[論文レビュー] Chasing Ghosts: A Simulation-to-Real Olfactory Navigation Stack with Optional Vision Augmentation

Kordel K. France, Ovidiu Daescu+2 more|arXiv (Cornell University)|Feb 23, 2026

Insect Pheromone Research and Control被引用数 0

ひとこと要約

要約: 本論文は最小限の嗅覚センサーで局所化するオープンソースのUAVシステムを提案し、任意のビジョンモジュールを組み込むことができ、シミュレーションで訓練され現実のクアッドローターにデプロイされる。

ABSTRACT

Autonomous odor source localization remains a challenging problem for aerial robots due to turbulent airflow, sparse and delayed sensory signals, and strict payload and compute constraints. While prior unmanned aerial vehicle (UAV)-based olfaction systems have demonstrated gas distribution mapping or reactive plume tracing, they rely on predefined coverage patterns, external infrastructure, or extensive sensing and coordination. In this work, we present a complete, open-source UAV system for online odor source localization using a minimal sensor suite. The system integrates custom olfaction hardware, onboard sensing, and a learning-based navigation policy trained in simulation and deployed on a real quadrotor. Through our minimal framework, the UAV is able to navigate directly toward an odor source without constructing an explicit gas distribution map or relying on external positioning systems. Vision is incorporated as an optional complementary modality to accelerate navigation under certain conditions. We validate the proposed system through real-world flight experiments in a large indoor environment using an ethanol source, demonstrating consistent source-finding behavior under realistic airflow conditions. The primary contribution of this work is a reproducible system and methodological framework for UAV-based olfactory navigation and source finding under minimal sensing assumptions. We elaborate on our hardware design and open source our UAV firmware, simulation code, olfaction-vision dataset, and circuit board to the community. Code, data, and designs will be made available at https://github.com/KordelFranceTech/ChasingGhosts.

研究の動機と目的

• 明示的なガス分布マッピングや外部位置特定なしに軽量UAVでオンライン嗅源定位を実証する。
• 嗅覚センサーモダリティを跨いで動作する最小センサー导航フレームワークを開発する。
• シミュレーションでナビゲーションポリシーを訓練しハードウェアへデプロイすることでシム〜リアル転送を実現する。
• 特定の条件下で嗅覚-guided navigationを加速する任意の視覚モダリティを組み込む。
• 再現性のあるハードウェア、ソフトウェア、データセットを提供し嗅覚ロボティクス研究の発展を促す。

提案手法

• 改造DJI Telloプラットフォーム上にカスタム嗅覚ハードウェア（MOXおよび電気化学センサ）と赤外線センサを統合する。
• シミュレーション（Gymnasiumベースの plume 環境とカルマンフィルタ制御ループ）でナビゲーションポリシーを訓練し、最小センサースイートを用いてハードウェアにデプロイする。
• 二重スケールの嗅源処理（短期/長期 EMA 差）を用いてプルームを検出し、舵取り用のプルーム角度を計算する。
• COLIP（対比嗅覚-視覚事前学習）を開発し、CLIPベースの視覚エンコーダと12層嗅覚エンコーダを InfoNCE 損失で嗅覚・視覚埋め込みを整合させる。
• 二要素の視覚システムを実装：遅い高レベルのOVMと高速のYOLOv11ベースの反応モジュールで一般化とエッジスピード推論のバランスを取る。
• プルーム指向の意思決定を離散アクション集合（推進、横舵/キャスト方向、停止、着陸）へ翻訳する嗅覚慣性計測とプルームダイナミクスを用いる。

Figure 1: The UAV equipped with the olfactory processing unit (OPU) and sensor harnesses for scent-based navigation. The metal-oxide sensor configuration is shown in panel A with the electrochemical sensor configuration shown in panel B.

実験結果

リサーチクエスチョン

• RQ1 外部のガス分布マップや外部位置特定支援なしに、最小限の嗅覚センサだけでUAVがオンラインで嗅源を定位できるか？
• RQ2 任意の視覚補助は嗅源定位の性能と速度を改善し、嗅覚駆動制御とどう相互作用するか？
• RQ3 現実的な気流条件下で、リアルUAV上の嗅覚ナビゲーションポリシーのシム〜リアル転送はどの程度機能するか？
• RQ4 提案された最小センサーフレームワークは異なる sensing mediums（MOX対電気化学）や環境で一般化可能か？

主な発見

Method	Sensor Type	Nav. Algorithm	Average Time μ_t (s)	Sigma Time σ_t (s)	Best Time β_t (s)
嗅覚	MOX	OIO	98.38	14.84	71.59
嗅覚	EC	OIO	112.22	16.70	97.65
嗅覚	MOX	E.SARSA(λ)	103.99	14.89	82.73
嗅覚	EC	E.SARSA(λ)	121.85	16.77	97.10
嗅覚+視覚	MOX	OIO	94.03	14.68	66.12
嗅覚+視覚	EC	OIO	107.71	17.07	80.50

• 嗅覚のみのナビゲーションはMOXおよびECセンサでの試行を通して嗅源を正しく局所化できた。
• 視覚を追加することで、センサータイプを超えて嗅覚のみのナビゲーションと比較してナビゲーション時間を一貫して短縮した。
• 視覚補強は性能向上をもたらし、嗅覚のみのベースラインと比べて平均タスク時間を改善した。
• シム〜リアルデプロイは実機UAV上で200平方メートルのコースでリアルタイム嗅覚データ処理とともに達成された。
• 本手法は sensing mediums をまたがって一般化され、オープンなハードウェア、ソフトウェア、データセットによって再現性を示す。

Figure 2: The UAV equipped with the olfactory processing unit (OPU) and sensor harnesses. The figure shows a top-down view of the aircraft: (1) the 2 ballast points needed to balance the aircraft; (2) the battery to power the motherboard required for the olfactory sensors; (3) the wire harnessing le