One Net to Rule Them All: Domain Randomization in Quadcopter Racing Across Different Platforms

📄 arXiv: 2504.21586v1 📥 PDF

作者: Robin Ferede, Till Blaha, Erin Lucassen, Christophe De Wagter, Guido C. H. E. de Croon

分类: cs.RO, cs.AI, eess.SY

发布日期: 2025-04-30

💡 一句话要点

提出基于领域随机化的四旋翼通用控制网络，实现跨平台无人机竞速。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机竞速 领域随机化 神经网络控制 跨平台通用性 四旋翼控制

📋 核心要点

  1. 现有无人机竞速控制器难以在不同平台上通用，需要为特定平台单独设计。
  2. 利用领域随机化训练单个神经网络控制器，使其能够适应不同物理特性的四旋翼。
  3. 实验表明，该通用控制器在不同尺寸无人机上表现出良好的适应性，但速度略低于特定平台优化模型。

📝 摘要（中文）

本文提出了一种用于无人机竞速的神经网络控制器，该控制器能够泛化到不同的四旋翼平台。通过领域随机化训练单个网络，可以对多种类型的四旋翼进行鲁棒控制。该网络仅依赖当前状态直接计算电机指令。通过在两种截然不同的无人机（3英寸和5英寸竞速无人机）上的真实测试验证了该通用控制器的有效性。进一步将该通用控制器与专门为3英寸和5英寸无人机训练的控制器进行了比较，这些控制器使用其识别的模型参数，并具有不同程度的领域随机化（0%、10%、20%、30%）。虽然通用控制器的速度略低于微调模型，但它在不同平台上的适应性方面表现出色。结果表明，没有随机化会导致sim-to-real迁移失败，而增加随机化会提高鲁棒性，但会降低速度。尽管存在这种权衡，但研究结果突出了领域随机化在泛化控制器方面的潜力，为能够适应任何平台的通用AI控制器铺平了道路。

🔬 方法详解

问题定义：现有无人机竞速控制器通常针对特定平台进行优化，难以直接应用于其他物理参数不同的无人机。这限制了控制器的通用性和可移植性，需要为每种无人机单独进行模型辨识和控制器设计，成本高昂且效率低下。因此，需要设计一种能够跨平台通用的无人机竞速控制器。

核心思路：本文的核心思路是利用领域随机化技术，在仿真环境中训练一个能够适应各种不同无人机参数的神经网络控制器。通过在训练过程中随机改变无人机的质量、电机参数、空气阻力等物理参数，使控制器能够学习到对这些参数变化不敏感的控制策略，从而实现跨平台通用性。

技术框架：该方法采用端到端的神经网络控制框架，直接将无人机的状态信息（如位置、速度、姿态角等）作为输入，输出电机的控制指令。整个训练过程在仿真环境中进行，通过领域随机化技术生成大量的训练数据。训练完成后，将训练好的神经网络控制器直接部署到真实的无人机上进行测试。

关键创新：最重要的技术创新点在于成功地将领域随机化技术应用于无人机竞速控制器的训练，并实现了跨平台通用性。与传统的基于模型辨识和参数调整的方法相比，该方法无需进行复杂的模型辨识过程，可以直接通过训练得到一个通用的控制器。

关键设计：在领域随机化方面，作者对无人机的质量、电机推力系数、空气阻力系数等参数进行了随机化。损失函数采用均方误差损失函数，用于衡量控制器的输出与期望输出之间的差距。网络结构采用多层感知机（MLP），输入层为无人机的状态信息，输出层为电机的控制指令。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该通用控制器在两种不同尺寸的无人机（3英寸和5英寸）上均能实现稳定的飞行和竞速。虽然速度略低于针对特定平台优化的控制器，但在跨平台适应性方面表现出色。领域随机化程度越高，控制器的鲁棒性越好，但速度会相应降低。在没有领域随机化的情况下，控制器无法成功地从仿真环境迁移到真实环境。

🎯 应用场景

该研究成果可应用于无人机集群控制、无人机物流、无人机搜救等领域。通过训练一个通用的控制器，可以降低无人机部署和维护的成本，提高无人机系统的灵活性和可扩展性。未来，该技术有望应用于更复杂的无人机任务，例如自主导航、目标跟踪等。

📄 摘要（原文）

In high-speed quadcopter racing, finding a single controller that works well across different platforms remains challenging. This work presents the first neural network controller for drone racing that generalizes across physically distinct quadcopters. We demonstrate that a single network, trained with domain randomization, can robustly control various types of quadcopters. The network relies solely on the current state to directly compute motor commands. The effectiveness of this generalized controller is validated through real-world tests on two substantially different crafts (3-inch and 5-inch race quadcopters). We further compare the performance of this generalized controller with controllers specifically trained for the 3-inch and 5-inch drone, using their identified model parameters with varying levels of domain randomization (0%, 10%, 20%, 30%). While the generalized controller shows slightly slower speeds compared to the fine-tuned models, it excels in adaptability across different platforms. Our results show that no randomization fails sim-to-real transfer while increasing randomization improves robustness but reduces speed. Despite this trade-off, our findings highlight the potential of domain randomization for generalizing controllers, paving the way for universal AI controllers that can adapt to any platform.