ドローンレース/MPPI/ニューラルSDF2026/3/1arXiv:2603.07199

視覚誘導MPPIによるアジャイルドローンレース：ニューラル符号付き距離場を用いた任意ゲート姿勢のナビゲーション

Vision-Guided MPPI for Agile Drone Racing: Navigating Arbitrary Gate Poses via Neural Signed Distance Fields

ドローンレースにおいて、事前軌道や明示的なゲート姿勢推定に頼らず、生の深度画像から学習したニューラルSDFをMPPIコントローラに統合し、任意配置のゲートを基準軌道なしで飛行する手法を提案した。

詳しい要約

1. どんなもの？

- 自律ドローンレーシングのための完全オンボード・視覚誘導型の最適制御フレームワーク。 - 任意の位置・姿勢に置かれたゲートを、参照軌道なしでアジャイルに通過することを目指す。 - 中核は Gate-SDF と呼ぶ暗黙的に学習された neural signed distance field。 - 生のノイズを含む depth image から連続的な空間場を予測し、衝突回避とゲート通過領域への幾何学的誘導を提供。 - これを sampling-based な Model Predictive Path Integral (MPPI) controller に統合。

2. 先行研究と比べてどこがすごい？

- 従来手法は事前計算された空間参照軌道や明示的な 6-DoF gate pose estimation に依存し、空間的摂動・未モデル化のトラック変化・センサノイズに脆い。 - 一方、end-to-end 学習ポリシーは特定のトラックレイアウトに過学習し、zero-shot 汎化が困難。 - 提案手法は参照軌道不要で、任意配置・任意姿勢のゲートを通過可能。 - 未見トラックや深刻なゲート変位・姿勢摂動に対しても頑健に動作する点が優位。

3. 技術・手法の肝は？

- Gate-SDF: 生のノイズ depth image を直接処理し、連続的な spatial field を予測する暗黙的 neural signed distance field。 - この場が衝突反発と有効通過領域への能動的幾何誘導の両方を提供。 - この表現を sampling-based MPPI controller に統合。 - GPU 並列性を活用し、数千のシミュレーション軌道ロールアウトに対して連続空間制約をリアルタイム評価。 - 定式化が空間的一貫性を本質的に維持し、アジャイル機動中の severe visual occlusion 下でも頑健なナビゲーションを実現。

4. どうやって有効だと検証した？

- 広範なシミュレーションと実世界実験を実施。 - 高速アジャイル飛行を達成。 - 未見トラックにおいて、深刻な未モデル化ゲート変位と姿勢摂動下でもナビゲーションに成功。 - 動画は https://zhaofangguo.github.io/vision_guided_mppi/ で公開。

5. 議論はある？

- 要旨からは不明。 - 想定される論点として、severe visual occlusion 下での頑健性、未モデル化摂動への対応、zero-shot 汎化が挙げられるが、限界や失敗事例の議論は要旨に明記されていない。

6. 次に読むべき論文は？

- 要旨で参照・比較されている研究: 事前計算された空間参照軌道を用いる手法、明示的な 6-DoF gate pose estimation に依存する手法、end-to-end 学習ポリシー。 - 関連手法: Model Predictive Path Integral (MPPI) controller、neural signed distance field (SDF)。 - 同分野の定番として、autonomous drone racing における perception-planning-control 統合研究や sampling-based MPC の文献を挙げる。

※ 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: Fangguo Zhao, Hanbing Zhang, Zhouheng Li, Xin Guan, Shuo Li

分類: cs.RO

原文アブストラクト

Autonomous drone racing requires the tight coupling of perception, planning, and control under extreme agility. However, recent approaches typically rely on precomputed spatial reference trajectories or explicit 6-DoF gate pose estimation, rendering them brittle to spatial perturbations, unmodeled track changes, and sensor noise. Conversely, end-to-end learning policies frequently overfit to specific track layouts and struggle with zero-shot generalization. To address these fundamental limitations, we propose a fully onboard, vision guided optimal control framework that enables reference-free agile flight through arbitrarily placed and oriented gates. Central to our approach is Gate-SDF, a novel, implicitly learned neural signed distance field. Gate-SDF directly processes raw, noisy depth images to predict a continuous spatial field that provides both collision repulsion and active geometric guidance toward the valid traversal area. We seamlessly integrate this representation into a sampling-based Model Predictive Path Integral (MPPI) controller. By fully exploiting GPU parallelism, the framework evaluates these continuous spatial constraints across thousands of simulated trajectory rollouts simultaneously in real time. Furthermore, our formulation inherently maintains spatial consistency, ensuring robust navigation even under severe visual occlusion during aggressive maneuvers. Extensive simulations and real-world experiments demonstrate that the proposed system achieves high-speed agile flight and successfully navigates unseen tracks subject to severe unmodeled gate displacements and orientation perturbations. Videos are available at https://zhaofangguo.github.io/vision_guided_mppi/

arXivで原文を読む →arXiv概要ページ

← 論文一覧