Flying in Highly Dynamic Environments with End-to-end Learning Approach

要約

Quadrotorsのような無人航空機の障害物の回避は、人気のある研究トピックです。
既存の研究のほとんどは、静的環境のみに焦点を当てており、複数の動的障害を持つ環境での障害物の回避は依然として困難です。
このペーパーでは、非常に動的な環境をナビゲートするための四肢装置のための新しい深層補給学習ベースのアプローチを提案します。
Lidarデータエンコーダーを提案して、LiDARから大規模なポイントクラウドデータから障害物情報を抽出します。
履歴スキャンのマルチフレームは、必要な障害物機能を維持しながら、2次元障害物マップに圧縮されます。
エンドツーエンドの深いニューラルネットワークは、障害物マップから動的および静的障害物の運動学を抽出するように訓練されており、これらの障害を回避するためにそれを制御するために四角体に加速コマンドを生成します。
私たちのアプローチには、単一のニューラルネットワーク内の知覚とナビゲート機能が含まれており、ナビゲーション状態からモードの切り替えなしでホバリング状態に変わる可能性があります。
また、非常にダイナミックな乱雑な環境でナビゲートしながら、アプローチの有効性を示すシミュレーションと実世界の実験も提示します。

要約(オリジナル)

Obstacle avoidance for unmanned aerial vehicles like quadrotors is a popular research topic. Most existing research focuses only on static environments, and obstacle avoidance in environments with multiple dynamic obstacles remains challenging. This paper proposes a novel deep-reinforcement learning-based approach for the quadrotors to navigate through highly dynamic environments. We propose a lidar data encoder to extract obstacle information from the massive point cloud data from the lidar. Multi frames of historical scans will be compressed into a 2-dimension obstacle map while maintaining the obstacle features required. An end-to-end deep neural network is trained to extract the kinematics of dynamic and static obstacles from the obstacle map, and it will generate acceleration commands to the quadrotor to control it to avoid these obstacles. Our approach contains perception and navigating functions in a single neural network, which can change from a navigating state into a hovering state without mode switching. We also present simulations and real-world experiments to show the effectiveness of our approach while navigating in highly dynamic cluttered environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google