論文の概要: Deep RL-based Autonomous Navigation of Micro Aerial Vehicles (MAVs) in a complex GPS-denied Indoor Environment

• arxiv url: http://arxiv.org/abs/2504.05918v1
• Date: Tue, 08 Apr 2025 11:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:28:23.960232
• Title: Deep RL-based Autonomous Navigation of Micro Aerial Vehicles (MAVs) in a complex GPS-denied Indoor Environment
• Title（参考訳）: 深部RLを用いた複雑なGPSを用いた室内環境における小型航空機(MAV)の自律航法
• Authors: Amit Kumar Singh, Prasanth Kumar Duba, P. Rajalakshmi,
• Abstract要約: 室内環境における無人航空機(UAV)の自律性は、倉庫、工場、屋内施設などの囲い込み空間における信頼性の高いGPS信号が欠如していることから、大きな課題となっている。 本稿では,強化学習に基づくDeep-Proximal Policy Optimization (D-PPO)アルゴリズムを提案する。 提案手法は,性能を著しく低下させることなく,トレーニング期間中に計算遅延を91%削減する。
• 参考スコア（独自算出の注目度）: 9.162792034193373
• License:
• Abstract: The Autonomy of Unmanned Aerial Vehicles (UAVs) in indoor environments poses significant challenges due to the lack of reliable GPS signals in enclosed spaces such as warehouses, factories, and indoor facilities. Micro Aerial Vehicles (MAVs) are preferred for navigating in these complex, GPS-denied scenarios because of their agility, low power consumption, and limited computational capabilities. In this paper, we propose a Reinforcement Learning based Deep-Proximal Policy Optimization (D-PPO) algorithm to enhance realtime navigation through improving the computation efficiency. The end-to-end network is trained in 3D realistic meta-environments created using the Unreal Engine. With these trained meta-weights, the MAV system underwent extensive experimental trials in real-world indoor environments. The results indicate that the proposed method reduces computational latency by 91\% during training period without significant degradation in performance. The algorithm was tested on a DJI Tello drone, yielding similar results.
• Abstract（参考訳）: 室内環境における無人航空機(UAV)の自律性は、倉庫、工場、屋内施設などの囲い込み空間における信頼性の高いGPS信号が欠如していることから、大きな課題となっている。 マイクロ・エアリアル・ビークル(MAV)は、機敏性、消費電力の低さ、計算能力の制限により、これらの複雑なGPSのシナリオをナビゲートするのに好まれる。 本稿では,強化学習に基づくDeep-Proximal Policy Optimization (D-PPO)アルゴリズムを提案する。 エンドツーエンドのネットワークは、Unreal Engineを使って作られた3Dのリアルなメタ環境で訓練されている。 これらの訓練されたメタウェイトにより、MAVシステムは現実世界の屋内環境で大規模な実験を行った。 その結果,提案手法は,性能を著しく低下させることなく,トレーニング期間中に計算遅延を91 %削減することを示した。 このアルゴリズムはDJI Telloドローンでテストされ、同様の結果が得られた。

関連論文リスト

• MPVO: Motion-Prior based Visual Odometry for PointGoal Navigation [3.9974562667271507]
  視覚計測(VO)は,室内環境におけるエンボディエージェントの正確なポイントゴールナビゲーションを可能にするために不可欠である。 近年の深層学習VO法は, 頑健な性能を示すが, トレーニング中のサンプル不効率に悩まされている。 エージェントが環境をナビゲートしている間に利用可能な動作先に基づいて、ロバストでサンプル効率の良いVOパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-11-07T15:36:49Z)
• Navigation in a simplified Urban Flow through Deep Reinforcement Learning [0.9217021281095907]
  都市環境における無人航空機(UAV)は、環境への影響を最小限に抑える戦略を必要とする。 我々の目標は、都市環境下での無人航法を可能にするDRLアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2024-09-26T15:05:15Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline Reinforcement Learning [53.13393315664145]
  本研究では,非構造で密集した屋外環境における自律脚ロボットナビゲーションのための新しい手法であるVAPORを提案する。 本手法は,アクター・クリティカル・ネットワークと実際の屋外植生で収集された任意のデータを用いて,新しいRLポリシーを訓練する。 VAPORの動作は成功率を最大40%向上させ、平均電流消費量を最大2.9%削減し、正規化軌道長を最大11.2%削減する。
  論文  参考訳（メタデータ） (2023-09-14T16:21:27Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Unsupervised Visual Odometry and Action Integration for PointGoal Navigation in Indoor Environment [14.363948775085534]
  屋内環境におけるポイントゴールナビゲーションは、個人ロボットが特定の地点に向かうための基本的なタスクである。 GPS信号を使わずにPointGoalナビゲーションの精度を向上させるために、ビジュアル・オドメトリー(VO)を用い、教師なしで訓練された新しいアクション統合モジュール(AIM)を提案する。 実験により,提案システムは良好な結果が得られ,Gibsonデータセット上で部分的に教師付き学習アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-10-02T03:12:03Z)
• 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)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• Towards bio-inspired unsupervised representation learning for indoor aerial navigation [4.26712082692017]
  本研究では,生物にインスパイアされた深層学習アルゴリズムによる同時位置決めとマッピング(SLAM)とそのドローンナビゲーションシステムへの応用について述べる。 本稿では,低次元潜在状態記述子を出力し,知覚的エイリアスに対する感度を軽減し,高効率な組込みハードウェアの開発を行う教師なし表現学習手法を提案する。 設計したアルゴリズムは,室内の倉庫環境において収集されたデータセットに基づいて評価され,最初の結果はロバストな屋内航法の実現可能性を示している。
  論文  参考訳（メタデータ） (2021-06-17T08:42:38Z)
• FAITH: Fast iterative half-plane focus of expansion estimation using event-based optic flow [3.326320568999945]
  本研究では, 小型航空機(MAV)の走行経路を決定するためのFAst ITerative Half-plane (FAITH)法を提案する。 その結果,提案手法の計算効率は高い精度を維持しながら最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-02-25T12:49:02Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。