上交研究登Nature大子刊！可微分物理首次突破端到端无人机高速避障

主要观点总结

本文介绍了上海交通大学和苏黎世大学的研究团队提出了一种融合无人机物理建模与深度学习的端到端方法，实现了无人机集群自主导航。该研究首次将可微分物理训练的策略成功部署到现实机器人中，并在鲁棒性、机动性上大幅领先现有方案。该成果已在《 Nature Machine Intelligence 》在线发表。

关键观点总结

关键观点1: 研究团队与作者介绍

研究团队来自上海交通大学和苏黎世大学，包括第一作者张宇昂、共同作者胡瑜和宋运龙等。通讯作者为上海交通大学的林巍峣教授和邹丹平教授。

关键观点2: 研究背景与动机

在未知森林、城市废墟等复杂环境中，无人机集群自主导航面临诸多挑战。该研究旨在实现无人机集群在这些环境下的高效、自主导航。

关键观点3: 研究内容及方法

研究团队提出了一种融合无人机物理建模与深度学习的端到端方法，使用可微分物理训练策略。仅使用12×16超低分辨率深度图作为输入，使用仅3层CNN的超小神经网络实现端到端自主飞行。

关键观点4: 研究成果及表现

该研究在真实环境中进行了测试，包括树林、城市公园以及含有静态和动态障碍的室内场景。多机协同场景中，网络模型展现出极高的鲁棒性。在真实树林环境中，无人机飞行速度高达20米/秒。

关键观点5: 研究思路与关键策略

研究团队将物理原理嵌入网络训练，让无人机“自己学会飞”。通过与环境交互来训练策略网络，在每一个时间步，策略网络接收深度图像作为输入，通过策略网络输出控制指令。可微物理模拟器根据控制指令模拟无人机的质点运动。

关键观点6: 研究的对比与优势

该研究对比了强化学习、模仿学习与物理驱动三种方法，在训练效率、数据利用率、收敛性能等方面均表现出显著优势。此外，该研究还探讨了可解释性问题，通过可视化分析策略网络的感知注意力，发现网络已自发学会将注意力集中在潜在风险最大的区域上。

关键观点7: 研究的启示与后续发展

该研究得到的启示包括小模型的存在合理性、数据规模并非智能的唯一决定因素、粗糙感知也能支撑精准的智能行为等。研究团队后续还改进并拓展了可微物理引擎框架与训练方法，实现了国际首个基于单目FPV摄像头的端到端视觉避障系统。