Lander.AI: Adaptive Landing Behavior Agent for Expertise in 3D Dynamic Platform Landings

本研究介绍了一种先进的深度强化学习代理Lander.AI，旨在解决动态平台上自主无人机着陆面临的挑战，包括由风、地效、停机坪上的涡轮或螺旋桨引起的不可预测速度和外部干扰。Lander.AI在gym-pybullet-drone仿真环境中进行了严格训练，该环境反映了现实世界的复杂性，包括风的湍流等，以确保代理的稳健性和适应性。实验结果表明，Lander.AI具有高精度着陆和适应移动平台的能力，即使在风引起的干扰下也能保持稳定。此外，该系统的性能还与基线PID控制器结合扩展卡尔曼滤波器进行了基准测试，结果显示Lander.AI在着陆精度和错误恢复方面有着显著的改进。Lander.AI利用生物启发式学习来适应鸟类等外部力量，提高了无人机的适应性。本研究不仅推进了无人机着陆技术的发展，对于检查和应急应用至关重要，而且还凸显了深度强化学习在解决复杂的空气动力学挑战方面的潜力。

本论文旨在通过深度强化学习（DRL）设计一个AI代理Lander.AI，以解决动态平台上自主降落的问题。主要挑战在于不可预测的速度和外部干扰，如风、地效应、起降平台的涡轮或螺旋桨等。

本文提出了一个基于DRL的代理Lander.AI，通过gym-pybullet-drone仿真环境进行训练，从而增强了无人机的自主性和安全性。Lander.AI可以适应各种测试场景，包括模拟环境和实际环境，具有高精度降落的能力，并能够适应运动平台和风干扰。

本文的亮点在于实验结果展示了Lander.AI的高精度降落和适应运动平台的能力，甚至在风干扰下也能正常工作。此外，与基准PID控制器相比，Lander.AI在降落精度和误差恢复方面取得了显著改进。Lander.AI利用仿生学习来适应外部力，如鸟类，提高了无人机的适应性。

最近在这个领域中，还有一些相关的研究，如《Deep Reinforcement Learning for Autonomous UAV Landing on a Moving Platform》和《Autonomous Landing of a Quadrotor on a Moving Platform with Onboard Sensing》等。