飛行ロボット/MPC2025/11/1arXiv:2511.21312

符号付距離場エンコーディングによる衝突回避のためのニューラルNMPC

Neural NMPC through Signed Distance Field Encoding for Collision Avoidance

深度画像から符号付距離場を推定するニューラルネットを組み込み、未知環境でドローンの衝突回避を実現するNMPCフレームワークを提案した。

詳しい要約

1. どんなもの？

- 本論文は、Aerial Robots が未知環境で onboard range sensing のみを用いて mapless に衝突回避ナビゲーションを行うための neural NMPC フレームワークを提案する。 - 単一の range image を deep neural networks で Signed Distance Function (SDF) にエンコードし、その SDF を衝突回避のための明示的な位置制約として NMPC に埋め込む。 - 出力は thrust と attitude commands であり、velocity-tracking NMPC として構成される。

2. 先行研究と比べてどこがすごい？

- 単一 range image から SDF を学習し、それを NMPC の位置制約として直接用いる点が特徴。 - 提案 NMPC について recursive feasibility と stability を固定観測下で理論的に検証している。 - シミュレーションで state-of-the-art の local navigation 手法2件と比較し、drifting odometry への耐性も評価している。 - 実環境の forest で、adversarial な reference velocity と drifting position estimates に対しても衝突回避を実証。

3. 技術・手法の肝は？

- 2段構成の neural architecture: convolutional encoder が range image を低次元 latent vector に圧縮し、Multi-Layer Perceptron が対応する spatial SDF を近似する。 - 近似 SDF が衝突回避用の明示的な position constraint をパラメータ化し、velocity-tracking NMPC に埋め込まれる。 - NMPC は thrust と attitude commands をロボットへ出力する。

4. どうやって有効だと検証した？

- 学習ベース構成要素の open-loop 性能と、制御器の closed-loop 性能を simulations と experiments で評価。 - シミュレーションでは ablation study、state-of-the-art の local navigation 手法2件との比較、drifting odometry への resilience 評価を実施。 - 実世界実験は forest environments で行い、cluttered な環境下で adversarial reference velocity と drifting position estimates に対して衝突回避が有効であることを示した。

5. 議論はある？

- 理論解析は fixed observations の下での recursive feasibility と stability の検証に限られる。 - drifting odometry や adversarial reference velocity への resilience は評価されているが、要旨からは限界や失敗事例の詳細は不明。 - 計算負荷や onboard 実装上の制約についての議論は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で比較対象として言及される state-of-the-art の local navigation 手法（具体的名称は要旨からは不明）。 - Signed Distance Function (SDF) を用いた学習ベースのナビゲーション/制御に関する関連研究。 - Nonlinear Model Predictive Control (NMPC) の recursive feasibility と stability に関する理論研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Martin Jacquet, Marvin Harms, Kostas Alexis

分類: cs.RO

原文アブストラクト

This paper introduces a neural Nonlinear Model Predictive Control (NMPC) framework for mapless, collision-free navigation in unknown environments with Aerial Robots, using onboard range sensing. We leverage deep neural networks to encode a single range image, capturing all the available information about the environment, into a Signed Distance Function (SDF). The proposed neural architecture consists of two cascaded networks: a convolutional encoder that compresses the input image into a low-dimensional latent vector, and a Multi-Layer Perceptron that approximates the corresponding spatial SDF. This latter network parametrizes an explicit position constraint used for collision avoidance, which is embedded in a velocity-tracking NMPC that outputs thrust and attitude commands to the robot. First, a theoretical analysis of the contributed NMPC is conducted, verifying recursive feasibility and stability properties under fixed observations. Subsequently, we evaluate the open-loop performance of the learning-based components as well as the closed-loop performance of the controller in simulations and experiments. The simulation study includes an ablation study, comparisons with two state-of-the-art local navigation methods, and an assessment of the resilience to drifting odometry. The real-world experiments are conducted in forest environments, demonstrating that the neural NMPC effectively performs collision avoidance in cluttered settings against an adversarial reference velocity input and drifting position estimates.

arXivで原文を読む →arXiv概要ページ

← 論文一覧