RSS 2026 | LAFR：蘇黎世大學新框架讓無人機“自學”飛行，速度飆升3倍

傳統方法的瓶頸：為何“開卷考試”行不通？

目前主流的敏捷飛行控制方法主要有兩種：

1. 仿真訓練（Sim-to-Real）：在仿真環境中進行大規模強化學習或模仿學習，然后將訓練好的策略部署到真實無人機上。這種方法嚴重依賴于精確的系統辨識和大量的領域隨機化，一旦現實世界與仿真環境出現偏差（即“現實鴻溝”），性能就會急劇下降。

2. 離線適應（Offline Adaptation）：通過收集真實世界的數據來優化仿真模型，然后重新訓練策略。這種方法雖然能縮小現實鴻溝，但過程耗時耗力，無法應對快速變化的動態環境。

這兩種方法都假設無人機的動態特性是固定不變的。然而，現實世界是動態的。電池電量下降、電機性能衰減、甚至是螺旋槳的輕微損傷，都會改變無人機的飛行特性。一個固定的控制器無法適應這些變化，只能以犧牲性能為代價來換取安全。

LAFR的突破在于，它不再讓無人機“死記硬背”，而是讓它“活學活用”。

LAFR的核心：一個“感知-學習-進化”的閉環

LAFR框架的核心是一個在真實世界和可微分仿真之間不斷循環的閉環系統。它讓無人機在飛行的同時，持續地學習、優化和進化。

整個框架由三個協同工作的核心部分組成：

這部分是LAFR的“感知”系統，負責實時彌補“理想模型”與“物理現實”之間的差距。

• 混合動力學模型：LAFR并非從零開始學習，而是從一個簡單的標稱剛體動力學模型出發。然后，它引入一個神經網絡來學習“殘差”——即標稱模型無法預測的加速度和角速度偏差。這些偏差可能來自未建模的空氣動力學效應、硬件磨損或外部干擾。

• 在線訓練：無人機在飛行中不斷收集狀態數據，并用這些數據實時更新殘差網絡。這使得混合動力學模型能夠越來越精確地反映無人機當前的真實物理狀態。

這部分是LAFR的“學習”系統，負責利用更新后的模型來優化飛行策略。

• 真實世界錨定（Anchored Initialization）：為了解決仿真誤差累積的問題，LAFR在進行策略優化時，不是從隨機狀態開始仿真，而是每次都從無人機在真實世界中的最新狀態“錨定”開始。這確保了優化過程始終基于現實，避免了策略在“幻覺”中越走越遠。

• 短時域優化：LAFR只在很短的時間范圍內進行反向傳播（BPTT），這進一步減少了因模型不完美而導致的誤差累積，保證了策略更新的穩定性和高效性。

這部分是LAFR的“進化”系統，負責在保證安全的前提下，主動探索并提升飛行敏捷性。

• 動態調整速度：ATS引入了一個可學習的時間縮放參數α，它可以動態地“拉伸”或“壓縮”參考軌跡的執行時間。當跟蹤誤差小時，ATS會減小α，讓無人機飛得更快；當誤差增大時，ATS會增大α，讓無人機減速以確保安全。

• 安全邊界探索：ATS將飛行安全作為一個約束條件，通過一個勢函數來平衡“速度”和“安全”。它會主動將無人機推向安全邊界，但又不會越界，從而在確保安全的同時，持續地探索并達到當前物理狀態下的性能極限。

效果如何？從仿真到現實的表現

研究者在“8”字形和線性穿梭兩種軌跡上進行了測試。

• 線性穿梭：無人機的最高速度從初始的 2.0 m/s 提升到了 7.3 m/s。

• “8”字形軌跡：最高速度從 2.2 m/s 提升到了 7.2 m/s。

整個進化過程僅用了約100秒的飛行時間。更關鍵的是，適應后的策略使無人機的 commanded body rate 持續達到其控制接口的飽和上限（6 rad/s），這表明LAFR確實將無人機推向了其控制能力的極限，而非僅僅是在一個保守的范圍內優化。

為了測試LAFR的魯棒性，研究者對無人機進行了三種極端的硬件改造：增加60克配重、剪短螺旋槳、以及兩者結合。

實驗結果表明，即使在硬件受損、動力學特性發生劇變的情況下，LAFR也能在一次模型更新后迅速適應，并找到新的安全飛行包線。這證明了其在線殘差學習能力的強大，它能讓無人機“學會”帶著“傷”繼續高效飛行。

在一個模擬的真實任務中，無人機需要在強風干擾下穿越多個地標點。

• 初始狀態：完成任務需要12秒。

• 適應后：LAFR通過在線學習補償了風力干擾，并利用ATS機制將任務總時間縮短至7秒，效率提升了42%。

這證明了LAFR不僅能飛得快，還能在復雜動態環境中智能地優化任務執行效率。

總結展望

LAFR為無人機的運動生成開辟了一條新的道路。它證明了，通過結合LLM的高級推理和進化算法的探索能力，無人機可以擺脫對人類演示的依賴，自主創造出超越人類想象的、高度動態的全身運動技能。

當然，這項工作也存在一些局限性，例如目前只支持簡單的剛體接觸，且假設場景是已知的。未來的研究方向包括引入更復雜的接觸模型（如滑動）、處理更復雜的物體（如鉸接體），以及結合視覺模塊，實現從傳感器觀測到動作生成的端到端閉環。