Flying through Moving Gates without Full State Estimation

要約

自律型ドローンレースには強力な認識、計画、制御が必要であり、自律的で機敏な飛行のベンチマークおよびテストフィールドとなっています。
既存の研究では、通常、既知のマップを備えた静的なレース トラックを想定しています。これにより、最適な時間の軌道をオフラインで計画し、ゲートへの位置特定を実行して、状態推定や特定の目標の学習ベースの方法のトレーニングのための視覚慣性オドメトリ (VIO) のドリフトを削減できます。
レーストラックと動作環境。
対照的に、災害対応や配送などの現実世界のタスクの多くは、未知の動的な環境で実行する必要があります。
このギャップを埋め、目に見えない環境や動くゲートに対してドローンレースをより堅牢にするために、レーストラックマップやVIOを必要とせず、ゲートまでの視線(LOS)の単眼測定のみを使用する制御アルゴリズムを提案します。
この目的のために、ゲートの動きや風にもかかわらずゲートを正確に通過するために比例航法 (PN) の法則を採用しています。
ドローンレース用の PN 情報に基づいたビジョンベースの制御問題を制約付き最適化問題として定式化し、閉形式の最適解を導き出します。
私たちは、広範なシミュレーションと実際の実験を通じて、この方法がさまざまなゲートの動き、モデルエラー、風、遅延に対して堅牢でありながら、移動するゲートを高速でナビゲートできることを実証しました。

要約(オリジナル)

Autonomous drone racing requires powerful perception, planning, and control and has become a benchmark and test field for autonomous, agile flight. Existing work usually assumes static race tracks with known maps, which enables offline planning of time-optimal trajectories, performing localization to the gates to reduce the drift in visual-inertial odometry (VIO) for state estimation or training learning-based methods for the particular race track and operating environment. In contrast, many real-world tasks like disaster response or delivery need to be performed in unknown and dynamic environments. To close this gap and make drone racing more robust against unseen environments and moving gates, we propose a control algorithm that does not require a race track map or VIO and uses only monocular measurements of the line of sight (LOS) to the gates. For this purpose, we adopt the law of proportional navigation (PN) to accurately fly through the gates despite gate motions or wind. We formulate the PN-informed vision-based control problem for drone racing as a constrained optimization problem and derive a closed-form optimal solution. We demonstrate through extensive simulations and real-world experiments that our method can navigate through moving gates at high speeds while being robust to different gate movements, model errors, wind, and delays.

arxiv情報

著者 Ralf Römer,Tim Emmert,Angela P. Schoellig
発行日 2024-10-23 08:02:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク