Problem

現有的四旋翼無人機模擬器在開發強化學習演算法時，往往面臨難以兼顧物理模擬精確度、多代理人（Multi-agent）擴充性，以及現代深度強化學習流程所需的高執行效率之挑戰。

Method

研究團隊開發了基於 MuJoCo 物理引擎且相容於 Gymnasium 的模擬環境。該系統支援多台 Crazyflie 無人機，並提供模組化 API，讓使用者能自定義物理模型（如地效、旋翼阻力及下洗流）、控制動作介面（如馬達轉速或 PID 指令）以及感測觀測空間。此外，透過整合 PettingZoo 框架，使其能直接應用於多代理人強化學習。

Results

實驗展示了包含定點懸停、速度追蹤、編隊飛行及障礙競速等七種任務環境。結果顯示，該模擬器在接觸處理、視覺渲染與並行運算能力上均優於傳統的 PyBullet 基礎方案，並能精確模擬複雜的動力學特性。

Significance

此模擬器為空中機器人研究提供了高效且彈性的工具，不僅加速了控制演算法與強化學習策略的開發，其高物理真實性更有助於降低從模擬環境轉移至實體無人機部署時的誤差。