无人机轨迹学习问题

无人机轨迹学习，路径跟踪方案

个人总结：

1.强化学习：建立一种奖励机制，它最符合人类的学习机制，学习一个最优策略(policy)，可以让本体(agent)在特定环境(environment)中，根据当前的状态(state)，做出行动(action)，从而获得最大回报(G or return)。

2.RBF Neural Networks：RBF神经网络是一种性能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力. RBF神经网络可以根据具体问题确定相应的网络拓扑结构，具有自学习、自组织、自适应功能，它对非线性连续函数具有一致逼近性，学习速度快，可以进行大范围的数据融合，可以并行高速地处理数据。

对环境进行建模，在网络中分布各个节点，通过碰撞函数分析与碰撞物碰撞的几率，通过距离函数计算到目标点的距离，在两个函数的作用下，无人机趋向于最优路径。因自身具有学习能力，对环境的改变也能够适应；

3.蚁群算法：基于概率的路径规划算法，前期收敛速度慢，容易陷入局部最优点，但对运算要求不高；

4.人工势场法：基本思想是将物理空间的障碍物抽象为斥力场，将目标点抽象为引力场，障碍物排斥无人机防止其碰撞，目标点吸引无人机使其向终点飞行。不需要建立复杂的环境模型，结构简单，运算量比较小，能够实时处理并反馈信息，但这种方法存在陷入局部最小值的情况，无人机在斥力场周围徘徊，找不到目标点的路径；改进算法就是在无人机和目标点的距离作为一个因子，加入到斥力场函数中，使得目标点不论在任何情况下都是全局势场最小的点，这样就能脱离局部最小值的束缚；

Adaptive trajectory tracking neural network control with robust compensator for robot manipulators

提出了一种基于径向基函数(RBF)的自适应轨迹跟踪神经网络控制方法，用于具有鲁棒补偿器的n连杆机器人机械手实现高精度的位置跟踪。为了保证控制系统的稳定性和鲁棒性，由于摩擦力、外部干扰误差和参数变化等