A Sim-to-Real Deep Learning-based Framework for Autonomous Nano-drone Racing

要約

自律型ドローンレース競技会は、無人航空機の認識、計画、制御スキルを向上させるための手段です。
最近の自律型ナノサイズ ドローン レースの出現により、そのフォーム ファクターが 10 cm 程度であるため、メモリ、計算、センサーなど、搭載可能なリソースが大幅に制限されるため、新たな課題が生じています。
この論文では、初の自律型ナノドローン レーシング国際大会である IAV 2022 ナノコプター AI チャレンジで優勝したシステムの方法論と技術的実装について説明します。
この目標を達成するために、私たちはシミュレーション画像のみで訓練されたビジュアルナビゲーションのための完全にオンボードの深層学習アプローチを開発しました。
私たちのアプローチには、障害物回避のための畳み込みニューラル ネットワーク、シミュレーションと実際のデータセット収集手順、およびシミュレーションと実際の現場実験を通じて選択、特徴付け、適応させたナビゲーション ポリシーが含まれています。
私たちのシステムは、大会に参加した 7 チーム中 1 位にランクされました。
私たちの最高の試みでは、静的および動的障害物を避けながら、一度も墜落することなく、割り当てられた 5 分間の飛行で 115 メートルの移動距離を記録しました。
私たちの知識を研究コミュニティと共有し、この分野の将来の発展を促進するための強固な基盤を提供することを目指しています。

要約(オリジナル)

Autonomous drone racing competitions are a proxy to improve unmanned aerial vehicles’ perception, planning, and control skills. The recent emergence of autonomous nano-sized drone racing imposes new challenges, as their ~10cm form factor heavily restricts the resources available onboard, including memory, computation, and sensors. This paper describes the methodology and technical implementation of the system winning the first autonomous nano-drone racing international competition: the IMAV 2022 Nanocopter AI Challenge. We developed a fully onboard deep learning approach for visual navigation trained only on simulation images to achieve this goal. Our approach includes a convolutional neural network for obstacle avoidance, a sim-to-real dataset collection procedure, and a navigation policy that we selected, characterized, and adapted through simulation and actual in-field experiments. Our system ranked 1st among seven competing teams at the competition. In our best attempt, we scored 115m of traveled distance in the allotted 5-minute flight, never crashing while dodging static and dynamic obstacles. Sharing our knowledge with the research community, we aim to provide a solid groundwork to foster future development in this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google