Continuous World Coverage Path Planning for Fixed-Wing UAVs using Deep Reinforcement Learning

要約

無人航空機（UAV）カバレッジパス計画（CPP）は、精密農業や捜索救助などのアプリケーションにとって重要です。
従来の方法は個別のグリッドベースの表現に依存していますが、実際のUAV操作には電力効率の高い連続モーション計画が必要です。
継続的な環境でUAV CPPの問題を策定し、完全なカバレッジを確保しながら消費電力を最小限に抑えます。
私たちのアプローチは、可変サイズの軸に合わせた長方形と、曲率が制約したb \ ‘ezier曲線を備えたUAVモーションを備えた環境をモデル化します。
自己適応カリキュラムを採用したアクションマッピングベースのソフトアクタークリティック（AM-SAC）アルゴリズムを使用して、強化学習エージェントを訓練します。
手続き的に生成されたシナリオと手作りの両方のシナリオでの実験は、エネルギー効率の高いカバレッジ戦略を学習する方法の有効性を示しています。

要約(オリジナル)

Unmanned Aerial Vehicle (UAV) Coverage Path Planning (CPP) is critical for applications such as precision agriculture and search and rescue. While traditional methods rely on discrete grid-based representations, real-world UAV operations require power-efficient continuous motion planning. We formulate the UAV CPP problem in a continuous environment, minimizing power consumption while ensuring complete coverage. Our approach models the environment with variable-size axis-aligned rectangles and UAV motion with curvature-constrained B\’ezier curves. We train a reinforcement learning agent using an action-mapping-based Soft Actor-Critic (AM-SAC) algorithm employing a self-adaptive curriculum. Experiments on both procedurally generated and hand-crafted scenarios demonstrate the effectiveness of our method in learning energy-efficient coverage strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google