Learning Agile Flights through Narrow Gaps with Varying Angles using Onboard Sensing

要約

このホワイト ペーパーでは、深層強化学習 (DRL) を使用して、クワッドローターの未知の傾斜した狭いギャップを通過する問題に対処します。
以前の学習ベースの方法は、ギャップのポーズやサイズなど、環境の正確な知識に依存していました。
対照的に、オンボードセンシングを統合し、単一のオンボードカメラからギャップを検出します。
トレーニングの問題は 2 つの理由で挑戦的です: 正確で堅牢な全身計画と制御ポリシーが可変傾斜と狭いギャップに必要であり、効果的な Sim2Real メソッドが実世界の実験を成功させるために必要です。
この目的のために、アジャイル ギャップ トラバーサル フライトの学習フレームワークを提案します。これは、積極的な傾斜角度でギャップに近似の姿勢でギャップの中心を通過するようにビークルを正常にトレーニングします。
シミュレーション環境でのみトレーニングされたポリシーは、成功率を維持しながら微調整して別のドメインに転送できます。
オンボード センシングとニューラル ネットワーク コントローラーを統合する提案されたフレームワークは、最大 60 度のギャップ方向で、実世界の実験で 84.51% の成功率を達成します。
私たちの知る限り、これは、環境に関する事前知識なしに、学習ベースの可変傾斜狭ギャップ横断飛行を現実の世界で実行した最初の論文です。

要約(オリジナル)

This paper addresses the problem of traversing through unknown, tilted, and narrow gaps for quadrotors using Deep Reinforcement Learning (DRL). Previous learning-based methods relied on accurate knowledge of the environment, including the gap’s pose and size. In contrast, we integrate onboard sensing and detect the gap from a single onboard camera. The training problem is challenging for two reasons: a precise and robust whole-body planning and control policy is required for variable-tilted and narrow gaps, and an effective Sim2Real method is needed to successfully conduct real-world experiments. To this end, we propose a learning framework for agile gap traversal flight, which successfully trains the vehicle to traverse through the center of the gap at an approximate attitude to the gap with aggressive tilted angles. The policy trained only in a simulation environment can be transferred into different domains with fine-tuning while maintaining the success rate. Our proposed framework, which integrates onboard sensing and a neural network controller, achieves a success rate of 84.51% in real-world experiments, with gap orientations up to 60deg. To the best of our knowledge, this is the first paper that performs the learning-based variable-tilted narrow gap traversal flight in the real world, without prior knowledge of the environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google