[논문 리뷰] Chasing Ghosts: A Simulation-to-Real Olfactory Navigation Stack with Optional Vision Augmentation

Kordel K. France, Ovidiu Daescu외 2명|arXiv (Cornell University)|2026. 02. 23.

Insect Pheromone Research and Control인용 수 0

한 줄 요약

이 논문은 최소한의 후각 센서를 사용하여 냄새원을 위치시키는 오픈 소스 UAV 시스템을 제시하며, 선택적으로 비전 모듈을 활용하고 시뮬레이션에서 학습한 뒤 실제 쿼드로터에 배치합니다.

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.

연구 동기 및 목표

• 가스 분포 지도나 외부 위치추적 보조 없이 경량 UAV에서 온라인 후각 원천 위치 추정 시演을 시연한다.
• 다양한 후각 센싱 모달리티에서 작동하는 최소 센서 네비게이션 프레임워크를 개발한다.
• 시뮬레이션에서 내비게이션 정책을 학습하고 하드웨어에 배치하여 시뮬레이션-실제 전이 가능성을 enabling한다.
• 특정 조건에서 냄새 가이드 내비게이션 속도를 높이기 위한 선택적 비전 모달리티를 incorporae한다.
• 후각 로봇 연구의 향후를 촉진하기 위해 재현 가능한 하드웨어, 소프트웨어, 데이터셋을 제공한다.

제안 방법

• 수정된 DJI Tello 플랫폼에 맞춤형 후각 하드웨어(MOX 및 전기화학 센서)와 적외선 감지를 통합한다.
• 시뮬레이션(Gymnasium 기반 플럼 환경 및 칼만 필터 제어 루프)에서 내비게이션 정책을 학습하고 최소 센서로 구성된 하드웨어에 배치한다.
• 짧은/긴 EMA 차이를 활용한 이중 타임스케일의 후각 처리로 플럼을 탐지하고 플럼 각도를 계산해 주행을 제어한다.
• InfoNCE 손실을 이용해 olfactory 임베딩과 시각 임베딩을 맞추는 CLIP 기반 비전 인코더와 12층 후각 인코더를 갖춘 COLIP(대조적 후각-비전 사전학습)를 개발한다.
• 느리지만 고수준의 OVM과 빠른 YOLOv11 기반 반응 모듈로 구성된 2컴포넌트 비전 시스템을 구현해 일반화와 엣지-스피드 추론의 균형을 맞춘다.
• 후각 관성 odometry 및 플럼 dynamics를 통해 냄새 방향 결정을 이산적 행동 집합(전진, 방향 확산, 일시정지, 착륙)으로 변환한다.

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.

실험 결과

연구 질문

• RQ1 최소한의 후각 센서 세트만으로 사전 가스 분포 지도나 외부 위치 보조 없이 UAV가 온라인으로 냄새 원천 위치를 찾을 수 있는가?
• RQ2 선택적 비전 보강이 후각 원천 위치 추정 성능과 속도를 개선하며, 이것이 후각 구동 제어와 어떻게 상호작용하는가?
• RQ3 현실적인 기류 조건에서 실제 UAV에서의 후각 내비게이션 정책의 시뮬레이션-실제 전이가 얼마나 잘 작동하는가?
• RQ4 제안된 최소-센서 프레임워크가 서로 다른 센싱 매체(MOX vs 전기화학) 및 환경에서 일반화 가능한가?

주요 결과

• 후각 단독 내비게이션은 MOX 및 EC 센서 모든 trial에서 냄새 원천을 성공적으로 위치시켰다.
• 비전 추가가 센서 유형에 상관없이 후각 단독 내비게이션 대비 탐색 시간을 일관되게 단축시켰다.
• 비전 보강은 성능 향상을 가져왔으며, 평균 작업 시간은 후각 단독 기반에 비해 개선되었다.
• 실제 UAV에서 200 m² 코스 위에서 실시간 후각 데이터 처리로 시뮬레이션-실제 배치를 달성했다.
• 이 접근법은 센싱 매체 간 일반화되며 오픈 하드웨어, 소프트웨어 및 데이터셋을 통해 재현 가능성을 보여준다.

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