論文の概要: GustPilot: A Hierarchical DRL-INDI Framework for Wind-Resilient Quadrotor Navigation

• arxiv url: http://arxiv.org/abs/2603.19966v1
• Date: Fri, 20 Mar 2026 14:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.165163
• Title: GustPilot: A Hierarchical DRL-INDI Framework for Wind-Resilient Quadrotor Navigation
• Title（参考訳）: GustPilot: 風力抵抗型クアドロターナビゲーションのための階層型DRL-INDIフレームワーク
• Authors: Amir Atef Habel, Roohan Ahmed Khan, Fawad Mehboob, Clement Fortin, Dzmitry Tsetserukou,
• Abstract要約: GustPilotは、軽量四輪車用の耐風性航法スタックである。 風の乱れは、軽量四輪車のための信頼性の高い自律航法にとって重要な障壁である。 我々は、50gクワッドコプタープラットフォーム上での実際の飛行におけるGustPilotの評価を行った。
• 参考スコア（独自算出の注目度）: 2.0325612651874305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wind disturbances remain a key barrier to reliable autonomous navigation for lightweight quadrotors, where the rapidly varying airflow can destabilize both planning and tracking. This paper introduces GustPilot, a hierarchical wind-resilient navigation stack in which a deep reinforcement learning (DRL) policy generates inertial-frame velocity reference for gate traversal. At the same time, a geometric Incremental Nonlinear Dynamic Inversion (INDI) controller provides low-level tracking with fast residual disturbance rejection. The INDI layer achieves this by providing incremental feedback on both specific linear acceleration and angular acceleration rate, using onboard sensor measurements to reject wind disturbances rapidly. Robustness is obtained through a two-level strategy, wind-aware planning learned via fan-jet domain randomization during training, and rapid execution-time disturbance rejection by the INDI tracking controller. We evaluate GustPilot in real flights on a 50g quad-copter platform against a DRL-PID baseline across four scenarios ranging from no-wind to fully dynamic conditions with a moving gate and a moving disturbance source. Despite being trained only in a minimal single-gate and single-fan setup, the policy generalizes to significantly more complex environments (up to six gates and four fans) without retraining. Across 80 experiments, DRL-INDI achieves a 94.7% versus 55.0% for DRL-PID as average Overall Success Rate (OSR), reduces tracking RMSE up to 50%, and sustains speeds up to 1.34 m/s under wind disturbances up to 3.5 m/s. These results demonstrate that combining DRL-based velocity planning with structured INDI disturbance rejection provides a practical and generalizable approach to wind-resilient autonomous flight navigation.
• Abstract（参考訳）: 風の乱れは、高速で変化する気流が計画と追跡の両方を不安定にすることができる軽量な四輪車のための信頼性の高い自律航法にとって、依然として重要な障壁である。 In this paper introduced GustPilot, a hierarchical wind-resilient navigation stack that a deep reinforcement learning (DRL) policy generated inertial-frame velocity reference for gate traversal。 同時に、幾何インクリメンタル非線形ダイナミックインバージョン(INDI)コントローラは、高速な残留外乱除去を伴う低レベルトラッキングを提供する。 INDI層は特定の線形加速度と角加速度の双方にインクリメンタルなフィードバックを与え、オンボードセンサーの測定により風の乱れを迅速に除去することでこれを達成している。 2段階の戦略,トレーニング中にファンジェット領域ランダム化によって学習したウィンドアウェア計画,およびINDIトラッキングコントローラによる高速な実行時外乱拒否によりロバスト性が得られる。 移動ゲートと移動外乱源を備えた4シナリオのDRL-PIDベースラインに対する50gクアッドコプタープラットフォームの実飛行におけるGustPilotの評価を行った。 最小限の単一ゲートと単一ファンの設定でのみ訓練されているにもかかわらず、このポリシーは再訓練することなく、より複雑な環境(最大6つのゲートと4つのファン)に一般化される。 80以上の実験で、DRL-INDIは平均的な総合成功率(OSR)として、DRL-PIDの94.7%対55.0%を達成し、RMSEの追跡を50%まで減らし、風害により最大1.34m/sの速度を3.5m/sまで維持する。 これらの結果は、DRLに基づく速度計画と構造的INDI外乱の拒絶を組み合わせることで、風力自律飛行航法における実用的で一般化可能なアプローチを提供することを示した。

関連論文リスト

• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• Design and Implementation of a High-Precision Wind-Estimation UAV with Onboard Sensors [4.9295028416281985]
  本稿では,オンボードセンサのみを用いたリアルタイム風速推定手法を提案する。 システムは、風洞、屋内および屋外飛行における総合的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-12-11T08:39:55Z)
• RAPID^3: Tri-Level Reinforced Acceleration Policies for Diffusion Transformer [86.57077884971478]
  ディフュージョントランスフォーマー(DiT)は、視覚発生時に優れるが、遅いサンプリングによって妨げられる。 本稿では,RAPID3: Tri-Level Reinforced Acceleration Policies for Diffusion Transformersを紹介する。 ベースジェネレータの更新をゼロにするイメージワイドアクセラレーションを提供する。 競合する生成品質でサンプリングを3倍近く高速化する。
  論文  参考訳（メタデータ） (2025-09-26T13:20:52Z)
• 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)
• Navigation in a simplified Urban Flow through Deep Reinforcement Learning [0.9217021281095907]
  都市環境における無人航空機(UAV)は、環境への影響を最小限に抑える戦略を必要とする。 我々の目標は、都市環境下での無人航法を可能にするDRLアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2024-09-26T15:05:15Z)
• AirPilot: Interpretable PPO-based DRL Auto-Tuned Nonlinear PID Drone Controller for Robust Autonomous Flights [0.046873264197900916]
  AirPilotは、非線形ディープ強化学習 (DRL) - プロポーショナル・インテグレーショナル・デリバティブ (PID) ドローン・コントローラである。 AirPilotコントローラは、従来のPID制御のシンプルさと有効性と、DRLの適応性、学習能力、最適化能力を組み合わせる。 Airpilotは、デフォルトのPX4 PID位置コントローラのナビゲーションエラーを90%削減し、微調整されたPIDコントローラのナビゲーション速度を21%改善する。
  論文  参考訳（メタデータ） (2024-03-30T00:46:43Z)
• 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)

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。