DroneDiffusion: Robust Quadrotor Dynamics Learning with Diffusion Models

要約

クアッドローター システムに固有の脆弱性は、モデルの不正確さや外部からの外乱に起因します。
これらの要因はパフォーマンスを妨げ、システムの安定性を損なうため、正確な制御が困難になります。
既存のモデルベースのアプローチは、決定論的な仮定を立てるか、ガウスベースの不確実性表現を利用するか、名目モデルに依存するかのいずれかですが、いずれも現実世界のダイナミクスの複雑で多峰性の性質を捉えるには不十分であることがよくあります。
この研究では、条件付き拡散モデルを活用してクワッドローターのダイナミクスを学習し、シーケンス生成タスクとして定式化する新しいフレームワークである DroneDiffusion を紹介します。
DroneDiffusion は、不確実性の時間的性質を捉え、エラーの伝播を軽減することで、目に見えない複雑なシナリオに対する優れた一般化を実現します。
学習したダイナミクスを適応コントローラーと統合して、安定性を保証した軌道追跡を実現します。
シミュレーションと現実世界の飛行の両方における広範な実験により、不慣れな飛行経路、さまざまなペイロード、速度、風の外乱など、さまざまなシナリオにわたるフレームワークの堅牢性が実証されています。

要約(オリジナル)

An inherent fragility of quadrotor systems stems from model inaccuracies and external disturbances. These factors hinder performance and compromise the stability of the system, making precise control challenging. Existing model-based approaches either make deterministic assumptions, utilize Gaussian-based representations of uncertainty, or rely on nominal models, all of which often fall short in capturing the complex, multimodal nature of real-world dynamics. This work introduces DroneDiffusion, a novel framework that leverages conditional diffusion models to learn quadrotor dynamics, formulated as a sequence generation task. DroneDiffusion achieves superior generalization to unseen, complex scenarios by capturing the temporal nature of uncertainties and mitigating error propagation. We integrate the learned dynamics with an adaptive controller for trajectory tracking with stability guarantees. Extensive experiments in both simulation and real-world flights demonstrate the robustness of the framework across a range of scenarios, including unfamiliar flight paths and varying payloads, velocities, and wind disturbances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google