Non-Prehensile Aerial Manipulation using Model-Based Deep Reinforcement Learning

随着无人机在各种应用领域的不断采用，强大的空中操作仍然是一个关键的研究挑战。空中操作任务需要与环境中的物体进行交互，通常不事先知道它们的动力学属性，如质量和摩擦力。此外，与这些物体的交互可能会对车辆的控制和稳定性产生重大影响。我们研究了一种在未知环境中进行强大的控制和非抓取式空中操作的方法。特别地，我们使用基于模型的深度强化学习（DRL）来学习环境的世界模型，同时学习与环境进行交互的策略。我们通过在目标位置之间移动物体进行一系列推动任务来评估我们的方法，并展示了在一系列摩擦值范围内的可重复行为。

本论文旨在解决无人机在未知环境中进行可靠空中操作和非抓取式空中操作的问题，这是一个新的研究问题。

本论文采用基于模型的深度强化学习方法，同时学习环境的世界模型和与环境交互的策略，以实现对未知环境中物体的可靠控制和操作。

论文在推动任务中进行了一系列实验，并展示了在不同摩擦系数下的可重复行为。实验结果表明，本论文提出的方法可以有效地解决无人机在未知环境中进行可靠空中操作和非抓取式空中操作的问题。

在这个领域中，最近的相关研究包括：1. 'Aerial manipulation with reinforcement learning and a self-supervised tidying task'；2. 'A survey of unmanned aerial vehicles (UAV) for traffic monitoring'；3. 'Deep reinforcement learning for autonomous UAV control: a survey'。