Fugu-MT 論文翻訳(概要): Deep Learning-based Robust Autonomous Navigation of Aerial Robots in Dense Forests

論文の概要: Deep Learning-based Robust Autonomous Navigation of Aerial Robots in Dense Forests

arxiv url: http://arxiv.org/abs/2512.17553v1
Date: Fri, 19 Dec 2025 13:19:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-23 08:17:40.426712
Title: Deep Learning-based Robust Autonomous Navigation of Aerial Robots in Dense Forests
Title（参考訳）: 深層学習に基づく高密度森林における空中ロボットのロバスト自動ナビゲーション
Authors: Guglielmo Del Col, Väinö Karjalainen, Teemu Hakala, Yibo Zhang, Eija Honkavaara,
Abstract要約: この研究は、意味的に強化された深度エンコーディングとニューラルモーション原始的評価を統合した、散在する森林における堅牢な飛行のためのディープラーニングベースのナビゲーションフレームワークを改良した。システムは3つの現実的な森林環境のカスタムクアローターに展開され、中程度で密集したゴミで全飛行で完全に自律的に完了し、15回の飛行のうち12回の飛行で高密度の地下ブラシで完了する。
参考スコア（独自算出の注目度）: 7.726773291477927
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous aerial navigation in dense natural environments remains challenging due to limited visibility, thin and irregular obstacles, GNSS-denied operation, and frequent perceptual degradation. This work presents an improved deep learning-based navigation framework that integrates semantically enhanced depth encoding with neural motion-primitive evaluation for robust flight in cluttered forests. Several modules are incorporated on top of the original sevae-ORACLE algorithm to address limitations observed during real-world deployment, including lateral control for sharper maneuvering, a temporal consistency mechanism to suppress oscillatory planning decisions, a stereo-based visual-inertial odometry solution for drift-resilient state estimation, and a supervisory safety layer that filters unsafe actions in real time. A depth refinement stage is included to improve the representation of thin branches and reduce stereo noise, while GPU optimization increases onboard inference throughput from 4 Hz to 10 Hz. The proposed approach is evaluated against several existing learning-based navigation methods under identical environmental conditions and hardware constraints. It demonstrates higher success rates, more stable trajectories, and improved collision avoidance, particularly in highly cluttered forest settings. The system is deployed on a custom quadrotor in three boreal forest environments, achieving fully autonomous completion in all flights in moderate and dense clutter, and 12 out of 15 flights in highly dense underbrush. These results demonstrate improved reliability and safety over existing navigation methods in complex natural environments.
Abstract（参考訳）: 密集した自然環境における自律的な航空航行は、視認性に限界があり、細く不規則な障害物があり、GNSSを減らし、知覚的劣化が頻発しているため、依然として困難である。この研究は、意味的に強化された深度エンコーディングとニューラルモーション原始的評価を統合した、散在する森林における堅牢な飛行のためのディープラーニングベースのナビゲーションフレームワークを改良した。いくつかのモジュールは、よりシャープな操作のための横方向制御、振動計画決定の抑制のための時間的一貫性メカニズム、ドリフト-レジリエント状態推定のためのステレオベースのビジュアル慣性オドメトリーソリューション、非安全動作をリアルタイムにフィルタリングする監視安全層など、実際の展開中に観測された制限に対応するために、元のsevae-ORACLEアルゴリズム上に組み込まれている。深度改善段階は細い分岐の表現を改善しステレオノイズを低減するためであり、GPU最適化は推論スループットを4Hzから10Hzに向上させる。提案手法は,同じ環境条件とハードウェア制約下での学習に基づくナビゲーション手法に対して評価される。高い成功率、より安定した軌道、特に散らばった森林環境での衝突回避の改善を示す。システムは3つの現実的な森林環境のカスタムクアローターに展開され、中程度で密集したゴミで全飛行で完全に自律的に完了し、15回の飛行のうち12回の飛行で高密度の地下ブラシで完了する。これらの結果は、複雑な自然環境における既存の航法よりも信頼性と安全性が向上したことを示している。

論文の概要: Deep Learning-based Robust Autonomous Navigation of Aerial Robots in Dense Forests

関連論文リスト