Learning Path Constraints for UAV Autonomous Navigation under Uncertain GNSS Availability - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Learning Path Constraints for UAV Autonomous Navigation under Uncertain GNSS Availability

Résumé

This paper addresses a safe path planning problem for UAV urban navigation, under uncertain GNSS availability. The problem can be modeled as a POMDP and solved with sampling-based algorithms. However, such a complex domain suffers from high computational cost and achieves poor results under real-time constraints. Recent research seeks to integrate offline learning in order to efficiently guide online planning. Inspired by the state-of-the-art CAMP (Context-specific Abstract Markov decision Process) formalization, this paper proposes an offline process which learns the path constraint to impose during online POMDP solving in order to reduce the policy search space. More precisely, the offline learnt constraint selector returns the best path constraint according to the GNSS availability probability in the environment. Conclusions of experiments, carried out for three environments, show that using the proposed approach allows to improve the quality of a solution reached by an online planner, within a fixed decision-making timeframe, particularly when GNSS availability probability is low.
Cet article adresse un problème de planification de chemin sûr pour la navigation de drone en environnement urbain, sous une disponibilité du GNSS incertaine. Le problème peut être modélisé comme un POMDP et résolu en utilisant des algorithmes à base d’échantillonnage. Cependant, un domaine aussi complexe souffre d’un coût de calcul important et atteint des résultats médiocres sous des contraintes temps-réel. Des recherches récentes visent à intégrer un apprentissage hors ligne afin de guider de manière efficace la planification en ligne. Inspiré par la formalisation de l’état de l’art CAMP (Context-specific Abstract Markov decision Process), cet article propose de réaliser une étape d’apprentissage hors ligne de contrainte sur le chemin et d’appliquer le résultat pour réduire l’espace de recherche de politique pendant la résolution en ligne du POMDP. Plus précisément, le sélecteur de la meilleure contrainte est appris de manière hors ligne et il est utilisé pour sélectionner la contrainte à imposer, pendant la planification en ligne, en fonction des caractéristiques de la tâche, i.e. la probabilité de disponibilité du GNSS dans notre cas d’application. Les conclusions des expériences menées pour différents environnements montrent qu’utiliser l’approche proposée permet d’améliorer la qualité d’une solution atteinte par un planificateur en ligne, en particulier lorsque la probabilité de disponibilité du GNSS est faible.
Fichier principal
Vignette du fichier
Zaninotti_Lesire_2022.pdf (1014.95 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03820049 , version 1 (18-10-2022)

Identifiants

  • HAL Id : hal-03820049 , version 1

Citer

Marion Zaninotti, Charles Lesire, Yoko Watanabe, Caroline P C Chanel. Learning Path Constraints for UAV Autonomous Navigation under Uncertain GNSS Availability. 17es Journées Francophone Planification, Décision et Apprentissage, Jun 2022, Saint-Etienne, France. ⟨hal-03820049⟩
69 Consultations
61 Téléchargements

Partager

Gmail Facebook X LinkedIn More