論文の概要: AWARE: Adaptive Whole-body Active Rotating Control for Enhanced LiDAR-Inertial Odometry under Human-in-the-Loop Interaction
- arxiv url: http://arxiv.org/abs/2604.10598v1
- Date: Sun, 12 Apr 2026 12:07:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.126328
- Title: AWARE: Adaptive Whole-body Active Rotating Control for Enhanced LiDAR-Inertial Odometry under Human-in-the-Loop Interaction
- Title（参考訳）: AWARE:人間-ロボット間相互作用によるLiDAR-慣性オドメトリーの適応的全体能動回転制御
- Authors: Yizhe Zhang, Jianping Li, Liangliang Yin, Zhen Dong, Bisheng Yang,
- Abstract要約: リソース制限されたUAVプラットフォームは、しばしば視野の狭いLiDARセンサーに制限される。
AWAKEはバイオインスパイアされた全身のアクティブユーイングフレームワークで、UAV自身の回転速度を利用して効果的なセンサー水平線を拡大する。
Safe Flight Corridorメカニズムは、オペレータのナビゲーション意図を自律ヨー最適化から切り離すことによって、このHITLパラダイム内での運用上の安全性を保証する。
- 参考スコア（独自算出の注目度）: 15.502575136823237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human-in-the-loop (HITL) UAV operation is essential in complex and safety-critical aerial surveying environments, where human operators provide navigation intent while onboard autonomy must maintain accurate and robust state estimation. A key challenge in this setting is that resource-constrained UAV platforms are often limited to narrow-field-of-view LiDAR sensors. In geometrically degenerate or feature-sparse scenes, limited sensing coverage often weakens LiDAR Inertial Odometry (LIO)'s observability, causing drift accumulation, degraded geometric accuracy, and unstable state estimation, which directly compromise safe and effective HITL operation and the reliability of downstream surveying products. To overcome this limitation, we present AWARE, a bio-inspired whole-body active yawing framework that exploits the UAV's own rotational agility to extend the effective sensor horizon and improve LIO's observability without additional mechanical actuation. The core of AWARE is a differentiable Model Predictive Control (MPC) framework embedded in a Reinforcement Learning (RL) loop. It first identifies the viewing direction that maximizes information gain across the full yaw space, and a lightweight RL agent then adjusts the MPC cost weights online according to the current environmental context, enabling an adaptive balance between estimation accuracy and flight stability. A Safe Flight Corridor mechanism further ensures operational safety within this HITL paradigm by decoupling the operator's navigational intent from autonomous yaw optimization to enable safe and efficient cooperative control. We validate AWARE through extensive experiments in diverse simulated and real-world environments.
- Abstract（参考訳）: ヒューマン・イン・ザ・ループ(HITL)UAVの運用は、人間オペレーターがナビゲーションインテントを提供し、オンボードの自律性は正確で堅牢な状態推定をしなければならない複雑な、安全に重要な航空測量環境において必要不可欠である。
この設定における重要な課題は、リソースに制限されたUAVプラットフォームが、しばしば視野の狭いLiDARセンサーに制限されていることである。
幾何的に縮退または特徴の少ないシーンでは、制限された検知範囲はLiDAR慣性オドメトリー(LIO)の観測可能性を弱め、ドリフト蓄積、幾何精度の劣化、不安定な状態推定を引き起こし、安全で効果的なHITL操作と下流測量製品の信頼性を直接的に損なう。
この制限を克服するため,UAV自体の回転敏性を利用してセンサの有効地平線を拡張し,LIOの可観測性を向上させるバイオインスパイアされた全身能動ヨーイングフレームワークであるAWAREを提案する。
AWAREの中核は、Reinforcement Learning (RL)ループに埋め込まれた差別化可能なモデル予測制御(MPC)フレームワークである。
まず、全ヨー空間における情報ゲインを最大化する視聴方向を特定し、軽量なRLエージェントが現在の環境状況に応じてオンラインのMPCコスト重みを調整し、推定精度と飛行安定性の適応バランスを可能にする。
安全飛行回廊機構は、オペレータのナビゲーション意図を自律的なヨー最適化から切り離し、安全かつ効率的な協調制御を可能にすることで、このHITLパラダイム内の運用上の安全性をさらに確保する。
我々は,様々なシミュレーション環境と実世界の環境における広範囲な実験を通じて,AWAREを検証する。
関連論文リスト
- Instantaneous Planning, Control and Safety for Navigation in Unknown Underwater Spaces [0.21108097398435333]
未知の環境で自律型水中車両(AUV)を航行することは極めて困難である。
これらの要因は、正確なグローバルローカライゼーション、信頼性の高い通信、障害物回避において課題を提起する。
本研究では,実時間センサデータを利用して閉ループAUV軌道を動的に誘導する統合計画制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-07T01:32:29Z) - Consistent and Efficient MSCKF-based LiDAR-Inertial Odometry with Inferred Cluster-to-Plane Constraints for UAVs [46.21996481591401]
本稿では,UAVに適した一貫した,効率的なLiDAR-Inertial Odometryフレームワークを提案する。
スライディングウインドウのコプラナー制約にヌル空間プロジェクションを適用することにより、状態ベクトルにおける特徴パラメータへの直接依存を排除できる。
退化シナリオにおける堅牢性の向上,マップのない性質によるメモリ使用量の最小化,リソース制約の組込みプラットフォーム上でのリアルタイム実行などを実現している。
論文 参考訳（メタデータ） (2026-03-13T11:09:50Z) - Obstacle Avoidance of UAV in Dynamic Environments Using Direction and Velocity-Adaptive Artificial Potential Field [0.0]
本論文は,無人航空機(UAV)の空域における自律衝突回避の課題について論じる。
それは新しい方向と相対速度重み付き人工電位場(APF)を提案する。
このアプローチでは、障害物の方向と速度に基づいて反発電位を動的にスケールするために、有界重み関数$(,v_e)$を導入している。
論文 参考訳（メタデータ） (2025-12-08T14:57:01Z) - ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。
我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
論文 参考訳（メタデータ） (2025-09-16T08:52:13Z) - LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。
本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。
その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-07-23T04:22:57Z) - 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) - Depth-Constrained ASV Navigation with Deep RL and Limited Sensing [43.785833390490446]
本研究では,深度制約下でのASVナビゲーションのための強化学習フレームワークを提案する。
環境意識を高めるため,GPレグレッションをRLフレームワークに統合する。
我々は,実世界の水環境に対して,訓練された政策が適切に一般化されることを保証する効果的なシミュレート・トゥ・リアル・トランスファーを実証する。
論文 参考訳（メタデータ） (2025-04-25T10:56:56Z) - Monocular Obstacle Avoidance Based on Inverse PPO for Fixed-wing UAVs [29.207513994002202]
固定翼無人航空機(英語: Fixed-wing Unmanned Aerial Vehicles、UAV)は、低高度経済(LAE)と都市空運(UAM)のための最も一般的なプラットフォームの一つである。
従来の地図や高度なセンサーに依存する古典的な障害物回避システムは、未知の低高度環境や小型UAVプラットフォームにおいて制限に直面している。
本稿では,DRLに基づくUAV衝突回避システムを提案する。
論文 参考訳（メタデータ） (2024-11-27T03:03:37Z) - Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。
このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
論文 参考訳（メタデータ） (2024-10-03T17:50:19Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z)
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。