Semantically-driven Deep Reinforcement Learning for Inspection Path Planning

要約

このペーパーでは、深い強化学習を通じて導き出された新しいセマンティクス認識検査計画ポリシーを紹介します。
未知の環境における自律的な情報パス計画ミッション内では、多くの場合、検査する必要があるのは多くの場合、興味のあるオブジェクトのまばらなセットであるという事実を反映して、この方法は、衝突のないナビゲーションと組み合わせたセマンティックオブジェクトの目視検査を同時に実行するエンドツーエンドポリシーに貢献します。
瞬時の深度マップ、関連するセグメンテーション画像、自我中心の地元の占有率、およびロボットの近隣における過去の位置の歴史にのみアクセスを想定すると、この方法は、堅牢な一般化可能性とSIM2REALギャップの交差の成功を示しています。
シミュレーションと広範な比較研究を超えて、このアプローチは、以前に目に見えなかったセマンティクスと全体的な幾何学的構成を備えた新しい環境に展開されていた飛行ロボットを搭載した実験的評価で検証されています。

要約(オリジナル)

This paper introduces a novel semantics-aware inspection planning policy derived through deep reinforcement learning. Reflecting the fact that within autonomous informative path planning missions in unknown environments, it is often only a sparse set of objects of interest that need to be inspected, the method contributes an end-to-end policy that simultaneously performs semantic object visual inspection combined with collision-free navigation. Assuming access only to the instantaneous depth map, the associated segmentation image, the ego-centric local occupancy, and the history of past positions in the robot’s neighborhood, the method demonstrates robust generalizability and successful crossing of the sim2real gap. Beyond simulations and extensive comparison studies, the approach is verified in experimental evaluations onboard a flying robot deployed in novel environments with previously unseen semantics and overall geometric configurations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google