オンライン衝突回避を備えた俊敏なUAV制御のための幾何学的モデル予測パス積分

- 本論文は GMPPI (Geometric Model Predictive Path Integral) という sampling-based controller を提案する。 - agile な trajectory の tracking と obstacle avoidance を両立する UAV 制御器。 - 各 iteration で多数の candidate rollout trajectories を生成し、それらを平均して nominal control を作る MPPI の枠組みに基づく。 - 実機で最大 17 m/s の flight、最大 10 m/s での obstacle avoidance を実証したと主張する。

- 古典的 MPPI は tracking precision と obstacle avoidance の trade-off を抱える。 - 高 noise の random rollouts は tracking には非効率だが collision avoidance には必要。 - 提案法は geometric SE(3) control で rollout の一部を生成することでこの trade-off を緩和する。 - 全 rollout を depth images に投影して collision avoidance に用いる。 - 著者の知る限り、UAV の MPPI loop で depth data を直接使う最初の手法。 - simulations では obstacle-blind geometric controller と同等の tracking error を保ちつつ、state-of-the-art planners や learning-based controllers を上回る avoidance 能力を示す。

- sampling-based な MPPI に geometric SE(3) control を組み合わせる。 - GMPPI の rollout の一部を geometric SE(3) control で生成する。 - UAV 向けに tailored した cost function を導入し、tracking performance と obstacle avoidance の balance を取る。 - 生成した全 rollout を depth images に投影し、collision avoidance に利用する。 - 各 iteration で多数の candidate rollout trajectories を生成し、平均して nominal control を得る。

- Simulations で評価。 - obstacle-blind geometric controller と tracking error が同等であることを示す。 - state-of-the-art planners および learning-based controllers を上回る avoidance 能力を示す。 - Real-world experiments を実施。 - 最大 17 m/s の flight を実証。 - 最大 10 m/s での obstacle avoidance を実証。

- 要旨からは不明。 - 具体的な limitation、failure cases、計算コスト、depth の sensor 依存性などについての議論は要旨に記載がない。

- 要旨で比較対象として挙げられている研究・手法。 - classical Model Predictive Path Integral (MPPI) - geometric SE(3) control / obstacle-blind geometric controller - state-of-the-art planners - learning-based controllers - 関連手法として、depth images を用いる UAV collision avoidance や sampling-based MPC の文献を次に読む候補として挙げる。