Learning to Plan Maneuverable and Agile Flight Trajectory with Optimization Embedded Networks

要約

最近では、エンドツーエンドの飛行ナビゲーションにディープ ニューラル ネットワークを利用することに専念する研究者が増えています。
このアプローチは、従来の方法に存在する認識と計画の間のギャップを埋める能力により注目を集め、それによってモジュール間の遅延を排除します。
ただし、ブラックボックス方式で元のモジュールをニューラル ネットワークに置き換えると、システム全体の堅牢性と安定性が低下します。
原則的な説明が不足しており、高品質のモーション軌跡を一貫して生成できないことがよくあります。
さらに、そのような方法では、ロボットの運動学的制約を厳密に考慮するのが困難なことが多く、その結果、満足に実行できない軌道が生成されてしまいます。
この研究では、最適化が埋め込まれたニューラル ネットワークを提案することで、従来の手法とニューラル ネットワークの利点を組み合わせます。
このネットワークは、動的実現可能性を確保しながら、マッピングを必要とせずに視覚入力から直接高品質の軌道を学習できます。
ここでは、ディープ ニューラル ネットワークを使用して、深度画像から環境安全領域を直接抽出します。
その後、モデルベースのアプローチを採用して、これらの領域を軌道最適化における安全制約として表現します。
非常に効率的な最適化アルゴリズムの可用性を活用して、私たちの方法はさまざまなユーザー定義の制約を満たす実現可能な最適なソリューションに確実に収束します。
さらに、最適化プロセスを差別化して、ニューラル ネットワーク内のレイヤーとしてトレーニングできるようにします。
このアプローチにより、認識と計画の間の直接的な相互作用が促進され、ネットワークが最適なソリューションが存在する空間領域にさらに集中できるようになります。
その結果、生成される軌道の品質と安定性がさらに向上します。

要約(オリジナル)

In recent times, an increasing number of researchers have been devoted to utilizing deep neural networks for end-to-end flight navigation. This approach has gained traction due to its ability to bridge the gap between perception and planning that exists in traditional methods, thereby eliminating delays between modules. However, the practice of replacing original modules with neural networks in a black-box manner diminishes the overall system’s robustness and stability. It lacks principled explanations and often fails to consistently generate high-quality motion trajectories. Furthermore, such methods often struggle to rigorously account for the robot’s kinematic constraints, resulting in the generation of trajectories that cannot be executed satisfactorily. In this work, we combine the advantages of traditional methods and neural networks by proposing an optimization-embedded neural network. This network can learn high-quality trajectories directly from visual inputs without the need of mapping, while ensuring dynamic feasibility. Here, the deep neural network is employed to directly extract environment safety regions from depth images. Subsequently, we employ a model-based approach to represent these regions as safety constraints in trajectory optimization. Leveraging the availability of highly efficient optimization algorithms, our method robustly converges to feasible and optimal solutions that satisfy various user-defined constraints. Moreover, we differentiate the optimization process, allowing it to be trained as a layer within the neural network. This approach facilitates the direct interaction between perception and planning, enabling the network to focus more on the spatial regions where optimal solutions exist. As a result, it further enhances the quality and stability of the generated trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google