Mehrfach-Aufgaben-basiertes Regressionslernen für die Flugsteuerung autonomer unbemannter Luftfahrzeuge in unstrukturierten Außenumgebungen

Die steigende Entwicklung im Bereich der globalen unbemannten Fluggeräte (UAV) (Drohnen) hat die Möglichkeiten für voll autonom arbeitende UAV-Anwendungen erweitert. Eine spezielle Anwendung, die diesen Forschungen teilweise zugrunde liegt, ist die Nutzung von UAVs bei Such- und Überwachungsoperationen in großen Gebieten in strukturierten Freilandszenarien. Das entscheidende Problem solcher Umgebungen ist das Fehlen strukturierter Merkmale, die bei autonomen Flügen helfen könnten, wie z.B. Straßenmarkierungen oder Wege. In dieser Arbeit schlagen wir einen end-to-end mehrfach gesteuerten Regressionsbasierten Lernansatz vor, der in der Lage ist, Flugbefehle für Navigation und Exploration unter dem Waldbaldachin zu definieren, unabhängig von der Anwesenheit von Wegen oder zusätzlichen Sensoren (z.B. GPS). Trainings- und Testprozesse werden mit einem Software-in-the-Loop-Pipeline durchgeführt, die eine detaillierte Bewertung gegenüber den neuesten Stand der Technik bei Pose-Schätzungstechniken ermöglicht. Unsere umfangreichen Experimente zeigen, dass unser Ansatz hervorragend darin ist, eine dichte Exploration innerhalb des erforderlichen Suchradius durchzuführen, größere Suchbereiche abdecken kann, sich auf bisher unbekannte und unerforschte Umgebungen verallgemeinert und moderne Stand-der-Technik-Methoden übertrifft.