論文の概要: Lander.AI: Adaptive Landing Behavior Agent for Expertise in 3D Dynamic
Platform Landings
- arxiv url: http://arxiv.org/abs/2403.06572v1
- Date: Mon, 11 Mar 2024 10:20:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 19:33:32.349327
- Title: Lander.AI: Adaptive Landing Behavior Agent for Expertise in 3D Dynamic
Platform Landings
- Title（参考訳）: Lander.AI:3次元動的プラットフォームランディングのエキスパートのための適応的ランディング行動エージェント
- Authors: Robinroy Peter, Lavanya Ratnabala, Demetros Aschu, Aleksey Fedoseev,
Dzmitry Tsetserukou
- Abstract要約: 本研究では,風環境下でプラットフォーム上での移動と着陸を目的とした高度深層強化学習(DRL)エージェントであるLander.AIを紹介する。
Lander.AIは、風の乱流を含む現実世界の複雑さを反映するジム・ピブル・ドーンシミュレーションで厳格に訓練されている。
実験の結果は、ランダー.AIの高精度着陸と、風による乱れでも移動プラットフォームに適応する能力を示した。
- 参考スコア（独自算出の注目度）: 2.5022287664959446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mastering autonomous drone landing on dynamic platforms presents formidable
challenges due to unpredictable velocities and external disturbances caused by
the wind, ground effect, turbines or propellers of the docking platform. This
study introduces an advanced Deep Reinforcement Learning (DRL) agent,
Lander.AI, designed to navigate and land on platforms in the presence of windy
conditions, thereby enhancing drone autonomy and safety. Lander.AI is
rigorously trained within the gym-pybullet-drone simulation, an environment
that mirrors real-world complexities, including wind turbulence, to ensure the
agent's robustness and adaptability.
The agent's capabilities were empirically validated with Crazyflie 2.1 drones
across various test scenarios, encompassing both simulated environments and
real-world conditions. The experimental results showcased Lander.AI's
high-precision landing and its ability to adapt to moving platforms, even under
wind-induced disturbances. Furthermore, the system performance was benchmarked
against a baseline PID controller augmented with an Extended Kalman Filter,
illustrating significant improvements in landing precision and error recovery.
Lander.AI leverages bio-inspired learning to adapt to external forces like
birds, enhancing drone adaptability without knowing force magnitudes.This
research not only advances drone landing technologies, essential for inspection
and emergency applications, but also highlights the potential of DRL in
addressing intricate aerodynamic challenges.
- Abstract（参考訳）: ダイナミックプラットフォームに自律的なドローンを着陸させることは、予測不可能な速度と、ドッキングプラットフォームの風、地面効果、タービン、プロペラによる外乱による重大な課題を提示する。
本研究では,風の強い状況下でプラットフォーム上での移動と着陸を目的とし,ドローンの自律性と安全性を向上する先進的なDeep Reinforcement Learning(DRL)エージェントであるLander.AIを紹介する。
Lander.AIは、風の乱流を含む現実世界の複雑さを反映し、エージェントの堅牢性と適応性を確保する環境であるジム・ピブル・ドーンシミュレーションで厳格に訓練されている。
エージェントの能力は、様々なテストシナリオでcrazyflie 2.1ドローンで実証的に検証され、シミュレートされた環境と実環境の両方を含む。
実験の結果は、ランダー.AIの高精度着陸と、風による乱れでも移動プラットフォームに適応する能力を示した。
さらに、システム性能は、拡張カルマンフィルタを付加したベースラインPIDコントローラに対してベンチマークされ、着陸精度とエラー回復の大幅な改善が示された。
