論文の概要: WESPR: Wind-adaptive Energy-Efficient Safe Perception & Planning for Robust Flight with Quadrotors

• arxiv url: http://arxiv.org/abs/2603.09194v1
• Date: Tue, 10 Mar 2026 05:09:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.144835
• Title: WESPR: Wind-adaptive Energy-Efficient Safe Perception & Planning for Robust Flight with Quadrotors
• Title（参考訳）: WESPR: 四回転子を用いたロバスト飛行のための風適応型エネルギー効率の高い安全知覚と計画
• Authors: Khuzema Habib, Pranav Deshakulkarni Manjunath, Kasra Torshizi, Troi Williams, Pratap Tokekar,
• Abstract要約: WESPRは環境形状が局地風環境にどのように影響するかを予測する高速なフレームワークである。 その結果,最大軌道偏差が12.5-58.7%減少し,風向非依存の適応制御器に比べて24.6%の安定性が向上した。
• 参考スコア（独自算出の注目度）: 9.15147164003286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local wind conditions strongly influence drone performance: headwinds increase flight time, crosswinds and wind shear hinder agility in cluttered spaces, while tailwinds reduce travel time. Although adaptive controllers can mitigate turbulence, they remain unaware of the surrounding geometry that generates it, preventing proactive avoidance. Existing methods that model how wind interacts with the environment typically rely on computationally expensive fluid dynamics simulations, limiting real-time adaptation to new environments and conditions. To bridge this gap, we present WESPR, a fast framework that predicts how environmental geometry affects local wind conditions, enabling proactive path planning and control adaptation. Our lightweight pipeline integrates geometric perception and local weather data to estimate wind fields, compute cost-efficient paths, and adjust control strategies-all within 10 seconds. We validate WESPR on a Crazyflie drone navigating turbulent obstacle courses. Our results show a 12.5-58.7% reduction in maximum trajectory deviation and a 24.6% improvement in stability compared to a wind-agnostic adaptive controller.
• Abstract（参考訳）: ヘッドウインドは飛行時間、横風、風のせん断が散らばった空間のアジリティを妨げ、テールウインドは走行時間を減少させる。 適応制御器は乱流を緩和できるが、それを生成する周囲の幾何学に気づかず、積極的に回避する。 風が環境とどのように相互作用するかをモデル化する既存の手法は、計算に高価な流体力学シミュレーションに依存し、新しい環境や環境へのリアルタイム適応を制限する。 このギャップを埋めるため,環境形状が局地風環境にどのように影響するかを予測し,積極的な経路計画と制御適応を可能にする,高速なフレームワークであるWESPRを提案する。 我々の軽量パイプラインは、幾何学的知覚と局所気象データを統合し、風場を推定し、コスト効率の高い経路を計算し、制御戦略を10秒以内に調整する。 乱流障害物コースを航行するクレージーフリードローン上でのWESPRの検証を行った。 その結果,最大軌道偏差が12.5-58.7%減少し,風向非依存の適応制御器に比べて24.6%の安定性が向上した。

関連論文リスト

• Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection [1.9182058480922208]
  本稿では,適応制御とデータ駆動型システム識別の新たな統合手法を提案する。 我々はガゼボ高調波環境と4方向から最大2m/sの風速で実飛行を行った。
  論文  参考訳（メタデータ） (2026-03-09T19:26:13Z)
• Physics Informed Reconstruction of Four-Dimensional Atmospheric Wind Fields Using Multi-UAS Swarm Observations in a Synthetic Turbulent Environment [2.878288301715711]
  無人航空機システム(UAS)は柔軟な位置測定を提供するが、個々のプラットフォームは飛行軌道に沿ってのみ風をサンプリングする。 本研究では, 協調UAS群集から得られた測定値を用いて, 4次元大気風況を再現するための枠組みを提案する。 その結果,UASの協調測定により,専用の風センサや固定インフラを使わずに,高精度でスケーラブルな4次元風場再構築が可能であった。
  論文  参考訳（メタデータ） (2026-01-29T18:40:32Z)
• 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)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• 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)
• Meta-Learning-Based Robust Adaptive Flight Control Under Uncertain Wind Conditions [13.00214468719929]
  リアルタイムモデル学習は、さまざまな風条件で飛行するドローンなどの複雑なダイナミクスシステムにとって困難です。 本稿では,ディープニューラルネットワークからの出力を基本関数の集合として扱うオンライン複合適応手法を提案する。 我々は,風条件の異なる空洞でドローンを飛ばし,挑戦的な軌道を飛行させることにより,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2021-03-02T18:43:59Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。