論文の概要: WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors

• arxiv url: http://arxiv.org/abs/2610.11809v1
• Date: Thu, 08 Oct 2026 12:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.017689
• Title: WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors
• Title（参考訳）: WAND:複雑な風乱下でのロバストナビゲーションと擬似物体の高密度障害物の学習
• Abstract要約: 本稿では、高密度障害物場における時変風乱下でのナビゲーションのための強化学習フレームワーク、WAND(Wind-Aware Navigation with disturbance Estimation)を紹介する。 風に乱れた12のシミュレーション設定において、WADは平均的なフィードフォワード補償に対する成功率を8.3ポイント改善した。 室内でのファンによる飛行試験では、WADは20の試験のうち18の試験に成功し、リアルタイムのオンボードナビゲーションの実現可能性を示した。
• 参考スコア（独自算出の注目度）: 53.304053813409666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust navigation in cluttered environments remains a fundamental challenge for quadrotors, particularly when strong wind disturbances arise, which perturb vehicle dynamics, limit control authority, and substantially increase collision risk. Existing learning-based navigation policies typically rely on obstacle perception and proprioceptive observations, requiring the policy to infer time-varying disturbance effects implicitly and thereby limiting robustness under partial observability. This paper proposes WAND (Wind-Aware Navigation with Disturbance Estimation), a reinforcement learning framework for navigation under time-varying wind disturbances in dense obstacle fields. Specifically, WAND estimates wind-induced disturbance acceleration from historical proprioceptive states using a Temporal Convolutional Network (TCN). This estimation is integrated into the policy via a zero-initialized residual module, \emph{WindAdapter}, while simultaneously providing feedforward compensation for low-level control. The dual use of the estimate couples disturbance-conditioned navigation with feedforward disturbance rejection. Across 12 wind-disturbed simulation settings, WAND improved the observed success rate by 8.3 percentage points on average relative to feedforward compensation alone. Controlled opposite-crosswind experiments further showed wind-direction-dependent trajectory adaptation. In indoor fan-induced flight tests, WAND succeeded in 18 of 20 trials, demonstrating the feasibility of real-time onboard navigation.
• Abstract（参考訳）: 乱雑な環境でのロバストな航法は、特に強い風が乱れ、車両の動力学が乱れ、制御権限が制限され、衝突のリスクが大幅に増大する場合に、特に4乗車にとって根本的な課題である。 既存の学習に基づくナビゲーションポリシーは、通常、障害物知覚や先天的な観察に依存しており、時間変化による外乱の影響を暗黙的に推測し、部分的な観測可能性の下で堅牢性を制限する必要がある。 本稿では,高密度障害物場における時間変化風乱下でのナビゲーションのための強化学習フレームワークであるWANDを提案する。 特に、WANDは、時相畳み込みネットワーク(TCN)を用いて、風による乱れの加速を歴史的受容状態から推定する。 この推定はゼロ初期化残余モジュール \emph{WindAdapter} を通じてポリシーに統合され、同時に低レベル制御に対するフィードフォワード補償を提供する。 推定値の二重利用は、フィードフォワード外乱拒絶を伴う外乱条件付きナビゲーションを併用する。 風に乱れた12のシミュレーション設定において、WADは平均的なフィードフォワード補償に対する成功率を8.3ポイント改善した。 逆風実験の制御により、風向依存性の軌道適応がさらに示された。 室内でのファンによる飛行試験では、WADは20の試験のうち18の試験に成功し、リアルタイムのオンボードナビゲーションの実現可能性を示した。

関連論文リスト

• AquaOrbit: Sim-to-Real Reinforcement Learning for Underwater Target Orbiting under Intermittent Visual Feedback [51.92060148406936]
  間欠的な視覚的損失は、水中周回中の目標相対的なフィードバックを妨害する。 AquaOrbitは、水中の目標軌道を周回するリカバリモジュールを備えた強化学習用コントローラである。
  論文  参考訳（メタデータ） (2026-09-21T03:29:45Z)
• LNN-Fly: Continuous-Time UAV Navigation for Robust Obstacle Avoidance under Timing Mismatch [17.86034589419106]
  LNN-Flyは、LiDARベースのUAV障害物回避のための連続時間ナビゲーションポリシーである。 テスト環境では障害物回避性能が向上し、制御周波数の低減、スパース観測、制御周期ジッタに対する耐性が向上した。 屋内での周波数クロスワールドテストでは、20回の飛行で100%成功している。
  論文  参考訳（メタデータ） (2026-06-27T09:26:22Z)
• Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
  Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T08:45:24Z)
• WESPR: Wind-adaptive Energy-Efficient Safe Perception & Planning for Robust Flight with Quadrotors [9.15147164003286]
  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。
  論文  参考訳（メタデータ） (2026-03-10T05:09:43Z)
• 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)
• Fixed-time control with prescribed performance for path following of underwater gliders [1.3149034455953847]
  本稿では,水中グライダーの3次元経路に対する所定時間性能制御方式を提案する。 主な貢献は、有限時間性能関数を固定時間制御フレームワークに統合することである。 2つ目の重要な貢献は、固定時間スライディングモード外乱オブザーバの開発である。
  論文  参考訳（メタデータ） (2025-12-23T20:11:25Z)
• Deep Learning-based Robust Autonomous Navigation of Aerial Robots in Dense Forests [7.726773291477927]
  この研究は、意味的に強化された深度エンコーディングとニューラルモーション原始的評価を統合した、散在する森林における堅牢な飛行のためのディープラーニングベースのナビゲーションフレームワークを改良した。 システムは3つの現実的な森林環境のカスタムクアローターに展開され、中程度で密集したゴミで全飛行で完全に自律的に完了し、15回の飛行のうち12回の飛行で高密度の地下ブラシで完了する。
  論文  参考訳（メタデータ） (2025-12-19T13:19:33Z)
• 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)
• 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。