| 研究課題/領域番号 |
20H02354
|
|---|
| 研究機関 | 九州大学 |
|---|
研究代表者 |
外本 伸治 九州大学, 工学研究院, 教授 (80199463)
|
|---|
| 研究分担者 |
坂東 麻衣 九州大学, 工学研究院, 教授 (40512041)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2024-03-31
|
| キーワード | 自律飛行システム / ドローン / 障害物検知 / 障害物回避 / 観測ネットワーク |
|---|
| 研究実績の概要 |
2021年度予算の一部を繰り越して購入した実験装置が実際に納入されたのは8月下旬で、その後に装置の取り扱い法を習得し、実験検証のためのキャリブレーションを実施した。その結果、実験の準備のために時間を要したため、2022年度において実験装置を用いた研究項目の実施は、かなり限られたものに留まった。ただし、実験できた結果については、数値計算との比較ができたのでその成果の一部を国内学会にて発表した。
また、障害物までの距離推定・形状推定において課題となっていた2台のカメラ位置に対する制約に対しては、位置制約を受けない一般的な推定法を導出した。さらに、それを用いてカメラ位置と推定精度との関係を調べている過程で、距離推定の原理が従来考えていたものと違うと思われる結果が得られた。そこで、距離が推定できる原理について再度検討し、仮説を立て、その仮説の妥当性を数値計算で検証した。またその仮説を用いて、カメラを搭載するのに適した位置に対する指針を作成した。これらの考察や結果は、国際会議において発表した。
さらに、能動的３次元観測ネットワークについては、ドローンの動特性として運動慣性を考慮する手法を検討した。学習プロセスにおける状態として、ドローン間の相対位置だけでなくドローンの速度も含めると、急激な方向変換が避けられるように学習されることを示した。また、周囲ドローンとの相対位置に対しても、最近傍ドローンだけでなく、近傍にあるすべてのドローンとの相対位置から移動ベクトルを学習するように、学習アルゴリズムを一般化した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
実験装置を用いた検証については、装置の納期が遅れ、キャリブレーションにも時間を要したため、一部の研究項目のみに対してしか実験検証は行えなかった。さらに、その実験検証の過程で、改修したセンサのflow抽出プログラムにおいて不具合が生じることが判明し、問題が解決されない限りは、実験可能な飛行状況が制約されることが分かった。
そこで実験装置を用いない研究項目として、障害物までの距離・形状推定において、カメラ位置の制約を受けないアルゴリズムを作成し、カメラ配置と推定精度との関係を調べた。その結果、従来考えていた原理では推定できないカメラ配置に対しても、距離推定が可能なことが分かった。そこで、推定原理について再度検討し、その原理についての仮説を立てた。仮説の妥当性を確認するために数値計算にて推定精度を調べたところ、仮説を裏付ける結果が得られ、仮説を妥当と考える根拠を得た。さらにその仮説から、カメラを搭載するのに適した位置に対する指針を作成することができた。
能動的３次元観測ネットワークについては、前年度の結果ではドローンの運動慣性や飛行特性が考慮されていないため、ドローンが急に進行方向を変えることが頻繁に生じた。そこで、学習プロセスにおける状態として、周囲ドローンとの相対位置だけでなく、現在の飛行速度も含めて次の移動を学習させるようにした。その結果、ドローンの急激な方向変換が少なくなることが分かった。また、ドローンの移動を学習する際の相対位置については、前年度までは最近接ドローンとの相対位置だけを用いていたが、それ以外のドローンとの相対位置も考慮できるようにした。その結果、周囲ドローンとの相対位置がより一般的な場合に対しても学習できるようになった。
|
| 今後の研究の推進方策 |
実験装置の納入遅れに伴い先送りしている実験検証を急ぎ、予定していた研究項目を実施することが重要である。ただし、現在までの進捗状況で述べたように、flowを抽出プログラムに不具合があることが判明したため、これを解決することが必要である。もしこの解決が難しければ、その不具合が支障を来さない運動条件の下で実験検証を実施することになる。また、実際のドローンにoptic flowセンサを搭載する場合は、ローターの回転に伴う振動がoptic lowに影響を及ぼすことが考えられる。そこで、flowセンサのプログラム改修が終われば、実機に搭載しての実験検証が必要である。
能動的３次元観測ネットワークについては、実用的なドローンネットワークという観点からは、ドローンの動特性・飛行性能を考慮することは必須である。今年度検討したように、飛行速度を状態に加えることも一つの方法ではあるが、状態の次元が大きくなるため、学習に要する時間が長くなることは避けられない。そこで、学習に要する時間がほとんど影響を受けないように、方策ベースの学習における確率的方策関数としてドローンの動特性を取り込むことができないかを検討する。
また、これまではドローンネットワークのミッションの目的を、代表例として環境に応じた適応的散開を典型として検討してきた。しかし、ミッション目的には散開以外にもターゲットの追跡やフォーメーションによる観測など、いろいろ考えられる。そこで、ミッション目的に応じた報酬の考え方について検討し、能動的観測ネットワークが広範囲の目的に適用できるようになることを目指す。
|
