A Reinforcement Learning Based Motion Planner for Quadrotor Autonomous Flight in Dense Environment

要約

クアドローターの運動計画は、救助活動などの複雑な環境での自律飛行に不可欠です。従来の手法は、軌道生成の最適化や受動的な時間配分戦略を採用することが多く、クアドローターの動的能力の活用を制限し、遅延や不正確さをもたらす可能性がある。これらの課題を解決するために、我々は、視認経路探索と強化学習（RL）動作生成を統合した新しい動作計画フレームワークを提案する。本手法は、ヒューリスティック探索と視認性グラフを用いて衝突のない経路を構築し、それをRLポリシーによって洗練させ、低レベルのモーションコマンドを生成する。本アプローチをシミュレーションされた屋内環境で検証し、時間的スパンの点で従来の手法よりも優れた性能を実証する。

要約(オリジナル)

Quadrotor motion planning is critical for autonomous flight in complex environments, such as rescue operations. Traditional methods often employ trajectory generation optimization and passive time allocation strategies, which can limit the exploitation of the quadrotor’s dynamic capabilities and introduce delays and inaccuracies. To address these challenges, we propose a novel motion planning framework that integrates visibility path searching and reinforcement learning (RL) motion generation. Our method constructs collision-free paths using heuristic search and visibility graphs, which are then refined by an RL policy to generate low-level motion commands. We validate our approach in simulated indoor environments, demonstrating better performance than traditional methods in terms of time span.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL