Accelerating Trajectory Generation for Quadrotors Using Transformers

要約

この作業では、クワッドローターでの軌道生成の計算時間の問題に対処します。
最小スナップ/ジャークや最小時間など、クワッドローターのウェイポイント ナビゲーションのほとんどの軌道生成方法は、2 段階の最適化として構造化されています。
最初のレベルでは、すべての入力ウェイポイントに時間を割り当てる必要があり、2 番目のステップでは、その時間割り当ての下で軌道のスナップ/ジャークを最小限に抑えます。
このような最適化は、計算コストが高くなる可能性があります。
私たちのアプローチでは、軌跡の生成を一連の入力と出力の間の教師あり学習問題として扱います。
変圧器モデルを適応させて、与えられた一連の入力ウェイポイントの最適な時間割り当てを学習し、単一ステップの最適化にします。
最小スナップ軌道ジェネレーターの時間割り当てを予測するようにトレーニングすることにより、トランスフォーマー モデルのパフォーマンスを示します。
トレーニング済みの Transformer モデルは、フィードフォワード ネットワーク (FFN) と比較して、より少ないデータ サンプルとより小さなモデル サイズで正確な時間割り当てを予測でき、ウェイポイント ナビゲーションの問題の順次的な性質をモデル化できることを示しています。

要約(オリジナル)

In this work, we address the problem of computation time for trajectory generation in quadrotors. Most trajectory generation methods for waypoint navigation of quadrotors, for example minimum snap/jerk and minimum-time, are structured as bi-level optimizations. The first level involves allocating time across all input waypoints and the second step is to minimize the snap/jerk of the trajectory under that time allocation. Such an optimization can be computationally expensive to solve. In our approach we treat trajectory generation as a supervised learning problem between a sequential set of inputs and outputs. We adapt a transformer model to learn the optimal time allocations for a given set of input waypoints, thus making it into a single step optimization. We demonstrate the performance of the transformer model by training it to predict the time allocations for a minimum snap trajectory generator. The trained transformer model is able to predict accurate time allocations with fewer data samples and smaller model size, compared to a feedforward network (FFN), demonstrating that it is able to model the sequential nature of the waypoint navigation problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google