論文の概要: A Step-by-Step Guide to Creating a Robust Autonomous Drone Testing Pipeline
- arxiv url: http://arxiv.org/abs/2506.11400v1
- Date: Fri, 13 Jun 2025 01:55:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.624684
- Title: A Step-by-Step Guide to Creating a Robust Autonomous Drone Testing Pipeline
- Title（参考訳）: ロバストな自律ドローンテストパイプライン構築のためのステップバイステップガイド
- Authors: Yupeng Jiang, Yao Deng, Sebastian Schroder, Linfeng Liang, Suhaas Gambhir, Alice James, Avishkar Seth, James Pirrie, Yihao Zhang, Xi Zheng,
- Abstract要約: 本稿では,ロバストな自律型ドローンテストパイプラインを構築するためのステップバイステップガイドを提案する。
Software-in-the-Loop (SIL) Simulation Testing, Hardware-in-Loop (HIL) Testing, Controlled Real-World Testing, In-Field Testing。
我々は、ニューロシンボリックとLLMの統合を含む、ドローンテストの未来を形作る新しいトレンドを強調した。
- 参考スコア（独自算出の注目度）: 7.898388030666187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous drones are rapidly reshaping industries ranging from aerial delivery and infrastructure inspection to environmental monitoring and disaster response. Ensuring the safety, reliability, and efficiency of these systems is paramount as they transition from research prototypes to mission-critical platforms. This paper presents a step-by-step guide to establishing a robust autonomous drone testing pipeline, covering each critical stage: Software-in-the-Loop (SIL) Simulation Testing, Hardware-in-the-Loop (HIL) Testing, Controlled Real-World Testing, and In-Field Testing. Using practical examples, including the marker-based autonomous landing system, we demonstrate how to systematically verify drone system behaviors, identify integration issues, and optimize performance. Furthermore, we highlight emerging trends shaping the future of drone testing, including the integration of Neurosymbolic and LLMs, creating co-simulation environments, and Digital Twin-enabled simulation-based testing techniques. By following this pipeline, developers and researchers can achieve comprehensive validation, minimize deployment risks, and prepare autonomous drones for safe and reliable real-world operations.
- Abstract（参考訳）: 自律ドローンは、航空輸送やインフラ検査、環境監視、災害対応など、産業を急速に変えつつある。
これらのシステムの安全性、信頼性、効率性の確保は、研究のプロトタイプからミッションクリティカルなプラットフォームに移行する上で最重要である。
本稿では,ソフトウェア・イン・ザ・ループ(SIL)シミュレーション・テスト,ハードウェア・イン・ザ・ループ(HIL)テスト,コントロールド・リアル・ワールド・テスト,インフィールド・テストという,それぞれの重要なステージをカバーする,堅牢な自律型ドローンテストパイプラインを確立するためのステップバイステップガイドを提案する。
マーカーベースの自律着陸システムを含む実例を用いて、ドローンシステムの挙動を体系的に検証し、統合問題を識別し、性能を最適化する方法を実証する。
さらに我々は,ニューロシンボリックとLLMの統合,コシミュレート環境の構築,Digital Twinを利用したシミュレーションベースのテスト技術など,ドローンテストの未来を形作る新たなトレンドを強調した。
このパイプラインに従うことで、開発者と研究者は包括的な検証、デプロイメントリスクの最小化、安全で信頼性の高い実世界の運用のための自律ドローンの準備が可能になる。
関連論文リスト
- NeRF-To-Real Tester: Neural Radiance Fields as Test Image Generators for Vision of Autonomous Systems [3.031375888004876]
シミュレーション条件に対するコントローラの過度な適合は、運用環境における性能の低下につながる。
本稿では,ニューラルネットワークを利用した自律システムにおける知覚テストデータ生成の課題に対処する。
当社のツールであるN2R-Testerは、カスタムシーンのトレーニングモデルと、摂動位置からのテストイメージのレンダリングを可能にする。
論文 参考訳（メタデータ） (2024-12-20T18:40:53Z) - Hacking, The Lazy Way: LLM Augmented Pentesting [0.0]
我々は、"Pentest Copilot"というツールを使って、"LLM Augmented Pentesting"という新しい概念を紹介した。
提案手法は, LLMを用いて特定のサブタスクを自動化することにより, 浸透試験における自動化に対する従来の抵抗を克服することに焦点を当てる。
Pentest Copilotは、テストツールの利用、アウトプットの解釈、フォローアップアクションの提案など、タスクの卓越した熟練度を示す。
論文 参考訳（メタデータ） (2024-09-14T17:40:35Z) - EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。
高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。
しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。
本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
論文 参考訳（メタデータ） (2024-08-08T13:19:37Z) - DroneReqValidator: Facilitating High Fidelity Simulation Testing for
Uncrewed Aerial Systems Developers [8.290044674335473]
sUAS開発者はシミュレーションテストを通じてアプリケーションの信頼性と安全性を検証することを目指している。
実世界の環境の動的な性質は、フィールドテストによってのみ明らかにされる可能性のある、ユニークなソフトウェア欠陥を引き起こす。
DroneReqValidator(DRV)は、小型無人航空機(SUAV)シミュレーションエコシステムを提供する。
論文 参考訳（メタデータ） (2023-07-31T22:13:57Z) - A Requirements-Driven Platform for Validating Field Operations of Small
Uncrewed Aerial Vehicles [48.67061953896227]
DroneReqValidator (DRV)は、sUAS開発者が運用コンテキストを定義し、複数のsUASミッション要件を設定し、安全性特性を指定し、独自のsUASアプリケーションを高忠実な3D環境にデプロイすることを可能にする。
DRVモニタリングシステムは、sUASと環境からランタイムデータを収集し、安全特性のコンプライアンスを分析し、違反をキャプチャする。
論文 参考訳（メタデータ） (2023-07-01T02:03:49Z) - 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) - 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) - Integrated Benchmarking and Design for Reproducible and Accessible
Evaluation of Robotic Agents [61.36681529571202]
本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。
このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。
本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
論文 参考訳（メタデータ） (2020-09-09T15:31:29Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - 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)
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。