RESC: A Reinforcement Learning Based Search-to-Control Framework for Quadrotor Local Planning in Dense Environments

要約

複雑な環境でのアジャイル飛行は、現在のモーション計画方法に大きな課題をもたらします。多くの場合、四肢装置の動的ポテンシャルを完全に活用できず、積極的な操作中にパフォーマンスの障害と効率の低下につながります。
、積極的で実行可能な動きを生成する能力をさらに制限します。これらの課題に対処するために、視認性パス検索と補強学習（RL）制御生成を統合する強化された検索対制御計画フレームワークを導入し、ダイナミクスとギャップのブリッジを直接説明します。
計画と制御の間。私の方法は、提案されたヒューリスティック検索を使用して衝突のないパスから最初にコントロールポイントを抽出します。これは、RLポリシーによって洗練され、象限コントローラーの低レベルのコントロールコマンドを生成し、効率的な次元障害物観測を利用して効率的な障害物観測を利用します。
軽量のニューラルネットワークへの推論。シミュレーションと実際の実験を通じてフレームワークを検証し、既存の方法と比較して時間の効率と動的操作性の向上を実証し、その堅牢性と適用性を確認します。

要約(オリジナル)

Agile flight in complex environments poses significant challenges to current motion planning methods, as they often fail to fully leverage the quadrotor dynamic potential, leading to performance failures and reduced efficiency during aggressive maneuvers.Existing approaches frequently decouple trajectory optimization from control generation and neglect the dynamics, further limiting their ability to generate aggressive and feasible motions.To address these challenges, we introduce an enhanced Search-to-Control planning framework that integrates visibility path searching with reinforcement learning (RL) control generation, directly accounting for dynamics and bridging the gap between planning and control.Our method first extracts control points from collision-free paths using a proposed heuristic search, which are then refined by an RL policy to generate low-level control commands for the quadrotor controller, utilizing reduced-dimensional obstacle observations for efficient inference with lightweight neural networks.We validate the framework through simulations and real-world experiments, demonstrating improved time efficiency and dynamic maneuverability compared to existing methods, while confirming its robustness and applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google