Reinforcement Learning for Collision-free Flight Exploiting Deep Collision Encoding

要約

この研究は、ディープコリジョンエンコーディングと強化学習を活用したモジュール式アプローチに基づいて、航空機ロボットの無衝突飛行を可能にする新しいディープナビゲーションポリシーに貢献します。
提案されたソリューションは、教師あり学習を使用してシミュレートされた深度画像と実際の深度画像の両方でトレーニングされたディープコリジョンエンコーダーに基づいて構築されており、ロボットのサイズを考慮しながら、高次元の深度データを低次元の潜在空間に圧縮して衝突情報をエンコードします。
この圧縮エンコードは、ロボットのオドメトリの推定値と目的のターゲット位置と組み合わされて、低遅延の計算と堅牢な sim2real パフォーマンスを提供する深層強化学習ナビゲーション ポリシーをトレーニングします。
さまざまな環境での一連のシミュレーションと実験研究が実施され、出現した動作の効率性と現実の展開におけるその回復力が実証されています。

要約(オリジナル)

This work contributes a novel deep navigation policy that enables collision-free flight of aerial robots based on a modular approach exploiting deep collision encoding and reinforcement learning. The proposed solution builds upon a deep collision encoder that is trained on both simulated and real depth images using supervised learning such that it compresses the high-dimensional depth data to a low-dimensional latent space encoding collision information while accounting for the robot size. This compressed encoding is combined with an estimate of the robot’s odometry and the desired target location to train a deep reinforcement learning navigation policy that offers low-latency computation and robust sim2real performance. A set of simulation and experimental studies in diverse environments are conducted and demonstrate the efficiency of the emerged behavior and its resilience in real-life deployments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google