論文の概要: Aerial Inspection Behaviors via RL-based Quadrotor Control for Under-canopy Forest Environments

• arxiv url: http://arxiv.org/abs/2605.19202v1
• Date: Tue, 19 May 2026 00:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.034297
• Title: Aerial Inspection Behaviors via RL-based Quadrotor Control for Under-canopy Forest Environments
• Title（参考訳）: 林冠下環境に対するRL型クアドロター制御による大気検査挙動
• Authors: Fausto Mauricio Lagos Suarez, Akshit Saradagi, Vidya Sumathy, Viswa Narayanan Sankaranarayanan, George Nikolakopoulos,
• Abstract要約: 本稿では,検査目的追跡を実現するために,エンド・ツー・エンド(RPMへのマッピング状態)のクアドロータ制御ポリシーを提案する。 本稿では,長距離ミッションにおけるエンド・ツー・エンドのRLコントローラの安全性と信頼性を確保するために,より高いナビゲーション誘導層を利用する。
• 参考スコア（独自算出の注目度）: 14.321190258774358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the problem of using a deep Reinforcement Learning (RL)-based low-level Quadrotor controller within an autonomous Quadrotor navigation stack for aerial inspection missions in under-canopy forest environments. Specifically, the article presents an end-to-end (mapping states to RPMs) Quadrotor control policy that achieves inspection view-pose tracking (simultaneous position and yaw reference tracking), which is crucial for various target inspection behaviors and point-to-point navigation in forests. To ensure safe and reliable deployment of the end-to-end RL controller in long-range missions, this article utilizes a higher navigation guidance layer comprising of a Traveling Salesman Problem planner (TSP) and a Rapidly-exploring Random Tree Star (RRT*) planner. Over a known map of a forest and a set of user-specified inspection regions, the TSP planner finds the optimal visitation sequence. Between two target regions, collision-free paths that respect the tracking limitations of the lower end-to-end RL policy are generated by an RRT* planner. Through five target inspection scenarios, this article demonstrates that an RL-based motor-level stabilizing controller, supported by a navigation guidance layer, can be used effectively as the low-level inspection execution module for under-canopy forest inspection missions.
• Abstract（参考訳）: 本稿では, 深部強化学習(RL)をベースとした低レベルクアドロータコントローラを自律的なクアドロータナビゲーションスタック内に設置し, 森林環境下での空中点検ミッションに利用することの課題に対処する。 具体的には,森林における様々な照準行動やポイント・ツー・ポイント・ナビゲーションに欠かせない点検視点追跡(同時位置とヨー基準追跡)を実現する,エンド・ツー・エンド(RPMへのマッピング状態)のクアドロター制御ポリシーを提示する。 本稿では、長距離ミッションにおけるエンド・ツー・エンドのRLコントローラの安全性と信頼性を確保するため、トラベリングセールスマン問題プランナー(TSP)とラピッド・サーベイリング・ランダム・ツリー・スター(RRT*)プランナー(RRT*)からなる高度なナビゲーション誘導層を利用する。 森林の既知の地図とユーザ指定の検査領域のセットの上に、TSPプランナーは最適な訪問シーケンスを見つける。 2つの対象領域の間において、RRT*プランナーにより、下位のエンドツーエンドRLポリシーの追跡制限を尊重する衝突のない経路を生成する。 本稿では,5つの目標検定シナリオを通じて,航法誘導層が支持するRL型モータレベル安定化制御器を低レベル検定実行モジュールとして有効に利用できることを実証する。

関連論文リスト

• FU-MPC: Frontier- and Uncertainty-Aware Model Predictive Control for Efficient and Accurate UAV Exploration with Motorized LiDAR [29.924596251375892]
  我々は独立に回転するLiDARを備えたUAVプラットフォームを開発し、階層的な探索フレームワークを提案する。 Fu-MPCは、予測された飛行軌道に沿ってLiDAR回転を最適化する局所後退水平走査コントローラとして機能する。 複雑な環境下での実験では、ロバストなローカライゼーション性能を維持しつつ、探索効率を向上させることが示されている。
  論文  参考訳（メタデータ） (2026-05-14T14:54:29Z)
• ASIP-Planner: Adaptive Planning for UAV Surface Inspection in Partially Known Indoor Environments [7.773646942811247]
  本研究は、部分的に知られた屋内環境に対する適応型UAV検査フレームワークを提案する。 提案手法は,セグメントベースのグローバルカバレッジプランナと,検査指向のローカルビューアングル適応モジュールを統合する。
  論文  参考訳（メタデータ） (2026-05-11T18:28:16Z)
• Robust Global-Local Behavior Arbitration via Continuous Command Fusion Under LiDAR Errors [0.0]
  本稿では、2つのコントローラの出力を融合させるROS2ネイティブ仲裁モジュールを提案する。 各制御ステップにおいて、両コントローラはAckermannコマンドを提案し、PPO訓練されたポリシーはコンパクトな特徴観察から連続ゲートを予測する。 本研究は,計画レベルの相互作用推論の代替としてではなく,モジュール型ROS2環境でのコマンドレベルのロバスト性評価を意図している。
  論文  参考訳（メタデータ） (2026-03-28T14:09:55Z)
• HUNT: High-Speed UAV Navigation and Tracking in Unstructured Environments via Instantaneous Relative Frames [50.83645076723809]
  HUNT (High-speed UAV Navigation and Tracking) は、1つの相対的な定式化の中で統合、取得、追跡を行うリアルタイムフレームワークである。 密林、コンテナ化合物、および車両やマネキンによる捜索救助活動の試行は、グローバルな方法が失敗した場合の堅牢な自律性を示している。
  論文  参考訳（メタデータ） (2025-09-23T18:07:10Z)
• 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)
• Robust Path Following on Rivers Using Bootstrapped Reinforcement Learning [0.0]
  本稿では,内陸海域における自律型表面容器(ASV)の航行制御のための深層強化学習(DRL)エージェントを開発した。 最先端のブートストラップ付きQ-ラーニングアルゴリズムと多用途のトレーニング環境ジェネレータを組み合わせることで、堅牢で正確な舵制御を実現する。
  論文  参考訳（メタデータ） (2023-03-24T07:21:27Z)
• Designing a Robust Low-Level Agnostic Controller for a Quadrotor with Actor-Critic Reinforcement Learning [0.38073142980732994]
  ソフトアクター・クリティカルに基づく低レベルウェイポイント誘導制御器の訓練段階におけるドメインランダム化を提案する。 トレーニング中の四元数力学に一定の不確実性を導入することにより、より大規模な四元数パラメータを用いて提案課題を実行することができる制御器が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-06T14:58:19Z)
• DETReg: Unsupervised Pretraining with Region Priors for Object Detection [103.93533951746612]
  DETRegは、オブジェクト検出ネットワーク全体を事前トレーニングする、新しい自己教師型メソッドである。 事前トレーニング中、DETRegはオブジェクトのローカライゼーションを予測し、教師なしのリージョン提案ジェネレータからのローカライゼーションにマッチする。 対応する機能埋め込みと、自己教師付きイメージエンコーダからの埋め込みを同時に調整する。
  論文  参考訳（メタデータ） (2021-06-08T17:39:14Z)

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。