Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
공유 복셀 맵과 다중 에이전트 Soft Actor-Critic(MASAC)을 결합하여 실내 UAV의 협력적 유도를 구현하는 프레임워크를 제안합니다. LiDAR 데이터를 통합된 BEV 맵으로 변환하여 분산 제어를 수행하며, 시뮬레이션과 실제 환경 모두에서 높은 성공률을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기본 논문은 공유 복셀 맵 (voxel-map) 월드 모델과 다중 에이전트 Soft Actor-Critic (MASAC) 컨트롤러를 결합한 협력적 실내 UAV 유도 프레임워크를 제시합니다. 여러 대의 드론은 360도 LiDAR 관측 데이터를 공통의 월드 프레임 점유 지도 (occupancy map)로 융합하며, 이는 압축된 조감도 (bird's-eye-view, BEV) 표현으로 변환되어 각 에이전트에게 에고 정렬된 (ego-aligned) 로컬 크롭 형태로 제공됩니다. 이러한 '월드 내 통합, 에고 내 행동 (integrate-in-world, act-in-ego)' 설계는 분산된 연속 제어를 유지하면서도 일관된 다중 UAV 공간 융합을 가능하게 합니다. 정책 (policy)은 중앙 집중식 학습, 분산 실행 (centralised-training, decentralised-execution) 프레임워크 내에서 BEV 맵 특징, 근접 장애물 관측, 그리고 압축된 목표 및 동료 상태 정보를 결합합니다. 시뮬레이션에서 학습된 컨트롤러는 복도 항법에서 90.3%의 성공률을 달성하며, Astar 플래닝, 인공 퍼텐셜 필드 (artificial potential field) 컨트롤러 및 이전 유도 방법을 능가했습니다. 잔여 sim-to-real 불일치 문제를 해결하기 위해, 시뮬레이션에서 학습된 정책은 실제 데이터로부터의 오프라인 모방 미세 조정 (offline imitation fine-tuning)을 사용하여 추가로 적응되었습니다. GNSS가 차단된 실내 환경에서의 실제 실험은 점점 더 도전적인 장애물 배치에서도 안정적인 2-UAV 협력 운용을 입증했습니다. 결과는 공유 복셀 맵 표현이 학습된 협력적 실내 UAV 유도를 위한 효과적이고 확장 가능한 공간적 기질 (spatial substrate)을 제공함을 보여줍니다.