복합 작업 회귀 기반 학습을 이용한 비구조화된 실외 환경에서의 자율 무인 항공기 비행 제어

📝 원문 정보

• Title: Multi-Task Regression-based Learning for Autonomous Unmanned Aerial Vehicle Flight Control within Unstructured Outdoor Environments
• ArXiv ID: 1907.08320
• 발행일: 2019-07-22
• 저자: Bruna G. Maciel-Pearson, Samet Akcay, Amir Atapour-Abarghouei, Christopher Holder and Toby P. Breckon

📝 초록 (Abstract)

전 세계 드론 산업의 성장으로 완전 자율 비행 드론 응용 프로그램의 가능성이 더욱 확대되고 있다. 이 연구의 동기 중 하나는 무구조화된 실외 환경에서 넓은 지역 탐색 및 감시 작업에 드론을 사용하는 것이다. 이러한 환경의 주요 문제점은 도로 선이나 경로와 같은 자율 비행을 돕는 구조적 특징이 부족하다는 점이다. 본 논문에서는 숲 밑 덤불 속에서 비행 명령을 정의할 수 있는 End-to-End Multi-Task Regression 기반 학습 접근법을 제안한다. 이 방법은 경로나 추가 센서(GPS)가 없는 환경에서도 작동 가능하다. 훈련 및 검증은 소프트웨어 인 루프 파이프라인을 사용하여 수행되며, 이를 통해 최신 포즈 추정 기술과의 상세한 평가를 진행한다. 우리의 광범위한 실험 결과는 이 접근법이 필요한 탐색 범위 내에서 밀도 높은 탐사를 수행하고 더 넓은 탐색 영역을 커버하며, 이전에 본 적 없고 탐사하지 않은 환경에서도 일반화되고 현존하는 최선의 기술보다 우수함을 입증한다.

💡 논문 핵심 해설 (Deep Analysis)

This paper introduces a novel approach to enable drones to autonomously fly in unstructured outdoor environments like forests. The main issue addressed is the difficulty of autonomous navigation and exploration without structured features such as road lines or paths, which are often absent in these environments. The proposed solution involves an End-to-End Multi-Task Regression-based Learning method that allows a drone to learn necessary information from its surroundings and generate flight commands accordingly. This approach was tested using a software-in-the-loop pipeline to simulate real-world conditions closely. The results show that this method outperforms existing state-of-the-art techniques, covering wider search areas and generalizing well in previously unseen environments. This research opens up new possibilities for drone applications in various fields such as disaster response, wildlife monitoring, and forest management.

📄 논문 본문 발췌 (Translation)

Reference