DroneDiffusion: 知覚信頼性を考慮した拡散モデルによるUAV経路計画
DroneDiffusion: Uncertainty-Guided Diffusion Path Planner for UAV Navigation
レンズフレアや露出過多などで知覚が劣化する領域を信頼性マップとして推定し、それを条件に拡散モデルで3D軌道を生成するUAVナビゲーション手法。シミュレーションのみで学習し実機にゼロショット適用、衝突率を半減させた。
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: Ivan Valuev, Iana Zhura, Valerii Serpiva, Miguel Altamirano Cabrera, Dzmitry Tsetserukou
分類: cs.RO
原文アブストラクト
We present DroneDiffusion, a perception-aware diffusion planner for local 3-D UAV trajectory generation that explicitly models and avoids failure zones caused by lens flare, overexposure, and reflective surfaces. A vision-language perceptual safety estimator produces a pixel-aligned reliability map that highlights regions of degraded sensing. A denoising diffusion probabilistic model (DDPM) is conditioned on this map together with the onboard RGB image, goal point, and initial velocity to generate egocentric 3-D trajectories. To enforce obstacle avoidance at inference time without retraining, we apply training-free CHOMP guidance over a 3-D Euclidean signed distance field. The model is trained entirely in simulation and deployed zero-shot on a real drone. Reliability conditioning raises the mean perceptual reliability along generated trajectories to 0.71, compared with 0.63 for a geometric baseline, while guidance halves the collision rate of the learned prior from 14.7% to 7.8%. Perceptual safety conditioning and geometric guidance are therefore complementary: treating sensor reliability as a first-class signal reduces incursions into unreliable regions while maintaining competitive navigation performance.
関連論文
- 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
- PILOT: 部分観測下での自律UAVのエンドツーエンド動作計画のための特権模倣学習UAVナビゲーション
