强化学习高速避障新范式
在无人机高速避障领域，Ego-Planner 等传统的模块化规划方法受限于感知 - 规划 - 控制的累积延迟，往往难以兼顾高速与安全；而 RL 等纯端到端的强化学习虽然敏捷，却因缺乏理论上的安全保障而被视为黑盒。
这项工作最令人振奋之处在于巧妙地构建了一套混合架构：
- 在训练阶段，利用 Dijkstra 势场引导 RL 智能体跳出局部极小值陷阱，实现了全局可达性；
- 在部署阶段，则引入了基于高阶控制障碍函数（HOCBF）的安全滤波器，将神经网络输出的动作实时投影到可行域内。
这种设计不仅在数学上给出了碰撞避免的严谨证明，更在实测中实现了高达 7.5m/s 的丛林穿越速度。
01 主要方法
在训练阶段，论文采用 PPO 强化学习算法，并构建了一个基于特权学习的非对称 Actor-Critic 网络。在实机部署阶段，论文引入了一个基于 HOCBF 的实时安全滤波器。
图 1 | Actor-Critic 网络架构与训练 - 部署整体控制流程。
1. 训练阶段：基于物理先验的奖励塑形
传统的强化学习通常使用到目标的欧式距离作为奖励，这在非凸的复杂障碍物环境中极易让无人机陷入局部最优解（例如 U 型死胡同）。为此，作者在训练阶段引入了两种基于物理模型的奖励：
1. Dijkstra 全局引导奖励
作者提前用 Dijkstra 算法计算出考虑了障碍物的全局最短距离代价图，并以此构建势场。无人机在势场中前进所获得的奖励计算如下：
$$ r_{\text{nav}, t} = \lambda \cdot \text{clip}(\text{Interp}(\Phi_g, p_{t-1}) - \text{Interp}(\Phi_g, p_t), -C, C) $$
其中 $\Phi_g$ 是势场，通过三线性插值 $\text{Interp}()$ 获取连续坐标的代价差值，并进行裁剪防止数值爆炸。
2. 基于控制障碍函数的安全惩罚
为了让策略具备前瞻性的避障意识，作者利用环境的 ESDF 欧氏符号距离场构建了控制障碍函数 $h(x_t)$，并将其导数作为安全奖励。只要无人机速度方向朝着远离障碍物的梯度方向，就能避免惩罚：
$$ r_{\text{safe}} = \text{clip}(\dot{h}(x_t) + \gamma h(x_t), \delta_{\text{min}}, 0) $$
2. 部署阶段：基于高阶控制障碍函数的实时滤波
通过奖励塑形通常无法在现实中提供 100% 的不撞机保证。因此，在实机部署阶段，作者引入了一个基于高阶控制障碍函数（HOCBF）的实时安全滤波器。
它的核心思想是求解一个二次规划（QP）问题：在严格满足安全物理边界的前提下，寻找一个与神经网络输出的原始动作 $a_{\text{raw}}$ 偏差最小的安全动作 $a^*$。QP 优化目标公式如下：
$$ a^* = \underset{a}{\operatorname{argmin}} \frac{1}{2} |a - a_{\text{raw}}|^2 \text{ s.t. } C(r_t, a) \geq 0 $$
考虑到四旋翼无人机是二阶动力学系统（具有惯性，刹车需要时间和距离），作者采用 HOCBF 提取了关于控制输入的线性不等式约束：
$$ 2r_t^\top a_t \geq -2|v_t|^2 - \alpha_1 \dot{h}_i(r_t) - \alpha_0 h_i(r_t) $$
其中 $r_t$ 是距障碍物的相对位置向量，$v_t$ 是速度。这个约束确保了即使在高速飞行下，无人机仍然可以保证安全无碰撞。
此外，高速飞行会导致深度图出现大量的失真、噪点和空洞。作者在实机端部署了基于纳维 - 斯托克斯（Navier-Stokes）方程的图像修复算法，利用周围像素的梯度填补深度空洞，极大提高了系统的视觉鲁棒性。
