ナビゲーション2026/9/13arXiv:2609.14426

3つの距離センサのみを用いたUAVの学習ベース動的障害物回避

Learning-Based Dynamic Obstacle Avoidance for a UAV Using Only Three Range Sensors

3つの低コスト距離センサのみで、未知の動的環境を飛行するUAVの強化学習による障害物回避・目標到達手法を提案。ビヘイビアグリッドマップとPPOを組み合わせ、シミュレーションでMPCやPPO変種を上回る成功率を達成した。

詳しい要約

1. どんなもの？

- 固定高度で飛行する UAV の kinodynamic online motion planning を対象とした学習ベース手法。 - 未知の動的環境で、静的・動的障害物をリアルタイム回避。 - 極端な partial observability 下で、yaw のみの 1 自由度制御という非ホロノミック拘束。 - 3 つの低コスト directional range sensors のみを使用。 - behavior grid map と Deep Reinforcement Learning (DRL) を統合。

2. 先行研究と比べてどこがすごい？

- LiDAR や vision-based systems などの密なセンシングに依存せず、3 つの range sensors のみで動作。 - 小規模高混雑環境で成功率 94%（PPO variants と MPC は 79–90%）。 - 大規模高混雑環境で成功率 83%（比較手法は 62–71%）。 - リアルタイム性能を維持しつつ、成功率で優位。 - 実世界 4 シナリオで衝突なしの目標到達を確認。

3. 技術・手法の肝は？

- behavior grid map representation と DRL を統合。 - 連続制御の安定学習のため Proximal Policy Optimization (PPO) を採用。 - state representation と control policy の co-design が鍵。 - behavior grid map が疎な測定値を動的に集約し、構造化された局所表現を生成。 - 障害物回避と目標到達のリアルタイム意思決定を支援。

4. どうやって有効だと検証した？

- 異なるサイズと障害物密度の環境で広範なシミュレーションを実施。 - 提案する standard および enhanced 手法を PPO variants と Model Predictive Control (MPC) と比較。 - 小規模高混雑で 94% vs. 79–90%、大規模高混雑で 83% vs. 62–71% の成功率。 - 実世界 4 シナリオで実現可能性を確認し、一貫した目標到達と衝突なしを報告。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗事例、計算コスト、センサノイズの影響などについての議論は要旨に記載なし。

6. 次に読むべき論文は？

- Proximal Policy Optimization (PPO) - Model Predictive Control (MPC) - Deep Reinforcement Learning (DRL) を用いた UAV ナビゲーション - behavior grid map を用いた障害物回避 - 3 つの range sensors のみによる UAV 制御

※ 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: Mohammad Reza Ranjbar Divkoti, A. Pedro Aguiar

分類: cs.RO, eess.SY

原文アブストラクト

We present a learning-based approach to kinodynamic online motion planning for an Unmanned Aerial Vehicle (UAV) operating at a fixed altitude in unknown dynamic environments, where real-time avoidance of both static and dynamic obstacles must be achieved under conditions of extreme partial observability. The UAV is controlled with a single degree of freedom (yaw only), resulting in constrained, nonholonomic motion similar to fixed-wing platforms. The proposed framework integrates a behavior grid map representation with Deep Reinforcement Learning (DRL), using Proximal Policy Optimization (PPO) for stable policy learning in continuous control. The key idea is the co-design of a state representation and control policy that enables reliable navigation using only three low-cost directional range sensors, without reliance on dense sensing modalities such as LiDAR or vision-based systems. The behavior grid map dynamically aggregates sparse measurements into a structured local representation that supports real-time decision-making for obstacle avoidance and target reaching. Extensive simulations across environments of varying sizes and obstacle densities demonstrate that the proposed standard and enhanced methods achieve higher success rates than PPO variants and Model Predictive Control (MPC) (94\% vs. 79--90\% in small-scale high-congestion scenarios, and 83\% vs. 62--71\% in large-scale high-congestion scenarios), while maintaining real-time performance. Real-world experiments across four scenarios further confirm practical feasibility, with consistent target-reaching behaviour and no collisions under the tested conditions.

arXivで原文を読む →arXiv概要ページ