Automatic Generation of Aerobatic Flight in Complex Environments via Diffusion Models

要約

複雑な環境で顕著な曲芸飛行を行うには、事前に重要な操作の手動設計が必要です。これは、実行される軌道の地平線が長くなるにつれて複雑で時間がかかります。
このペーパーでは、拡散モデルを活用して好気性軌道生成を自動化および拡大する新しいフレームワークを紹介します。
私たちの主要な革新は、複雑な操作が好気性プリミティブへの分解です。これは、構成要素として機能する短いフレームシーケンスであり、扱いやすい軌道合成のための重要な好気性挙動を特徴としています。
このモデルは、ユーザー編集可能な軌道生成を可能にするために統合された追加の条件付き入力（ターゲットウェイポイントとオプションのアクション制約）を使用して、動きの連続性を確保するための動的なプライアーとしての履歴軌道観測を使用して、好気性プリミティブを学習します。
モデル推論中、分類器ガイダンスはバッチサンプリングを組み込んで、障害物回避を実現します。
さらに、生成された結果は、動的な実現可能性を確保するために、空間的軌跡の最適化を備えた後処理によって改良されます。
広範なシミュレーションと現実世界の実験により、当社の方法の主要なコンポーネント設計が検証されており、長期のエアロバティック飛行を実現するために実際のドローンに展開する可能性があります。

要約(オリジナル)

Performing striking aerobatic flight in complex environments demands manual designs of key maneuvers in advance, which is intricate and time-consuming as the horizon of the trajectory performed becomes long. This paper presents a novel framework that leverages diffusion models to automate and scale up aerobatic trajectory generation. Our key innovation is the decomposition of complex maneuvers into aerobatic primitives, which are short frame sequences that act as building blocks, featuring critical aerobatic behaviors for tractable trajectory synthesis. The model learns aerobatic primitives using historical trajectory observations as dynamic priors to ensure motion continuity, with additional conditional inputs (target waypoints and optional action constraints) integrated to enable user-editable trajectory generation. During model inference, classifier guidance is incorporated with batch sampling to achieve obstacle avoidance. Additionally, the generated outcomes are refined through post-processing with spatial-temporal trajectory optimization to ensure dynamical feasibility. Extensive simulations and real-world experiments have validated the key component designs of our method, demonstrating its feasibility for deploying on real drones to achieve long-horizon aerobatic flight.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google