飛行/プランニング2026/10/3arXiv:2610.04566

RiskFly: 動的障害物環境におけるワンショット俊敏飛行のための視錐台整合時空間リスク場

RiskFly: Frustum-Aligned Spatio-Temporal Risk Fields for One-Stage Agile Flight in Dynamic Clutter

深度画像列から視錐台に整合した時空間リスク場を予測し、それを微分可能に軌道計画へ組み込むことで、動的で混雑した未知環境でも地図なしで俊敏に飛行するワンショット学習型プランナを実現した。

詳しい要約

1. どんなもの？

- 未知・混雑・動的環境での敏捷飛行のための一段階学習ベースプランナー。 - 危険がどこでいつ現れるかを予測する。 - 深度列とfrustum-aligned inverted spherical range-map列を入力。 - 補助ヘッドでfrustum-aligned spatio-temporal risk fieldを回帰。 - 自己予測リスク場をquintic trajectoryに沿って微分可能にクエリ。 - 展開時は特権信号を破棄し、オンボード深度と固有受容感覚のみで動作。

2. 先行研究と比べてどこがすごい？

- 従来の一段階学習ベースプランナーは微分可能な特権コストで訓練されるが、エンコーダに届く信号はスカラーの軌道コストのみで空間的・時間的構造がない。 - そのため回避が遅い反応的操作に劣化する。 - RiskFlyは行動する空間と同じ空間でリスクを予測し、危険の場所とタイミングを把握。 - これにより回避性能が向上。

3. 技術・手法の肝は？

- 二重ストリーム観測：短い深度シーケンスとfrustum-aligned inverted spherical range-mapシーケンスをペアリング。 - 角度セルが終状態提案と1対1で対応。 - 補助ヘッドがfrustum-aligned spatio-temporal risk fieldを回帰。 - 特権的なclosest-point-of-approach (CPA)ターゲットで教師あり。 - 自己予測場をインスタンス化されたquintic trajectoryに沿って到着時刻で微分可能にクエリ。 - 訓練目的にも組み込み、表現監督と計画勾配が単一空間で出会う。

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ゼロショット実世界飛行を実施。 - リソース制約のあるプラットフォームで、同等のエンドツーエンド遅延でより高い成功率を示した。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、一段階学習ベースプランナー、微分可能な特権コスト、closest-point-of-approach (CPA)、quintic trajectory、frustum-aligned inverted spherical range-mapが挙げられる。

※ 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: Luxia Ai, Haopeng Chen, Yuchao Mei, Guohao Zhang, Wenbing Tao

分類: cs.RO

原文アブストラクト

Agile flight in unknown, cluttered, and dynamic environments requires a planner that knows where and when danger will appear, not only that a trajectory is dangerous. One-stage learning-based planners trained with differentiable privileged costs are fast and expert-free, but the only signal reaching their encoder is a scalar trajectory cost with no spatial or temporal structure, so avoidance degrades into late reactive maneuvers. We present RiskFly, a one-stage planner that predicts risk in the same space in which it acts. A dual-stream observation pairs a short depth sequence with a frustum-aligned inverted spherical range-map sequence, whose angular cells match the end-state proposals one to one. An auxiliary head regresses a frustum-aligned spatio-temporal risk field, supervised by a privileged closest-point-of-approach (CPA) target. This self-predicted field is queried differentiably along the instantiated quintic trajectory at its own arrival times, and also enters the training objective, so representation supervision and planning gradients meet in a single space. Privileged signals are discarded at deployment, and the planner runs map-free from onboard depth and proprioception. Extensive simulation and zero-shot real-world flights on resource-constrained platforms show higher success rates at comparable end-to-end latency.

arXivで原文を読む →arXiv概要ページ

← 論文一覧