划算法的性能。论文的实验结果表明，基于学习的方法在高速飞行和实时规划方面具有显着优势，但在复杂条件下仍需要改进。论文提供了开源代码。

最近的相关研究包括“Learning to Fly by Crashing”和“Quadrotor Navigation and Mapping with Deep Neural Networks”。