A Search-to-Control Reinforcement Learning Based Framework for Quadrotor Local Planning in Dense Environments

要約

複雑な環境での機敏な飛行は、現在の動作計画方法に重大な課題をもたらします。これは、多くの場合、クアローターの動的潜在能力を十分に活用できず、攻撃的な操縦中にパフォーマンスの低下や効率の低下につながるためです。
既存のアプローチでは、軌道の最適化が制御生成から切り離され、ダイナミクスが無視されることが多く、積極的で実行可能なモーションを生成する能力がさらに制限されます。
これらの課題に対処するために、強化学習 (RL) 制御生成と可視化パス検索を統合し、ダイナミクスを直接考慮し、計画と制御の間のギャップを埋める、強化された Search-to-Control 計画フレームワークを導入します。
私たちの方法では、最初に、提案されたヒューリスティック検索を使用して衝突のないパスから制御点を抽出します。次に、RL ポリシーによって洗練されて、軽量ニューラル ネットワークによる効率的な推論のための低次元の障害物観測を利用して、クワッドローターのコントローラー用の低レベル制御コマンドを生成します。
。
私たちはシミュレーションと実際の実験を通じてフレームワークを検証し、既存の方法と比較して時間効率と動的操作性の向上を実証するとともに、その堅牢性と適用性を確認します。
さらなる研究をサポートするために、実装をオープンソース パッケージとしてリリースします。

要約(オリジナル)

Agile flight in complex environments poses significant challenges to current motion planning methods, as they often fail to fully leverage the quadrotor’s dynamic potential, leading to performance failures and reduced efficiency during aggressive maneuvers. Existing approaches frequently decouple trajectory optimization from control generation and neglect the dynamics, further limiting their ability to generate aggressive and feasible motions. To address these challenges, we introduce an enhanced Search-to-Control planning framework that integrates visibility path searching with reinforcement learning (RL) control generation, directly accounting for dynamics and bridging the gap between planning and control. Our method first extracts control points from collision-free paths using a proposed heuristic search, which are then refined by an RL policy to generate low-level control commands for the quadrotor’s controller, utilizing reduced-dimensional obstacle observations for efficient inference with lightweight neural networks. We validate the framework through simulations and real-world experiments, demonstrating improved time efficiency and dynamic maneuverability compared to existing methods, while confirming its robustness and applicability. To support further research, We will release our implementation as an open-source package.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google