최근 들어 Deep Learning의 발전으로 인해, 장애물 회피 기능을 가진 자율주행 드론 관련 연구가 활발히 진행되고 있다. 이러한 연구들은 주로 2가지의 학습방식을 통해서 진행되며, 첫번째는 지도학습, 두번째는 강화학습이다. 지도학습의 경우 훈련을 진행한 데이터셋에 대해서는 잘 작동하는 장점이 있지만, 많은 시간과 노력이 드는 데이터 레이블링을 필요로 한다는 단점이 있다. 강화학습의 경우 이러한 단점은 기계 스스로 학습을 하게하며 해결할 수 있다. 하지만 대부분의 경우 가상 ...
최근 들어 Deep Learning의 발전으로 인해, 장애물 회피 기능을 가진 자율주행 드론 관련 연구가 활발히 진행되고 있다. 이러한 연구들은 주로 2가지의 학습방식을 통해서 진행되며, 첫번째는 지도학습, 두번째는 강화학습이다. 지도학습의 경우 훈련을 진행한 데이터셋에 대해서는 잘 작동하는 장점이 있지만, 많은 시간과 노력이 드는 데이터 레이블링을 필요로 한다는 단점이 있다. 강화학습의 경우 이러한 단점은 기계 스스로 학습을 하게하며 해결할 수 있다. 하지만 대부분의 경우 가상 시뮬레이션 환경에서 학습을 진행 후, 실제 환경에 모델을 적용했을 때의 격차가 크다는 단점이 있다. 본 논문에서는 지도학습에서 사용되던 Segmentation model인 U-Net을 강화학습의 Actor-Critic 방식으로 훈련하여, RGB 사진이 입력될 경우 장애물이 없는 방향을 가리키도록 하였다. 또한 최근 들어 가장 많이 사용되는 4개의 Actor-Critic 알고리즘들에 대해 적용시의 성능비교를 진행하였다. Airsim가상환경 내에서 이러한 훈련을 마친 후, 훈련된 모델은 실제 환경에서의 Bebop 드론을 이용해 실험을 진행하였다. 본 논문의 실험 결과는 시뮬레이션 상에서 훈련된 Neural Network가 훈련 상황과 다른 환경에서도 새로운 훈련없이 장애물 회피 기동을 한다는 것을 보여준다.
최근 들어 Deep Learning의 발전으로 인해, 장애물 회피 기능을 가진 자율주행 드론 관련 연구가 활발히 진행되고 있다. 이러한 연구들은 주로 2가지의 학습방식을 통해서 진행되며, 첫번째는 지도학습, 두번째는 강화학습이다. 지도학습의 경우 훈련을 진행한 데이터셋에 대해서는 잘 작동하는 장점이 있지만, 많은 시간과 노력이 드는 데이터 레이블링을 필요로 한다는 단점이 있다. 강화학습의 경우 이러한 단점은 기계 스스로 학습을 하게하며 해결할 수 있다. 하지만 대부분의 경우 가상 시뮬레이션 환경에서 학습을 진행 후, 실제 환경에 모델을 적용했을 때의 격차가 크다는 단점이 있다. 본 논문에서는 지도학습에서 사용되던 Segmentation model인 U-Net을 강화학습의 Actor-Critic 방식으로 훈련하여, RGB 사진이 입력될 경우 장애물이 없는 방향을 가리키도록 하였다. 또한 최근 들어 가장 많이 사용되는 4개의 Actor-Critic 알고리즘들에 대해 적용시의 성능비교를 진행하였다. Airsim가상환경 내에서 이러한 훈련을 마친 후, 훈련된 모델은 실제 환경에서의 Bebop 드론을 이용해 실험을 진행하였다. 본 논문의 실험 결과는 시뮬레이션 상에서 훈련된 Neural Network가 훈련 상황과 다른 환경에서도 새로운 훈련없이 장애물 회피 기동을 한다는 것을 보여준다.
Along with the fast progress in deep learning, an autonomous drone with obstacle avoidance capability has been studied mainly by two machine learning paradigms, i.e. supervised learning, and reinforcement learning. The former has some advantages since the trained network is light and fast, but it ne...
Along with the fast progress in deep learning, an autonomous drone with obstacle avoidance capability has been studied mainly by two machine learning paradigms, i.e. supervised learning, and reinforcement learning. The former has some advantages since the trained network is light and fast, but it needs a large amount of data that requires laborious manual labeling. With the latter, such a drawback can be overcome as an agent learns by itself in a simulated environment, although the gap between the real and simulated one has to be minimized in the end. This study proposes a new framework where a supervised segmentation network is trained with labels made by an actor-critic network in a reward-driven manner, wherein this U-Net based network infers the next moving direction from the sequence of input images. For the actor-critic part, several recent policy gradient algorithms have been tested for controlling the drone with the continuous action space. After training in the Airsim simulation environment, the model is transferred to a Bebop drone flying in the real environment, built as a reconfigurable maze using panels and a hoop. The result suggests that our network enables the drone to navigate through the obstacles using only monocular RGB input in the trained environment as well as in the reconfigured ones without retraining.
Along with the fast progress in deep learning, an autonomous drone with obstacle avoidance capability has been studied mainly by two machine learning paradigms, i.e. supervised learning, and reinforcement learning. The former has some advantages since the trained network is light and fast, but it needs a large amount of data that requires laborious manual labeling. With the latter, such a drawback can be overcome as an agent learns by itself in a simulated environment, although the gap between the real and simulated one has to be minimized in the end. This study proposes a new framework where a supervised segmentation network is trained with labels made by an actor-critic network in a reward-driven manner, wherein this U-Net based network infers the next moving direction from the sequence of input images. For the actor-critic part, several recent policy gradient algorithms have been tested for controlling the drone with the continuous action space. After training in the Airsim simulation environment, the model is transferred to a Bebop drone flying in the real environment, built as a reconfigurable maze using panels and a hoop. The result suggests that our network enables the drone to navigate through the obstacles using only monocular RGB input in the trained environment as well as in the reconfigured ones without retraining.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.