論文の概要: Mastering Diverse, Unknown, and Cluttered Tracks for Robust Vision-Based Drone Racing

• arxiv url: http://arxiv.org/abs/2512.09571v2
• Date: Thu, 11 Dec 2025 04:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.258444
• Title: Mastering Diverse, Unknown, and Cluttered Tracks for Robust Vision-Based Drone Racing
• Title（参考訳）: ロバストなビジョンに基づくドローンレースのためのマスタリングディバース、未知、およびクラッタリングトラック
• Authors: Feng Yu, Yu Hu, Yang Su, Yang Deng, Linzuo Zhang, Danping Zou,
• Abstract要約: ドローンレースの目標を固定した障害物のないトラックの強化学習手法のほとんどは、未知の乱雑な環境に一般化を残したままであった。 この課題は、レース速度と衝突回避のバランスをとる必要があること、限られた実現可能な空間が、訓練中に地元のオプティマに閉じ込められた政策探索を引き起こすことに起因している。 高速飛行のための政策探索を継続する初期ソフトコリデーショントレーニングフェーズと、堅牢な障害物回避を強制するハードコリデーション改善フェーズの2段階学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 22.63301233637327
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Most reinforcement learning(RL)-based methods for drone racing target fixed, obstacle-free tracks, leaving the generalization to unknown, cluttered environments largely unaddressed. This challenge stems from the need to balance racing speed and collision avoidance, limited feasible space causing policy exploration trapped in local optima during training, and perceptual ambiguity between gates and obstacles in depth maps-especially when gate positions are only coarsely specified. To overcome these issues, we propose a two-phase learning framework: an initial soft-collision training phase that preserves policy exploration for high-speed flight, followed by a hard-collision refinement phase that enforces robust obstacle avoidance. An adaptive, noise-augmented curriculum with an asymmetric actor-critic architecture gradually shifts the policy's reliance from privileged gate-state information to depth-based visual input. We further impose Lipschitz constraints and integrate a track-primitive generator to enhance motion stability and cross-environment generalization. We evaluate our framework through extensive simulation and ablation studies, and validate it in real-world experiments on a computationally constrained quadrotor. The system achieves agile flight while remaining robust to gate-position errors, developing a generalizable drone racing framework with the capability to operate in diverse, partially unknown and cluttered environments. https://yufengsjtu.github.io/MasterRacing.github.io/
• Abstract（参考訳）: ほとんどの強化学習(RL)に基づくドローンレースターゲットの固定された障害物のないトラックの手法は、一般化を未知の、散らばった環境に置き去りにしている。 この課題は、レース速度と衝突回避のバランスをとる必要があること、訓練中にローカルオプティマに閉じ込められたポリシー探索を引き起こす限られた実現可能な空間、奥行きマップにおけるゲートと障害物の知覚的あいまいさ、特にゲートの位置が粗いだけ指定されている場合に起因している。 これらの課題を克服するために,高速飛行のための政策探索を継続する初期ソフトコリジョントレーニングフェーズと,堅牢な障害物回避を強制するハードコリジョン改善フェーズという,2段階の学習フレームワークを提案する。 非対称アクター・クリティカルなアーキテクチャを持つ適応的・雑音増進カリキュラムは、政策の依存度を特権ゲート状態情報から深度に基づく視覚入力へと徐々にシフトさせる。 さらに、リプシッツの制約を課し、トラックプリミティブ・ジェネレータを統合し、運動安定性とクロス環境一般化を強化する。 本研究では,大規模なシミュレーションとアブレーション研究を通じてフレームワークの評価を行い,計算に制約のある4乗子を用いた実世界の実験で検証した。 このシステムは、ゲートポジションエラーに頑健でありながらアジャイル飛行を実現し、多様な、部分的に未知の、散らかった環境での運用が可能な、汎用的なドローンレースフレームワークを開発する。 https://yufengsjtu.github.io/MasterRacing.github.io/

関連論文リスト

• Vector Field Augmented Differentiable Policy Learning for Vision-Based Drone Racing [8.010590009724636]
  微分物理学に基づく政策学習は、最近、様々なタスクにまたがる高いサンプル効率と顕著な性能を実証した。 DiffRacingは,新しいベクトル場拡張型微分可能なポリシー学習フレームワークである。 DiffRacingは、より優れたサンプル効率、より高速な収束、堅牢な飛行性能を実現する。
  論文  参考訳（メタデータ） (2026-03-09T06:49:41Z)
• Vision-Guided MPPI for Agile Drone Racing: Navigating Arbitrary Gate Poses via Neural Signed Distance Fields [8.66703842496129]
  ドローンレースには、極端なアジリティの下での認識、計画、制御の緊密な結合が必要です。 近年のアプローチは、事前計算された空間基準軌道や明示的な6-DoFゲートポーズ推定に依存している。 そこで我々は,任意の配置と配向ゲートを介して,参照不要のアジャイル飛行を可能にするビジョンガイド付き最適制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-07T13:18:07Z)
• Curriculum Reinforcement Learning for Quadrotor Racing with Random Obstacles [12.806994271928483]
  本稿では,ドローンレースにおける未知の障害に対処できるロバストコントローラをトレーニングするための,視覚に基づくカリキュラム強化学習フレームワークを提案する。 我々のエンドツーエンド制御ポリシは単一ネットワークとして実装されており、可変障害物環境下での高速飛行を可能にする。
  論文  参考訳（メタデータ） (2026-02-27T13:56:59Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• Learning Generalizable Policy for Obstacle-Aware Autonomous Drone Racing [0.0]
  本研究は、一般化可能な障害物対応ドローンレースポリシーを開発することの課題に対処する。 本稿では,各ロールアウト前にレーストラックと障害物構成にドメインランダム化を適用することを提案する。 提案したランダム化戦略は、ドローンが最大70km/hの速度に達するシミュレーション実験によって有効であることが示されている。
  論文  参考訳（メタデータ） (2024-11-06T20:25:43Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• 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)
• Vision-Based Mobile Robotics Obstacle Avoidance With Deep Reinforcement Learning [49.04274612323564]
  障害物回避は、移動ロボットの自律ナビゲーションのための根本的かつ困難な問題です。 本稿では,ロボットが単一眼カメラにのみ依存しなければならない単純な3D環境における障害物回避の問題を検討する。 データ駆動型エンドツーエンドディープラーニングアプローチとして,障害回避問題に取り組む。
  論文  参考訳（メタデータ） (2021-03-08T13:05:46Z)
• Autonomous Off-road Navigation over Extreme Terrains with Perceptually-challenging Conditions [7.514178230130502]
  移動性ストレス要素を用いた知覚困難環境におけるレジリエント自律計算の枠組みを提案する。 リアルタイムに堅牢なマルチファイアリティトラバーサビリティ推定を生成するための高速設定アルゴリズムを提案する。 提案手法は、スキッドステアや追尾ロボット、高速RCカー、脚ロボットなど、複数の物理的システムに展開された。
  論文  参考訳（メタデータ） (2021-01-26T22:13:01Z)

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。