A Survey of Offline and Online Learning-Based Algorithms for Multirotor UAVs

要約

マルチコプター UAV は、民間およびパブリックドメインの幅広いアプリケーションに使用されます。
さまざまな属性とオンボードセンサースイートを備えたナビゲーションコントローラーにより、不確実で動的に変化する環境で飛行する場合でも、名目上の条件や有害な条件、外乱の下で、マルチコプターの自律または半自律の安全な飛行、操作、および機能が可能になります。
過去 10 年間、利用可能な計算能力が急激に増加したことを考慮して、マルチコプター UAV のナビゲーションと制御を目的としたさまざまな学習ベースのアルゴリズムが導出され、実装され、テストされてきました。
学習アルゴリズムは、データ駆動型ベースのモデルの導出、パラメーターの特定、物体の追跡、ナビゲーション コントローラーの開発、およびマルチローターが動作する環境の学習に使用されており、現在も使用されています。
モデルベースの制御技術と組み合わせた学習アルゴリズムは、マルチローターに適用すると有益であることが証明されています。
この調査は、2015 年以降に発表された研究を要約し、アルゴリズム、技術、方法論をオフラインとオンラインの学習カテゴリに分類し、さらに機械学習、深層学習、強化学習のサブカテゴリに分類しています。
この調査の重要な部分と焦点は、リアルタイムで実装可能な難しい、またはほぼ難しい学習テクニックの種類を登録し、どのような情報がなぜ学習されるのかを理解することを目的として、マルチコプターに適用されるオンライン学習アルゴリズムに焦点を当てています。
、そしてどのように、そしてどのくらいの速さでしょうか。
調査の結果により、最近の最先端技術と、リアルタイムで実装、テスト、実行できる学習ベースのアルゴリズムの種類と種類が明確に理解できるようになります。

要約(オリジナル)

Multirotor UAVs are used for a wide spectrum of civilian and public domain applications. Navigation controllers endowed with different attributes and onboard sensor suites enable multirotor autonomous or semi-autonomous, safe flight, operation, and functionality under nominal and detrimental conditions and external disturbances, even when flying in uncertain and dynamically changing environments. During the last decade, given the faster-than-exponential increase of available computational power, different learning-based algorithms have been derived, implemented, and tested to navigate and control, among other systems, multirotor UAVs. Learning algorithms have been, and are used to derive data-driven based models, to identify parameters, to track objects, to develop navigation controllers, and to learn the environment in which multirotors operate. Learning algorithms combined with model-based control techniques have been proven beneficial when applied to multirotors. This survey summarizes published research since 2015, dividing algorithms, techniques, and methodologies into offline and online learning categories, and then, further classifying them into machine learning, deep learning, and reinforcement learning sub-categories. An integral part and focus of this survey are on online learning algorithms as applied to multirotors with the aim to register the type of learning techniques that are either hard or almost hard real-time implementable, as well as to understand what information is learned, why, and how, and how fast. The outcome of the survey offers a clear understanding of the recent state-of-the-art and of the type and kind of learning-based algorithms that may be implemented, tested, and executed in real-time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google