論文の概要: MonoRace: Winning Champion-Level Drone Racing with Robust Monocular AI

• arxiv url: http://arxiv.org/abs/2601.15222v1
• Date: Wed, 21 Jan 2026 17:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.889462
• Title: MonoRace: Winning Champion-Level Drone Racing with Robust Monocular AI
• Title（参考訳）: MonoRace:ロバストなモノクルAIでチャンピオンレベルドローンレースで優勝
• Authors: Stavrow A. Bahnam, Robin Ferede, Till M. Blaha, Anton E. Lang, Erin Lucassen, Quentin Missinne, Aderik E. C. Verraest, Christophe De Wagter, Guido C. H. E. de Croon,
• Abstract要約: モノクラー式ローリングシャッターカメラとIMUを用いたドローンレース方式であるMonoRaceを紹介した。 このアプローチでは、ニューラルネットワークベースのゲートセグメンテーションとドローンモデルを組み合わせた堅牢な状態推定が特徴である。 同社は自律ドローンレースの新たなマイルストーンを樹立し、競技コースで最高100km/hに到達した。
• 参考スコア（独自算出の注目度）: 13.099050406993323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous drone racing represents a major frontier in robotics research. It requires an Artificial Intelligence (AI) that can run on board light-weight flying robots under tight resource and time constraints, while pushing the physical system to its limits. The state of the art in this area consists of a system with a stereo camera and an inertial measurement unit (IMU) that beat human drone racing champions in a controlled indoor environment. Here, we present MonoRace: an onboard drone racing approach that uses a monocular, rolling-shutter camera and IMU that generalizes to a competition environment without any external motion tracking system. The approach features robust state estimation that combines neural-network-based gate segmentation with a drone model. Moreover, it includes an offline optimization procedure that leverages the known geometry of gates to refine any state estimation parameter. This offline optimization is based purely on onboard flight data and is important for fine-tuning the vital external camera calibration parameters. Furthermore, the guidance and control are performed by a neural network that foregoes inner loop controllers by directly sending motor commands. This small network runs on the flight controller at 500Hz. The proposed approach won the 2025 Abu Dhabi Autonomous Drone Racing Competition (A2RL), outperforming all competing AI teams and three human world champion pilots in a direct knockout tournament. It set a new milestone in autonomous drone racing research, reaching speeds up to 100 km/h on the competition track and successfully coping with problems such as camera interference and IMU saturation.
• Abstract（参考訳）: 自律型ドローンレースは、ロボティクス研究における大きなフロンティアである。 人工知能(AI)は、厳重なリソースと時間制限の下で軽量飛行ロボット上で動作し、物理的なシステムを限界まで押し上げる必要がある。 この領域の最先端技術は、ステレオカメラと慣性測定ユニット(IMU)を備えたシステムで、制御された屋内環境で人間のドローンレースチャンピオンを倒す。 単眼のローリングシャッターカメラとIMUを使って、外部モーショントラッキングシステムを使わずに、競争環境に一般化する。 このアプローチでは、ニューラルネットワークベースのゲートセグメンテーションとドローンモデルを組み合わせた堅牢な状態推定が特徴である。 さらに、ゲートの既知の幾何を利用して任意の状態推定パラメータを洗練するオフライン最適化手順も含んでいる。 このオフライン最適化は、純粋にオンボードの飛行データに基づいており、重要な外部カメラキャリブレーションパラメータを微調整するのに重要である。 さらに、インナーループコントローラを前もってモータコマンドを直接送信するニューラルネットワークにより誘導制御を行う。 この小さなネットワークは500Hzで飛行制御装置で動く。 提案されたアプローチは2025年のアブダビ自律ドローンレースコンテスト(A2RL)で優勝し、全AIチームと3人の世界チャンピオンのパイロットと直接ノックアウトトーナメントで勝利した。 自動運転ドローンレースの新たなマイルストーンを樹立し、競技コースで最高100km/hに到達し、カメラの干渉やIMU飽和といった問題にうまく対処した。

関連論文リスト

• AI and Vision based Autonomous Navigation of Nano-Drones in Partially-Known Environments [8.595976385391896]
  この研究は、Crzyflie 2.1と呼ばれる、ポケットサイズの30グラムのプラットホームの安全かつ自律的な飛行を可能にすることに焦点を当てている。 統合センシング, コンピューティング, コミュニケーションのパラダイムを取り入れた, 障害物回避のためのAI支援型リアクティブ計画手法を提案する。 ドローンを毎秒$sim8$のフレームでコマンドできる能力と、COCOの平均平均精度が60.8ドルのモデル性能を示す。
  論文  参考訳（メタデータ） (2025-05-08T06:16:36Z)
• Fast and Modular Autonomy Software for Autonomous Racing Vehicles [24.2222961043227]
  インディ・オートマチック・チャレンジ(英語: Indy Autonomous Challenge、IAC)は、自動運転車開発を推進する国際大会である。 本稿は、ITCにおける自動運転レースに対するMIT-Pitt-RWチームのアプローチについて詳述する。 自律的なスタックを構築するために,エージェント検出,動作計画,制御に対するモジュール型かつ高速なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-27T21:57:16Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• 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)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• The Artificial Intelligence behind the winning entry to the 2019 AI Robotic Racing Competition [5.379463265037841]
  本稿では,第1回AIロボットレーシング(AIRR)サーキットの勝利解を示す。 当社のアプローチは,効率的なディープ・ニューラル・セグメンテーション・ネットワークとアクティブ・ビジョンによるゲート検出に重点を置いている。 私たちのソリューションは最も速く、最も堅牢なものでしたが、優れた人間のパイロットの1人であるGab707に負けました。
  論文  参考訳（メタデータ） (2021-09-30T10:32:23Z)
• 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)
• 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。