Lander.AIは、バイオインスパイアされた学習を活用して、鳥のような外部の力に適応し、力の大きさを知らずにドローンの適応性を高める。この研究は、ドローンの着陸技術を進歩させ、検査や緊急用途に欠かせないだけでなく、複雑な空力問題に対処するDRLの可能性も強調している。
関連論文リスト
- DroneWiS: Automated Simulation Testing of small Unmanned Aerial Systems in Realistic Windy Conditions [8.290044674335473]
DroneWiSは、sUAS開発者が現実的な風の条件を自動的にシミュレートし、sUASの風に対するレジリエンスをテストすることを可能にする。
ガゼボやAirSimのような現在の最先端のシミュレーションツールとは異なり、DroneWiSは計算流体力学(CFD)を利用してユニークな風速を計算する。
このシミュレーション機能は、困難で現実的な風の条件下でのsUASのナビゲーション能力について、開発者に深い洞察を提供する。
論文 参考訳（メタデータ） (2024-08-29T14:25:11Z) - AirPilot: Interpretable PPO-based DRL Auto-Tuned Nonlinear PID Drone Controller for Robust Autonomous Flights [1.947822083318316]
AirPilotは、非線形ディープ強化学習 (DRL) - プロポーショナル・インテグレーショナル・デリバティブ (PID) ドローン・コントローラである。
AirPilotコントローラは、従来のPID制御のシンプルさと有効性と、DRLの適応性、学習能力、最適化能力を組み合わせる。
Airpilotは、デフォルトのPX4 PID位置コントローラのナビゲーションエラーを90%削減し、微調整されたPIDコントローラのナビゲーション速度を21%改善する。
論文 参考訳（メタデータ） (2024-03-30T00:46:43Z) - DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。
DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。
適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
論文 参考訳（メタデータ） (2023-10-13T12:22:31Z) - Urban Drone Navigation: Autoencoder Learning Fusion for Aerodynamics [2.868732757372218]
本稿では,多目的強化学習(MORL)と畳み込みオートエンコーダを組み合わせることで,都市SARにおけるドローンナビゲーションを改善する手法を提案する。
このアプローチでは、MORLを使用して複数の目標を達成するとともに、コスト効率のよい風シミュレーションのためのオートエンコーダを使用する。
ニューヨーク市のモデルでテストされたこの方法は、複雑な都市環境でのドローンSAR操作を強化する。
論文 参考訳（メタデータ） (2023-10-13T02:57:35Z) - Transfusor: Transformer Diffusor for Controllable Human-like Generation
of Vehicle Lane Changing Trajectories [0.3314882635954752]
仮想シミュレーションテスト(VST)は、自律運転システム(ADS)と先進運転支援システム(ADAS)のテストにおいて顕著なアプローチとなっている。
ADSとADASの安全性と信頼性を高めるために、VSTでより柔軟で高忠実なテストシナリオを作成する必要がある。
本稿では,トランスフューザモデルを提案する。トランスフューザモデルとディフューザモデル(最先端2つのディープラーニング生成技術)を利用する。
論文 参考訳（メタデータ） (2023-08-28T23:50:36Z) - 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) - Inverted Landing in a Small Aerial Robot via Deep Reinforcement Learning
for Triggering and Control of Rotational Maneuvers [11.29285364660789]
高速で頑健な逆着陸は、特に機内でのセンシングと計算に完全に依存しながらも、空中ロボットにとって難しい偉業である。
これまでの研究では、一連の視覚的手がかりとキネマティックな動作の間に直接的な因果関係が特定され、小型の空中ロボットでこの困難なエアロバティックな操作を確実に実行することができた。
本研究では、まずDeep Reinforcement Learningと物理シミュレーションを用いて、頑健な逆着陸のための汎用的最適制御ポリシーを得る。
論文 参考訳（メタデータ） (2022-09-22T14:38:10Z) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
高速物体把握のための完全自律飛行ロボットが提案されている。
追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。
我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
論文 参考訳（メタデータ） (2021-12-10T11:49:51Z) - 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) - Model-Based Meta-Reinforcement Learning for Flight with Suspended
Payloads [69.21503033239985]
吊り下げられたペイロードの輸送は、自律的な航空車両にとって困難である。
接続後飛行データから数秒以内に変化力学のモデルを学習するメタラーニング手法を提案する。
論文 参考訳（メタデータ） (2020-04-23T17:43:56Z)
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。