面向机器人学习的多保真最优轨迹生成与实验设计

数据驱动方法让机器人学习取得了明显进展，但把在仿真里训练好的策略直接搬到真实机器上仍然困难，在极端工况下尤其如此。四旋翼飞行器是个典型例子：竞速、国防系统、安全关键的避障都要求快速机动，而控制延迟、状态估计误差、电池电压波动这些真实世界约束会损害轨迹的可靠性，即便飞行器严格符合理想动力学。这份 MIT 博士论文要回应的正是这道落差：仿真里的完美训练并不保证能安全迁移到真实动力学，而迁移往往需要大量微调，本身带有风险。真机实验既昂贵又危险，于是问题变成——如何用尽量少、尽量安全的真实试验，拿到足够的信息。

作者的路线是把“该做哪些实验”本身当作设计对象，采用 optimal experiment design 的思路：先量化不确定性，再挑选能最大化信息增益的实验，从而安全、高效地设计出精确约束建模所需的真实世界实验。论文沿两条主线展开。第一章提出 multi-fidelity Bayesian optimization 方法，为四旋翼搜索时间最优的速度曲线，在数值仿真与真实飞行实验之间做平衡；按我的理解，多保真在这里指的是让成本较低的一侧承担大部分搜索、把真机飞行留给最关键的验证。第二章把同一套最优实验设计思想推广到高维在线规划问题，通过与强化学习结合来应对维度带来的困难。

从摘要给出的结果看，两条主线的方法都经过真实飞行实验的训练与验证，并在轨迹时间与计算效率两项指标上显著优于基线方法。需要说明的是，材料只给到“显著优于”这一层级的方向性结论，没有披露时间缩短的比例、效率提升的幅度或实验规模，因此无法据此判断改进的绝对量级。可以确认的是评估发生在真实飞行而非纯仿真环境中，这与论文针对“仿真到现实”落差的出发点是一致的。

论文的适用范围并不止于四旋翼。作者提到，所提出的算法已被适配到多类规划问题，包括固定翼飞机规划、协作式多无人机系统，以及节能轨迹生成。换句话说，方法层面的贡献被作者当作一个可迁移的框架，四旋翼更像是首个验证载体与落点。这一点对判断资料价值很重要：它讨论的不是某个机型的速度曲线调参技巧，而是在存在真实约束、真机实验代价又高的场景里如何组织学习过程。

这些结论的实践含义，按我的解读，是把“减少实机试错”从靠经验摸索变成可计算的实验设计问题。常见做法是在仿真里训练到收敛再上真机，出问题回头改，循环成本高，风险还集中在上机那一刻；用不确定性指导实验选择，则可以让每一次真实飞行尽量携带新信息，把有限的上机机会用在最不确定、对约束建模影响最大的地方。对需要在安全边界附近工作的平台来说，这种“先算清楚该测什么”的次序，可能比单纯提高仿真保真度更实际。

这份资料适合已经了解机器人规划与学习基本框架、正在面对仿真到真机迁移问题的研究者和工程读者。读完能拿走的是一套以信息增益为标准安排真实实验的思路，以及多保真优化、与强化学习结合的两条具体技术路线。边界也需要讲清楚：它停留在博士论文摘要的层级，方法细节、推导与完整实验设置都在正文里，摘要只提供了方向性结论；若要复现或做数值对比，仍需回到论文全文。

Multi-fidelity Optimal Trajectory Generation: Optimal Experiment Design for Robot Learning by Gilhyun Ryou B.S., Seoul National University (2018) S.M., Massachusetts Institute of Technology (2020) Submitted to the Department of Electrical Engineering and Computer Science in partial fulfillment of the requirements for the degree of DOCTOR OF PHILOSOPHY at the MASSACHUSETTS INSTITUTE OF TECHNOLOGY September 2024 © 2024 Gilhyun Ryou. This work is licensed under a CC BY-NC-ND 4.0 license. The author hereby grants to MIT a nonexclusive, worldwide, irrevocable, royalty-free license to exercise any and all rights under copyright, including to reproduce, preserve, distribute and publicly display copies of the thesis, or release the thesis under an open-access license. Authored by: Gilhyun Ryou Department of Electrical Engineering and Computer Science July 31, 2024 Certified by: Sertac Karaman