距離から軌道へ：UAVのためのリアルタイム符号付き距離関数マッピングと距離加速型モーションプランニング
From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs
本論文は、点群からオンラインでSDFを再構成するニューラルネットワークORENと、距離情報を利用して衝突チェックを削減する探索ベースのプランナーBubble*を統合し、クアッドローターのリアルタイムナビゲーションを実現した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Jason Stanley, Zhirui Dai, Qihao Qian, Tzu-Chin Ho, Tianxing Fan, Siddharth Saha, Christopher Barngrover, Ki Myung Brian Lee, Nikolay Atanasov
分類: cs.RO, cs.AI, cs.CV, cs.SY, eess.SY
原文アブストラクト
Autonomous flight in cluttered environments requires a robot to build a geometric map of its surroundings and plan safe, dynamically feasible trajectories, all onboard and in real time. Conventional approaches treat mapping and planning as separate stages and often rely on binary occupancy for collision checking. We argue that these two stages should be co-designed around a single representation: a signed distance function (SDF). By encoding distance to the nearest obstacle, an SDF provides richer information for planning and trajectory optimization than occupancy alone. We develop an Octree REsidual Network (OREN) that pairs an explicit octree prior with an implicit neural residual to reconstruct SDFs online from point cloud observations with the efficiency of volumetric methods and the accuracy and differentiability of neural methods. In tandem, we develop Bubble$^\star$, a search-based planner that exploits the distance information to grow maximal collision-free balls, which we call bubbles, with formal guarantees of termination, completeness, and failure detection. Planning over a graph of bubbles significantly reduces collision checks compared to a grid-based A$^\star$ search and returns a bubble sequence that forms a safe corridor for trajectory optimization. We demonstrate the integrated OREN-Bubble$^\star$ approach onboard a quadrotor, navigating unseen indoor environments in real time under tight compute constraints. OREN improves SDF estimation by $22$% compared to baselines, while Bubble$^\star$ finds trajectories spanning $\approx 90$ m through a cluttered environment in $1$-$3$ sec., whereas baselines take up to $10$ sec. in the same environment.
関連論文
- DroneDiffusion: 知覚信頼性を考慮した拡散モデルによるUAV経路計画UAVナビゲーション
- オンボード軽量LLM推論による人を意識した安全なUAVナビゲーションUAVナビゲーション
- GNSS劣化環境下の都市部におけるクアッドロータUAVナビゲーションのための信念適応型オンライン自律性UAVナビゲーション
- RACO: 点検指向UAV視覚言語ナビゲーションのための信頼性を考慮した粗目標最適化UAVナビゲーション
- AirAlign: ジオメトリを考慮したUAV最終メートル航法のための相対ポーズ整列UAVナビゲーション
- 形状適合領域による閉鎖・劣化環境での飛行UAVナビゲーション
