Learning to Explore Indoor Environments using Autonomous Micro Aerial Vehicles

要約

この論文では、サイズ重量と出力 (SWaP) の制約がある自律飛行ロボットを使用して、未知の屋内空中環境を探索するという課題に取り組みます。
SWaP の制約により、探査の効率が求められるミッション時間に制限が生じます。
我々は、深層学習（DL）を使用して以前の観察を考慮して最も可能性の高い屋内マップを予測する新しい探索フレームワークと、最新のSWaP制約ニューラルプロセッサ上で実行するように設計された探索用の深層強化学習（DRL）を使用します。
DL ベースのマップ プレディクターは、目に見えない環境の占有率を予測し、DRL ベースのプランナーは、安全に到達して最大限の情報を提供できる最適なナビゲーション目標を決定します。
2 つのモジュールは緊密に結合され、車上で実行されるため、車両は未知の環境を安全にマッピングできます。
広範な実験とシミュレーションの結果は、私たちのアプローチが効率において最先端の方法を 50 ～ 60% 上回っていることを示しています。効率は、移動した軌道の長さの関数として探索された空間の割合で測定されます。

要約(オリジナル)

In this paper, we address the challenge of exploring unknown indoor aerial environments using autonomous aerial robots with Size Weight and Power (SWaP) constraints. The SWaP constraints induce limits on mission time requiring efficiency in exploration. We present a novel exploration framework that uses Deep Learning (DL) to predict the most likely indoor map given the previous observations, and Deep Reinforcement Learning (DRL) for exploration, designed to run on modern SWaP constraints neural processors. The DL-based map predictor provides a prediction of the occupancy of the unseen environment while the DRL-based planner determines the best navigation goals that can be safely reached to provide the most information. The two modules are tightly coupled and run onboard allowing the vehicle to safely map an unknown environment. Extensive experimental and simulation results show that our approach surpasses state-of-the-art methods by 50-60% in efficiency, which we measure by the fraction of the explored space as a function of the length of the trajectory traveled.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google