[論文レビュー] Deep Convolutional Neural Network-Based Autonomous Drone Navigation

K. Amer, Manthandi Peri Anna Samy+2 more|arXiv (Cornell University)|May 5, 2019

Robotics and Sensor-Based Localization被引用数 11

ひとこと要約

本論文は、モノクローラル視覚入力を用いてステアリング命令を生成する深層畳み込みニューラルネットワーク（CNN）とレグレッサーを組み合わせたGPSフリーの自律ドローンナビゲーションシステムを提案する。複数の補助ナビゲーション経路を用いたデータ拡張により、シミュレーションで1m未満の精度を達成し、平均クロストラック誤差は1.4メートル未満、平均ウェイポイント距離は1メートル未満に抑えられ、GPS不可またはスプーフィングの影響を受ける環境でも信頼性の高い運用が可能になる。

ABSTRACT

This paper presents a novel approach for aerial drone autonomous navigation along predetermined paths using only visual input form an onboard camera and without reliance on a Global Positioning System (GPS). It is based on using a deep Convolutional Neural Network (CNN) combined with a regressor to output the drone steering commands. Furthermore, multiple auxiliary navigation paths that form a navigation envelope are used for data augmentation to make the system adaptable to real-life deployment scenarios. The approach is suitable for automating drone navigation in applications that exhibit regular trips or visits to same locations such as environmental and desertification monitoring, parcel/aid delivery and drone-based wireless internet delivery. In this case, the proposed algorithm replaces human operators, enhances accuracy of GPS-based map navigation, alleviates problems related to GPS-spoofing and enables navigation in GPS-denied environments. Our system is tested in two scenarios using the Unreal Engine-based AirSim plugin for drone simulation with promising results of average cross track distance less than 1.4 meters and mean waypoints minimum distance of less than 1 meter.

研究の動機と目的

• オンボードの視覚入力のみを用いてGPS依存を排除した自律ドローンナビゲーションを実現すること。
• 複数の補助ナビゲーション経路を用いたデータ拡張により、実運用における耐障害性を向上させること。
• 環境モニタリングや配達などの繰り返しの飛行タスクにおいて、人間の操縦者を置き換えること。
• GPS不可またはスプーフィングの影響を受ける環境でも、精度と耐性を高めること。
• 構造的または予測可能な経路を想定した定期的な飛行ミッションに適したシステムを開発すること。

提案手法

• ドローンに搭載されたカメラからの視覚入力を処理する深層畳み込みニューラルネットワーク（CNN）が、ナビゲーションに必要な空間的特徴を抽出する。
• レグレッサー部がCNNの特徴を連続的なステアリング命令に変換する。
• 複数の補助ナビゲーション経路を用いてナビゲーションの許容範囲を生成し、データの多様性とモデルの一般化能力を向上させる。
• Unreal EngineベースのAirSimプラグインを用いたシミュレーション環境で、システムを訓練および検証する。
• 訓練データには、主経路および補助経路に沿った多様な視覚シーケンスが含まれており、実世界の変動を模擬する。
• ナビゲーション中のクロストラック誤差およびウェイポイント逸脱を最小限に抑えるようにモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのシステムは、視覚入力のみでGPSなしに信頼性の高い自律ドローンナビゲーションを実現できるか？
• RQ2 複数の補助ナビゲーション経路を組み込むことで、実運用における耐障害性および一般化能力はどのように向上するか？
• RQ3 GPS不可またはスプーフィング環境下でも、システムはどの程度の精度を維持できるか？
• RQ4 視覚入力のみを用いたシミュレーション環境で、どの程度のナビゲーション精度が達成できるか？
• RQ5 このアプローチは、繰り返しの飛行タスクにおいて人間の操縦者を効果的に置き換えることができるか？

主な発見

• シミュレーションにおいて、平均クロストラック距離が1.4メートル未満に達し、横方向の高精度を示した。
• ウェイポイントまでの平均最小距離が1メートル未満であったため、正確な経路追従性が確認された。
• 補助ナビゲーション経路の使用により、モデルの実世界の変動への適応性が顕著に向上した。
• 本アプローチにより、GPS不可環境でも自律ナビゲーションが成功し、グローバルポジショニングシステムへの依存が低減された。
• スプーフィングに対する耐性や精度の面で、従来のGPSベースのナビゲーションを上回った。
• 結果から、モニタリングや配達などの定期的飛行ミッションに適した視覚のみの自律ナビゲーションの実現可能性が裏付けられた。