드론의 자율 주행 제어를 위한 AI 기반의 속도 제어 학습 모델 설계 및 학습 파이프 라인 구축
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 속도 기반의 자율 드론 비행을 위한 AI 학습 파이프라인을 제안한다. 제안하는방법은 지도학습 기반 모델을 활용하여 드론의 현재 상태 정보(속도 및 방향)와 미래의 경로 정보를 결합하여 실시간으로 속도 명령을 예측하는 구조를 가진다. LSTM 기반의 하이브리드 모델을통해 호버링, 직선비행, 선회, 상승/하강, 장애물 회피, 이착륙과 같은 다양한 비행 패턴을 분류하고, 이를 바탕으로 비행 상황에 유연하게 반응할 수 있는 속도 명령을 생성하는 구조를 가진다. 이를통해 복잡하고 동적인 환경에서 자연스럽고 효율적인 경로 추종을 이끌어 낼 수 있을 것이다. 모델구조는 ROS 2 및 PX4 기반의 실시간 자율비행 환경에 적용가능한 모델로 평가 결과 RMSE 0.0347, MAE 0.0225, R² 98.67%의 성능을 보여주고 있다. 다양한 드론 비행 모드를 인식하고 현재의 드론의 위치와 속도를 기반으로 이동할 경로에 대한 속도를 계산하고 운행하는 구조로 드론의 자연스러운 흐름제어를 바탕으로 경로에 유연하기 반응하는 제어 명령을 생성할 수 있을 것이다.
Abstract
In this paper, we propose an AI-based learning pipeline for velocity-based autonomous drone navigation. The proposed method utilizes a supervised learning approach that integrates the drone's current state information (velocity and orientation) with future path data to predict velocity commands in real-time. The hybrid LSTM-based model classifies diverse flight patterns such as hovering, straight flight, turning, ascending/descending, obstacle avoidance, and takeoff/landing, generating adaptive velocity commands suitable for different flight scenarios. Consequently, this method enables smooth and efficient path following in complex and dynamic environments. Evaluated within ROS 2 and PX4 simulation environments, the proposed model demonstrates excellent performance metrics, including RMSE of 0.0347, MAE of 0.0225, and an R² of 98.67%. By recognizing various drone flight modes and dynamically calculating appropriate velocities based on current position and speed, the method ensures natural trajectory control and responsive maneuverability.