FlightBench: Benchmarking Learning-based Methods for Ego-vision-based Quadrotors Navigation

要約

雑然とした環境におけるエゴビジョンベースのナビゲーションは、モバイル システム、特に機敏なクワッドローターにとって重要です。
学習ベースの手法は最近有望であることが示されていますが、最先端の最適化ベースのアプローチとの直接の比較はほとんどなく、どこでどの程度優れているのかという疑問は未解決のままです。
このペーパーでは、エゴビジョンベースのナビゲーションのためのさまざまな学習ベースの手法を実装し、幅広いパフォーマンス指標を使用して主流の最適化ベースのベースラインに対してそれらを評価する最初の包括的なベンチマークである FlightBench を紹介します。
さらに、シナリオの難易度を評価する一連の基準を開発し、これらの基準に基づいてさまざまな難易度にわたるテスト ケースを設計します。
私たちの結果は、学習ベースの手法は高速飛行とより高速な推論には優れているものの、鋭いコーナーや視界の遮蔽などの困難なシナリオには苦戦していることを示しています。
分析実験により、難易度基準と飛行性能との相関関係が検証されます。
私たちは、このベンチマークとこれらの基準が、エゴビジョン クワッドローターの学習ベースのナビゲーションにおける将来の進歩を促進することを願っています。
ソース コードとドキュメントは \url{https://github.com/thu-uav/FlightBench} で入手できます。

要約(オリジナル)

Ego-vision-based navigation in cluttered environments is crucial for mobile systems, particularly agile quadrotors. While learning-based methods have shown promise recently, head-to-head comparisons with cutting-edge optimization-based approaches are scarce, leaving open the question of where and to what extent they truly excel. In this paper, we introduce FlightBench, the first comprehensive benchmark that implements various learning-based methods for ego-vision-based navigation and evaluates them against mainstream optimization-based baselines using a broad set of performance metrics. Additionally, we develop a suite of criteria to assess scenario difficulty and design test cases that span different levels of difficulty based on these criteria. Our results show that while learning-based methods excel in high-speed flight and faster inference, they struggle with challenging scenarios like sharp corners or view occlusion. Analytical experiments validate the correlation between our difficulty criteria and flight performance. We hope this benchmark and these criteria will drive future advancements in learning-based navigation for ego-vision quadrotors. The source code and documentation is available at \url{https://github.com/thu-uav/FlightBench}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google