Inclined Quadrotor Landing using Deep Reinforcement Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21730%2F21%3A00353562" target="_blank" >RIV/68407700:21730/21:00353562 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/IROS51168.2021.9636096" target="_blank" >https://doi.org/10.1109/IROS51168.2021.9636096</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IROS51168.2021.9636096" target="_blank" >10.1109/IROS51168.2021.9636096</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Inclined Quadrotor Landing using Deep Reinforcement Learning

Popis výsledku v původním jazyce

Landing a quadrotor on an inclined surface is a challenging maneuver. The final state of any inclined landing trajectory is not an equilibrium, which precludes the use of most conventional control methods. We propose a deep reinforcement learning approach to design an autonomous landing controller for inclined surfaces. Using the proximal policy optimization (PPO) algorithm with sparse rewards and a tailored curriculum learning approach, an inclined landing policy can be trained in simulation in less than 90 minutes on a standard laptop. The policy then directly runs on a real Crazyflie 2.1 quadrotor and successfully performs real inclined landings in a flying arena. A single policy evaluation takes approximately 2.5 ms, which makes it suitable for a future embedded implementation on the quadrotor.

Název v anglickém jazyce

Inclined Quadrotor Landing using Deep Reinforcement Learning

Popis výsledku anglicky

Landing a quadrotor on an inclined surface is a challenging maneuver. The final state of any inclined landing trajectory is not an equilibrium, which precludes the use of most conventional control methods. We propose a deep reinforcement learning approach to design an autonomous landing controller for inclined surfaces. Using the proximal policy optimization (PPO) algorithm with sparse rewards and a tailored curriculum learning approach, an inclined landing policy can be trained in simulation in less than 90 minutes on a standard laptop. The policy then directly runs on a real Crazyflie 2.1 quadrotor and successfully performs real inclined landings in a flying arena. A single policy evaluation takes approximately 2.5 ms, which makes it suitable for a future embedded implementation on the quadrotor.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

ISBN

978-1-6654-1714-3

ISSN

2153-0858

e-ISSN

2153-0866

Počet stran výsledku

8

Strana od-do

2361-2368

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Praha

Datum konání akce

27. 9. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000755125501123