論文の概要: OmniDrones: An Efficient and Flexible Platform for Reinforcement Learning in Drone Control

• arxiv url: http://arxiv.org/abs/2309.12825v1
• Date: Fri, 22 Sep 2023 12:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 14:39:14.835047
• Title: OmniDrones: An Efficient and Flexible Platform for Reinforcement Learning in Drone Control
• Title（参考訳）: OmniDrones: ドローン制御における強化学習のための効率的で柔軟なプラットフォーム
• Authors: Botian Xu, Feng Gao, Chao Yu, Ruize Zhang, Yi Wu, Yu Wang
• Abstract要約: 我々は、ドローン制御における強化学習に適した、効率的で柔軟なプラットフォームであるOmniDronesを紹介した。 ボトムアップ設計アプローチを採用しており、ユーザーは様々なアプリケーションシナリオを簡単に設計し、実験することができる。 また、シングルドローンホバリングから過度に作動するシステムトラッキングまで、さまざまなベンチマークタスクも提供しています。
• 参考スコア（独自算出の注目度）: 16.570253723823996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we introduce OmniDrones, an efficient and flexible platform tailored for reinforcement learning in drone control, built on Nvidia's Omniverse Isaac Sim. It employs a bottom-up design approach that allows users to easily design and experiment with various application scenarios on top of GPU-parallelized simulations. It also offers a range of benchmark tasks, presenting challenges ranging from single-drone hovering to over-actuated system tracking. In summary, we propose an open-sourced drone simulation platform, equipped with an extensive suite of tools for drone learning. It includes 4 drone models, 5 sensor modalities, 4 control modes, over 10 benchmark tasks, and a selection of widely used RL baselines. To showcase the capabilities of OmniDrones and to support future research, we also provide preliminary results on these benchmark tasks. We hope this platform will encourage further studies on applying RL to practical drone systems.
• Abstract（参考訳）: 本研究では,NvidiaのOmniverse Isaac Simをベースとした,ドローン制御の強化学習に適した,効率的で柔軟なプラットフォームであるOmniDronesを紹介する。 ボトムアップ設計アプローチを採用しており、GPU並列化シミュレーション上に、さまざまなアプリケーションシナリオを設計し、実験することができる。 また、シングルドローンホバリングから過度に作動するシステムトラッキングまで、さまざまなベンチマークタスクも提供する。 まとめると、我々は、ドローン学習のための幅広いツールセットを備えた、オープンソースのドローンシミュレーションプラットフォームを提案する。 4つのドローンモデル、5つのセンサーモード、4つのコントロールモード、10以上のベンチマークタスク、そして広く使われているRLベースラインの選択が含まれる。 OmniDronesの能力を実証し、今後の研究を支援するため、これらのベンチマークタスクの予備的な結果も提供する。 このプラットフォームは、実用的なドローンシステムにRLを適用するためのさらなる研究を促進することを願っている。

関連論文リスト

• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• Chasing the Intruder: A Reinforcement Learning Approach for Tracking Intruder Drones [0.08192907805418582]
  本研究では、チェッカードローンを用いて侵入者ドローンを識別・追跡するための強化学習に基づくアプローチを提案する。 提案手法は、強化学習の政策学習フレームワークにインターリーブされたコンピュータビジョン技術を用いている。 その結果、強化学習に基づくポリシーは、侵入者ドローンを識別・追跡するために収束していることがわかった。
  論文  参考訳（メタデータ） (2023-09-10T16:31:40Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)
• GNM: A General Navigation Model to Drive Any Robot [67.40225397212717]
  視覚に基づくナビゲーションのための一般的な目標条件付きモデルは、多くの異なるが構造的に類似したロボットから得られたデータに基づいて訓練することができる。 ロボット間の効率的なデータ共有に必要な設計決定について分析する。 我々は、訓練されたGNMを、下四極子を含む様々な新しいロボットに展開する。
  論文  参考訳（メタデータ） (2022-10-07T07:26:41Z)
• Learning a Single Near-hover Position Controller for Vastly Different Quadcopters [56.37274861303324]
  本稿では,クワッドコプターのための適応型ニアホバー位置制御器を提案する。 これは、非常に異なる質量、大きさ、運動定数を持つクワッドコプターに展開することができる。 また、実行中に未知の障害に迅速に適応する。
  論文  参考訳（メタデータ） (2022-09-19T17:55:05Z)
• Monocular visual autonomous landing system for quadcopter drones using software in the loop [0.696125353550498]
  着陸パッド追跡に対する単眼視のみのアプローチにより、F450クワッドコプタードローンでこのシステムを効果的に実装することが可能になった。 ランディングパッドトラッキングに対する単眼視のみのアプローチにより、Odroid XU4組み込みプロセッサの標準的な計算能力を備えたF450クワッドコプタードローンでこのシステムを効果的に実装できるようになった。
  論文  参考訳（メタデータ） (2021-08-14T21:28:28Z)
• A simple vision-based navigation and control strategy for autonomous drone racing [0.0]
  我々は、ドローンがArUcoタグでマークされた一連のゲートを自律的に飛行できる制御システムを提案する。 シンプルで低コストなdji tello edu quad-rotorプラットフォームが使用された。 WiFi経由でドローンとの通信を可能にし、視覚フィードバックに基づくドローン位置決めを実現し、制御を生成するPythonアプリケーションを作成しました。
  論文  参考訳（メタデータ） (2021-04-20T08:02:02Z)
• Long-Term Planning with Deep Reinforcement Learning on Autonomous Drones [0.0]
  本研究では,実生活におけるドローンレース競技をベースとした長期計画シナリオについて検討する。 この実験は、NeurIPS 2019で"Game of Drones: Drone Racing Competition"のために作成されたフレームワーク上で実施された。
  論文  参考訳（メタデータ） (2020-07-11T06:16:50Z)
• AirSim Drone Racing Lab [56.68291351736057]
  AirSim Drone Racing Labは、この領域で機械学習研究を可能にするシミュレーションフレームワークである。 本フレームワークは,複数の写真リアル環境下でのレーストラック生成を可能にする。 当社のフレームワークを使用して,NeurIPS 2019で,シミュレーションベースのドローンレースコンペティションを開催しました。
  論文  参考訳（メタデータ） (2020-03-12T08:06:06Z)
• University-1652: A Multi-view Multi-source Benchmark for Drone-based Geo-localization [87.74121935246937]
  我々は、ドローンによるジオローカライゼーションのための新しいマルチビューベンチマーク、University-1652を紹介する。 大学1652は、世界中の1,652の大学の建物から合成ドローン、衛星、地上カメラなどの3つのプラットフォームからのデータを含んでいる。 実験の結果,University-1652は視点不変の特徴の学習を支援し,実世界のシナリオにおいて優れた一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2020-02-27T15:24:15Z)

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。