Learning-Initialized Trajectory Planning in Unknown Environments

要約

未知の環境での自律飛行には、軌道の空間的および時間的プロファイルの両方について正確な計画が必要ですが、これには一般に非凸最適化が含まれるため、時間コストが高くつき、局所最適化の影響を受けやすくなります。
これらの制限に対処するために、ニューラル ネットワーク (NN) プランナーを使用して初期値を提供し、最適化をガイドする新しいアプローチである学習初期化軌道プランナー (LIT プランナー) を導入します。
まず、バッチ サンプリングによる時空間最適化を利用してトレーニング ケースを生成し、軌跡のマルチモダリティを捉えることを目指します。
これらのデータに基づいて、NN-Planner は視覚的および慣性観測を、未知の環境を処理するための軌道パラメータにマッピングします。
その後、ネットワーク出力が最適化されて信頼性と説明可能性の両方が強化され、堅牢なパフォーマンスが保証されます。
さらに、計画遅延を許容する堅牢なオンライン再計画をサポートするフレームワークを提案します。
包括的なシミュレーションにより、最適化ベースの方法と比較して軌道の品質を損なうことなく、LIT-Planner の時間効率が検証されます。
実際の実験では、ドローンの自律航行への実用的な適合性がさらに実証されています。

要約(オリジナル)

Autonomous flight in unknown environments requires precise planning for both the spatial and temporal profiles of trajectories, which generally involves nonconvex optimization, leading to high time costs and susceptibility to local optima. To address these limitations, we introduce the Learning-Initialized Trajectory Planner (LIT-Planner), a novel approach that guides optimization using a Neural Network (NN) Planner to provide initial values. We first leverage the spatial-temporal optimization with batch sampling to generate training cases, aiming to capture multimodality in trajectories. Based on these data, the NN-Planner maps visual and inertial observations to trajectory parameters for handling unknown environments. The network outputs are then optimized to enhance both reliability and explainability, ensuring robust performance. Furthermore, we propose a framework that supports robust online replanning with tolerance to planning latency. Comprehensive simulations validate the LIT-Planner’s time efficiency without compromising trajectory quality compared to optimization-based methods. Real-world experiments further demonstrate its practical suitability for autonomous drone navigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google