UAV/計画2026/10/6arXiv:2610.08695

NMPP: 障害物環境での俊敏なUAV飛行のための非線形モデル予測計画

NMPP: Nonlinear Model Predictive Planning for Agile UAV Flight in Cluttered Environments

障害物をハードな幾何制約として扱う非線形モデル予測計画を提案し、障害物を考慮しないSE(3)コントローラと組み合わせることで、乱雑な環境での高速・高成功率なドローン飛行を実現した。

詳しい要約

1. どんなもの？

- 提案手法は、Nonlinear Model Predictive Planning (NMPP) と呼ばれる、障害物が密集した環境で四rotor UAVを敏捷に飛行させるための計画手法である。 - 知覚した障害物をハードな幾何学的制約として扱い、障害物を無視するSE(3)コントローラに全状態参照を渡す。 - これにより、衝突回避と動的実行可能性、アクチュエータ制限を同時に満たす参照軌道を生成する。

2. 先行研究と比べてどこがすごい？

- 既存手法は、凸回廊内で滑らかな多項式を最適化するため敏捷性が制限されるか、障害物をソフトコストとして追従性能とトレードオフするかのいずれかであった。 - 提案手法は障害物をハード制約として扱うことで、より敏捷な飛行を可能にし、線形Model Predictive Control軌道プランナより位置RMSEが58-67%低く、多項式軌道プランナより41-70%低い。 - また、より攻撃的な速度プロファイル下で86%の飛行成功率を達成し、最先端プランナの26%を大きく上回る。

3. 技術・手法の肝は？

- 非線形Model Predictive Planning (NMPP) を提案し、知覚した障害物をハードな幾何学的制約として課す。 - 計画された全状態参照を障害物を考慮しないSE(3)コントローラに渡すことで、コントローラが正確に追従できる動的に実行可能な軌道を生成する。 - これにより、アクチュエータ制限内で衝突のない参照軌道を実現する。

4. どうやって有効だと検証した？

- 線形Model Predictive Control軌道プランナおよび多項式軌道プランナと比較し、位置RMSEがそれぞれ58-67%および41-70%低いことを示した。 - 森林飛行を最大9.5 m/sの速度で衝突なく完了し、より攻撃的な速度プロファイル下で86%の飛行成功率を達成した（最先端プランナは26%）。 - 実世界展開では、未知の障害物環境で最大5.5 m/sの信頼性の高い実行を示した。

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：linear Model Predictive Control trajectory planner、polynomial trajectory planner、state-of-the-art planner。 - 関連手法：SE(3) controller、Nonlinear Model Predictive Planning (NMPP)。

※ 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: Ondřej Procházka, Juraj Pauko, Robert Pěnička, Martin Saska

分類: cs.RO

原文アブストラクト

Flying a quadrotor through a cluttered environment requires not only planning a collision-free reference trajectory based on perceived obstacles, but the reference also needs to be dynamically feasible and within the actuation limits of the vehicle, so that the controller can track it precisely. Existing methods either optimize a smooth polynomial inside a convex corridor, which limits agility, or treat obstacles as soft costs traded against tracking performance. We propose a Nonlinear Model Predictive Planning (NMPP) that imposes perceived obstacles as hard geometric constraints and hands a full-state reference to an obstacle-blind SE(3) controller. Our planner achieves a 58-67 % lower position RMSE than a linear Model Predictive Control trajectory planner and a 41-70 % lower RMSE than a polynomial trajectory planner. It also completes all forest flights with up to 9.5 m/s speed without collisions, and achieves 86 % flight success rate under a more aggressive speed profile where a state-of-the-art planner has only 26 % success rate. The real-world deployment showed reliable execution flying up to 5.5 m/s in an unknown cluttered environment.

arXivで原文を読む →arXiv概要ページ

← 論文一覧