Fugu-MT 論文翻訳(概要): Implementing TD3 to train a Neural Network to fly a Quadcopter through an FPV Gate

論文の概要: Implementing TD3 to train a Neural Network to fly a Quadcopter through an FPV Gate

arxiv url: http://arxiv.org/abs/2412.14367v1
Date: Wed, 18 Dec 2024 22:04:29 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-20 13:29:49.179871
Title: Implementing TD3 to train a Neural Network to fly a Quadcopter through an FPV Gate
Title（参考訳）: FPVゲートを介してクアッドコプターを飛ばすニューラルネットワークを訓練するTD3の実装
Authors: Patrick Thomas, Kevin Schroeder, Jonathan Black,
Abstract要約: クワッドコプターの速度制御を行うためにニューラルネットワークをトレーニングする。実験室環境のクワッドコプターに配置することで、訓練された方針を現実世界に伝達する。
参考スコア（独自算出の注目度）: 0.5461938536945723
License:
Abstract: Deep Reinforcement learning has shown to be a powerful tool for developing policies in environments where an optimal solution is unclear. In this paper, we attempt to apply Twin Delayed Deep Deterministic Policy Gradients to train a neural network to act as a velocity controller for a quadcopter. The quadcopter's objective is to quickly fly through a gate while avoiding crashing into the gate. We transfer our trained policy to the real world by deploying it on a quadcopter in a laboratory environment. Finally, we demonstrate that the trained policy is able to navigate the drone to the gate in the real world.
Abstract（参考訳）: 深層強化学習は、最適な解決策が不明な環境でポリシーを開発するための強力なツールであることが示されている。本稿では,ニューラルネットワークを訓練してクワッドコプターの速度制御器として機能させるために,Twin Delayed Deep Deterministic Policy Gradientsを適用しようとする。クワッドコプターの目的は、ゲートへの衝突を避けながら素早くゲートを飛行することである。実験室環境のクワッドコプターに配置することで、訓練された方針を現実世界に伝達する。最後に、訓練されたポリシーが現実世界のドローンをゲートに誘導できることを実証する。

関連論文リスト

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)
Improving Wind Resistance Performance of Cascaded PID Controlled Quadcopters using Residual Reinforcement Learning [0.0]
風力抵抗制御は、目標位置からの逸脱を避けるために、クワッドコプターが位置を維持するために欠かせない特徴である。クワッドコプターの耐風性制御系を構築するための残留強化学習に基づく手法を提案する。従来のケースドPIDコントローラで制御されたクワッドコプターと比較して,制御器の位置ずれを約50%低減する。
論文参考訳（メタデータ） (2023-08-03T09:29:19Z)
Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
論文参考訳（メタデータ） (2022-10-26T19:03:17Z)
The eyes and hearts of UAV pilots: observations of physiological responses in real-life scenarios [64.0476282000118]
民間機や軍用機では、パイロットはリアルなシミュレーターで自分の反応や反射を調整できる。この作業は、現場でパイロットの行動を収集し、パフォーマンスを向上させるソリューションを提供することを目的としています。
論文参考訳（メタデータ） (2022-10-26T14:16:56Z)
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)
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)
Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
本稿では,他の飛行ドローンからドローンを検知する問題に対処する。ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
論文参考訳（メタデータ） (2021-03-31T17:43:31Z)
Developmental Reinforcement Learning of Control Policy of a Quadcopter UAV with Thrust Vectoring Rotors [1.0057838324294686]
推力ベクター機能を有するクアッドコプターのための新規な強化学習型制御器を提案する。このロボットの制御方針は、学習したクワッドコプターの制御装置からポリシー伝達を用いて学習される。学習方針の性能は、ホバリングとウェイポイントナビゲーションのタスクの物理シミュレーションにより評価される。
論文参考訳（メタデータ） (2020-07-15T16:17:29Z)
AlphaPilot: Autonomous Drone Racing [47.205375478625776]
このシステムは、2019年のAlphaPilot Challengeという、初の無人ドローンレース世界選手権で成功している。提案システムは,最大8m/sの速度に達するタイトなレースコースを通じて,ドローンを誘導することに成功した。
論文参考訳（メタデータ） (2020-05-26T15:45:05Z)

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。