Learning to Turn: Diffusion Imitation for Robust Row Turning in Under-Canopy Robots

要約

樹冠下の農業用ロボットは完全な自律性を実現するために堅牢なナビゲーション機能を必要としますが、GPS 受信の低下、視覚的なエイリアシング、オクルージョン、および複雑な車両ダイナミクスにより、作物の列間の狭い列回転に苦労しています。
私たちは、人間のオペレーターまたは特権コントローラーによって提供されるデモンストレーションから列回転行動を学習するための拡散ポリシーを使用した模倣学習アプローチを提案します。
トウモロコシ畑環境でのシミュレーション実験では、視覚的な観察と速度状態のみでこのタスクを学習できる可能性を示しています。
ただし、行内での制御の維持とさまざまな初期条件の処理には課題が残されており、将来の改善の余地があることが浮き彫りになっています。

要約(オリジナル)

Under-canopy agricultural robots require robust navigation capabilities to enable full autonomy but struggle with tight row turning between crop rows due to degraded GPS reception, visual aliasing, occlusion, and complex vehicle dynamics. We propose an imitation learning approach using diffusion policies to learn row turning behaviors from demonstrations provided by human operators or privileged controllers. Simulation experiments in a corn field environment show potential in learning this task with only visual observations and velocity states. However, challenges remain in maintaining control within rows and handling varied initial conditions, highlighting areas for future improvement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google