FlightBench: Benchmarking Learning-based Methods for Ego-vision-based Quadrotors Navigation

要約

散らかった環境での自我ビジョンベースのナビゲーションは、モバイルシステム、特にアジャイル象限にとって重要です。
学習ベースの方法は最近有望であることが示されていますが、最先端の最適化ベースのアプローチとの真正な比較は不足しているため、どこでどの程度まで優れているかという問題が明らかになります。
このペーパーでは、エゴビジョンベースのナビゲーションのためのさまざまな学習ベースの方法を実装し、幅広いパフォーマンスメトリックを使用して主流の最適化ベースのベースラインに対してそれらを評価する最初の包括的なベンチマークであるFlightBenchを紹介します。
さらに重要なことは、これらの基準に基づいて異なるレベルの難易度にまたがるシナリオの難易度と設計テストケースを評価するための一連の基準を開発することです。
私たちの結果は、学習ベースの方法が高速飛行とより速い推論で優れている一方で、鋭い角や視聴のような挑戦的なシナリオに苦労していることを示しています。
分析実験では、難易度の基準と飛行性能との相関関係を検証します。
さらに、フルパイプラインとループインザループの実験を通じて、実際の環境内の飛行性能の傾向を検証します。
このベンチマークと、これらの基準が、自我ビジョン四つのQuadrotorsの学習ベースのナビゲーションの将来の進歩を促進することを願っています。
コードとドキュメントは、https：//github.com/thu-uav/flightbenchで入手できます。

要約(オリジナル)

Ego-vision-based navigation in cluttered environments is crucial for mobile systems, particularly agile quadrotors. While learning-based methods have shown promise recently, head-to-head comparisons with cutting-edge optimization-based approaches are scarce, leaving open the question of where and to what extent they truly excel. In this paper, we introduce FlightBench, the first comprehensive benchmark that implements various learning-based methods for ego-vision-based navigation and evaluates them against mainstream optimization-based baselines using a broad set of performance metrics. More importantly, we develop a suite of criteria to assess scenario difficulty and design test cases that span different levels of difficulty based on these criteria. Our results show that while learning-based methods excel in high-speed flight and faster inference, they struggle with challenging scenarios like sharp corners or view occlusion. Analytical experiments validate the correlation between our difficulty criteria and flight performance. Moreover, we verify the trend in flight performance within real-world environments through full-pipeline and hardware-in-the-loop experiments. We hope this benchmark and these criteria will drive future advancements in learning-based navigation for ego-vision quadrotors. Code and documentation are available at https://github.com/thu-uav/FlightBench.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google