Learning-Based Perception, Control, and Navigation for Autonomous Missions in Aerial Robotics

Sampedro Pérez, Carlos (2019). Learning-Based Perception, Control, and Navigation for Autonomous Missions in Aerial Robotics. Thesis (Doctoral), E.T.S.I. Industriales (UPM). https://doi.org/10.20868/UPM.thesis.57709.

Description

Title: Learning-Based Perception, Control, and Navigation for Autonomous Missions in Aerial Robotics
Author/s:
  • Sampedro Pérez, Carlos
Contributor/s:
  • Campoy Cervera, Pascual
Item Type: Thesis (Doctoral)
Date: 2019
Subjects:
Faculty: E.T.S.I. Industriales (UPM)
Department: Automática, Ingeniería Eléctrica y Electrónica e Informática Industrial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (11MB) | Preview

Abstract

El diseño de algoritmos para sistemas robóticos móviles representa un desafío importante, ya que estos sistemas deben operar en una amplia gama de escenarios no estructurados donde se requiere que el robot interactúe con el entorno de manera eficiente. Esta interacción puede ser crítica para los sistemas robóticos aéreos, ya que una pequeña falla (por ejemplo, tocar un obstáculo durante la navegación) puede comprometer la seguridad de todo el sistema. Para lograr comportamientos complejos que puedan manejar el amplio espectro de situaciones que pueden ocurrir durante la ejecución de una misión, la comunidad de investigación está evolucionando hacia el desarrollo de soluciones basadas en el aprendizaje y de inspiración biológica. En esta dirección, la inteligencia artificial y, más concretamente, los modelos de aprendizaje automático, están adquiriendo una importancia significativa debido a su versatilidad para trabajar en una amplia gama de condiciones. Estos modelos son capaces de aprender directamente de los datos, evitando el uso de heurísticas hechas a mano, que son difíciles de adaptar a la amplia gama de escenarios donde deberían operar las plataformas robóticas. En los últimos años, el crecimiento de los recursos computacionales ha permitido el uso de técnicas más complejas basadas en el aprendizaje. En esta dirección, las técnicas de aprendizaje profundo se están investigando ampliamente en la comunidad científica, ya que pueden proporcionar modelos no lineales capaces de aprender comportamientos complejos y robustos. En esta dirección, esta tesis presenta diferentes soluciones basadas en el aprendizaje, principalmente basadas en redes neuronales profundas, integradas en capas esenciales en una arquitectura robótica aérea, como la percepción, el control y la navegación. En este trabajo, la percepción se concibe como la tarea de usar datos basados en la visión para el reconocimiento de objetos, que se aborda en esta tesis mediante el diseño de algoritmos tradicionales basados en el aprendizaje y redes más sofisticadas que tienen como base las redes neuronales convolucionales. Además, se agrega un nivel más alto de inteligencia mediante el diseño de modelos supervisados y semi-supervisados, usando redes siamesas y autoencoders, para detectar anomalías o estados anormales en los objetos reconocidos anteriormente. Con respecto a las tareas de control y navegación, utilizamos algoritmos de aprendizaje por refuerzo que se entrenan de manera eficiente para realizar tareas de visual servoing y navegación reactiva. Finalmente, proponemos un sistema versátil de planificación de misiones capaz de coordinar diferentes subsistemas para realizar misiones totalmente autónomas utilizando diferentes plataformas aéreas robóticas. La mayoría de los algoritmos presentados en esta tesis han sido validados en experimentos de simulación y de vuelo real utilizando diferentes plataformas robóticas aéreas. Los resultados obtenidos en los diferentes experimentos realizados a lo largo de esta tesis demuestran las capacidades robustas proporcionadas por los sistemas basados en el aprendizaje. Estos algoritmos han demostrado que aprenden comportamientos complejos que pueden ayudar en situaciones donde los algoritmos tradicionales pueden presentar limitaciones. ----------ABSTRACT---------- The design of algorithms for mobile robotic systems represents a significant challenge since these systems should operate in a wide range of unstructured scenarios where the robot is required to interact with the environment efficiently. This interaction can become critical for aerial robotic systems since a small failure (e.g., touching an obstacle during navigation) can compromise the security of the entire system. In order to achieve complex behaviors able to handle the wide spectrum of situations that can occur during the execution of a mission, the research community is evolving towards the development of biologically-inspired and learning-based solutions. Artificial intelligence, and more concretely machine learning models, are gaining significant importance owing to their versatility for working in the wide range of conditions where mobile robotic systems have to operate. These models are capable of learning directly from data, avoiding the use of handcrafted heuristics. In recent years, the growth of computational resources has permitted the usage of more complex learning-based techniques. In this direction, deep learning techniques are being widely researched in the scientific community since they can provide non-linear models capable of learning complex and robust behaviors. To this aim, this thesis presents different learning-based solutions, primarily based on deep neural networks, integrated into essential layers in an aerial robotic architecture, such as perception, control, and navigation. In this work, perception is conceived as the task of using vision-based data for object detection, which is addressed in this thesis by designing traditional learning-based algorithms and more sophisticated fully convolutional networks. In addition, a higher level of intelligence is added by designing supervised and semisupervised models, using siamese networks and autoencoders, for detecting anomalies or abnormal states in the objects previously detected. Regarding the control and navigation tasks, we use deep reinforcement learning algorithms which are efficiently trained for visual servoing and target-driven reactive navigation. Finally, we propose a versatile mission planning system capable of coordinating different subsystems for performing fullyautonomous missions in dynamic and unstructured scenarios. Most of the algorithms presented in this thesis have been validated in simulation and real-flight experiments using different aerial robotic platforms. The results obtained in the different experiments conducted throughout this thesis demonstrate the robust capabilities provided by learning-based systems. These algorithms have proven to learn complex behaviors which can help in situations where traditional algorithms can present limitations.

More information

Item ID: 57709
DC Identifier: http://oa.upm.es/57709/
OAI Identifier: oai:oa.upm.es:57709
DOI: 10.20868/UPM.thesis.57709
Deposited by: Archivo Digital UPM 2
Deposited on: 20 Jan 2020 06:28
Last Modified: 20 Jul 2020 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM