A Reinforcement Learning Based Motion Planner for Quadrotor Autonomous Flight in Dense Environment

要約

クアッドローターの動作計画は、救助活動などの複雑な環境での自律飛行にとって重要です。
従来の方法では、軌道生成の最適化や受動的な時間割り当て戦略が採用されることが多く、これによりクワッドローターの動的機能の活用が制限され、遅延や不正確さが生じる可能性があります。
これらの課題に対処するために、可視性パス検索と強化学習 (RL) 動作生成を統合する新しい動作計画フレームワークを提案します。
私たちの手法は、ヒューリスティック検索と可視性グラフを使用して衝突のないパスを構築し、RL ポリシーによって洗練されて低レベルのモーション コマンドを生成します。
私たちは模擬屋内環境でアプローチを検証し、期間の点で従来の方法よりも優れたパフォーマンスを実証しました。

要約(オリジナル)

Quadrotor motion planning is critical for autonomous flight in complex environments, such as rescue operations. Traditional methods often employ trajectory generation optimization and passive time allocation strategies, which can limit the exploitation of the quadrotor’s dynamic capabilities and introduce delays and inaccuracies. To address these challenges, we propose a novel motion planning framework that integrates visibility path searching and reinforcement learning (RL) motion generation. Our method constructs collision-free paths using heuristic search and visibility graphs, which are then refined by an RL policy to generate low-level motion commands. We validate our approach in simulated indoor environments, demonstrating better performance than traditional methods in terms of time span.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google