論文の概要: Time-Optimal Planning for Quadrotor Waypoint Flight

• arxiv url: http://arxiv.org/abs/2108.04537v1
• Date: Tue, 10 Aug 2021 09:26:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:14:09.882272
• Title: Time-Optimal Planning for Quadrotor Waypoint Flight
• Title（参考訳）: クアドロター・ウェイポイント飛行の時間最適計画
• Authors: Philipp Foehn, Angel Romero, Davide Scaramuzza
• Abstract要約: 立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
• 参考スコア（独自算出の注目度）: 50.016821506107455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quadrotors are among the most agile flying robots. However, planning time-optimal trajectories at the actuation limit through multiple waypoints remains an open problem. This is crucial for applications such as inspection, delivery, search and rescue, and drone racing. Early works used polynomial trajectory formulations, which do not exploit the full actuator potential because of their inherent smoothness. Recent works resorted to numerical optimization but require waypoints to be allocated as costs or constraints at specific discrete times. However, this time allocation is a priori unknown and renders previous works incapable of producing truly time-optimal trajectories. To generate truly time-optimal trajectories, we propose a solution to the time allocation problem while exploiting the full quadrotor's actuator potential. We achieve this by introducing a formulation of progress along the trajectory, which enables the simultaneous optimization of the time allocation and the trajectory itself. We compare our method against related approaches and validate it in real-world flights in one of the world's largest motion-capture systems, where we outperform human expert drone pilots in a drone-racing task.
• Abstract（参考訳）: クアドロターは最も機敏な飛行ロボットの1つである。 しかし、複数の経路点を通るアクティベーション限界における時間-最適軌道の計画は未解決の問題である。 これは検査、配送、捜索救助、ドローンレースなどのアプリケーションにとって非常に重要である。 初期の作品では多項式軌道の定式化が用いられ、固有な滑らかさのためにアクチュエータポテンシャルをフル活用しなかった。 最近の研究は数値最適化に頼っているが、特定の離散時間におけるコストや制約としてウェイポイントを割り当てる必要がある。 しかし、この時間割当は事前不明であり、以前の作品では真の時間最適軌跡を生成できない。 真の時間最適化トラジェクタを生成するために,全四重子のアクチュエータポテンシャルを活用しつつ,時間割当問題の解を提案する。 時間割当と軌道自体の同時最適化を可能にする軌道に沿って進行の定式化を導入することでこれを実現できる。 我々は、我々の手法を関連するアプローチと比較し、世界最大規模のモーションキャプチャーシステムで実際の飛行でそれを検証する。

関連論文リスト

• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  将来の多機のミッションでは、安全かつ効率的なランデブー操作を確保するために、堅牢な自律的な最適化機能が必要である。 この負担を軽減するため、生成トランスフォーマーモデルを導入し、ロバストな最適初期推定を提供する。 この研究はARTの機能を拡張し、堅牢な制約付き最適制御問題に対処する。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Multi-Objective Trajectory Planning with Dual-Encoder [8.414908539114743]
  時空最適軌道計画は、動的タスクにおけるロボットアームの性能向上に不可欠である。 従来の手法は複雑な非線形プログラミング問題を解くことに依存している。 時空最適軌道計画の高速化のための2段階の手法を提案する。
  論文  参考訳（メタデータ） (2024-03-26T03:32:45Z)
• Learning-Initialized Trajectory Planning in Unknown Environments [4.2960463890487555]
  未知の環境での自律飛行の計画には、空間軌道と時間軌道の両方を正確に計画する必要がある。 本稿ではニューラルdトラジェクトリ・プランナーを用いて最適化を導く新しい手法を提案する。 遅延計画に対する耐性を持って、堅牢なオンラインリプランニングをサポートするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• Neural representation of a time optimal, constant acceleration rendezvous [10.191757341020216]
  我々は、最適政策(すなわち最適な推力方向)と値関数(すなわち飛行時間)の両方を表現するために、時間最適で一定加速度の低推力ランデブーをニューラルネットワークで訓練する。 あらゆるケースにおいて、アキュラシーはランデブーと飛行予測の時間に成功する。
  論文  参考訳（メタデータ） (2022-03-29T12:40:50Z)
• Learning High-Speed Flight in the Wild [101.33104268902208]
  複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。 鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。 現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
  論文  参考訳（メタデータ） (2021-10-11T09:43:11Z)
• Autonomous Drone Racing with Deep Reinforcement Learning [39.757652701917166]
  ドローンレースのような多くのロボットタスクにおいて、ゴールはできるだけ速くコースポイントを移動することである。 重要な課題は、事前に通過するウェイポイントの完全な知識を想定して解決される最小時間軌道を計画することです。 本研究では,クワッドロータの最小時間軌道生成法を提案する。
  論文  参考訳（メタデータ） (2021-03-15T18:05:49Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。