AlphaPilot: Autonomous Drone Racing
원문 초록
This paper presents a novel system for autonomous, vision-based drone racing combining learned data abstraction, nonlinear filtering, and time-optimal trajectory planning. The system has successfully been deployed at the first autonomous drone racing world championship: the 2019 AlphaPilot Challenge. Contrary to traditional drone racing systems, which only detect the next gate, our approach makes use of any visible gate and takes advantage of multiple, simultaneous gate detections to compensate for drift in the state estimate and build a global map of the gates. The global map and drift-compensated state estimate allow the drone to navigate through the race course even when the gates are not immediately visible and further enable to plan a near time-optimal path through the race course in real time based on approximate drone dynamics. The proposed system has been demonstrated to successfully guide the drone through tight race courses reaching speeds up to 8m/s and ranked second at the 2019 AlphaPilot Challenge.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
장애물 회피를 위한 자기지도 생물 모방 로봇 궤적 계획
Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance
궤적 계획(trajectory planning)은 로봇공학의 근본적인 문제로, 잠재적으로 복잡한 환경에서 충돌 없고 효율적인 궤적을 생성해야 한다. 샘플링 기반 플래너가 여전히 지배적인 접근법이지만, 특히 고차원 공간과 장애물이 풍부한 환경에서는 계산 비용이 크다. 모델 학습 기반 방법은 신경망 궤적 플래너에 대한 제한된 횟수의 순전파(forward pass)를 통해 효율적인 계획을 가능하게 하는 유망한 대안을 제공하지만, 탐험 또는 전문가 시연에 의존하기 때문에 낮은 샘플 효율성(sample efficiency)이나 제한된 일반화 문제를 흔히 겪는다. 본 후속 연구는 장애물이 포함된 환경에서 순방향 모델(forward model)과 역방향 모델(inverse model)을 내부 감독 메커니즘으로 활용하는 궤적 계획을 위한 신경-생물학적 영감(neuro-inspired) 자기지도 학습(self-supervised learning) 프레임워크를 검증한다. 실험 결과는 이 접근법의 실현 가능성을 보여주면서, 우리 플래너가 순방향 모델과 역방향 모델이 제공하는 학습 신호를 악용하는 경향을 드러낸다. 이 문제를 해결하기 위해 추가적인 학습 체계와 완화(mitigation) 전략을 제안하고 평가한다.
웨이포인트를 넘어서: 비전-언어 내비게이션을 위한 궤적 중심 웨이포인팅 패러다임
Beyond Waypoints: A Trajectory-Centric Waypointing Paradigm for Vision-Language Navigation
연속 환경에서의 비전-언어 내비게이션(VLN-CE)은 에이전트가 실제 환경과 유사한 공간에서 자연어 지시를 따라 탐색하도록 요구한다. 대부분의 VLN-CE 접근법은 3단계 프레임워크를 채택한다: 웨이포인트 예측기가 이동 가능한 웨이포인트를 제안하고, 내비게이터가 최적 웨이포인트를 선택하며, 저수준 컨트롤러가 해당 웨이포인트로의 이동을 실행한다. 그러나 이러한 분리된 패러다임은 도달 불가능한 웨이포인트를 생성하거나 계획과 제어 간의 불일치를 초래하는 경우가 많다. 본 연구에서는 고립된 웨이포인트를 예측하는 대신, 각 후보 웨이포인트를 실행 가능한 궤적에 기반하는 궤적 웨이포인트(Trajectory Waypoint)라는 새로운 패러다임을 제안한다. 이를 실현하기 위해, TSDF 기반 확산 정책(diffusion policy)으로 정식화된 궤적 웨이포인트 예측기를 설계하였으며, 이는 궤적 생성 시 장애물을 회피하도록 유도함으로써 예측된 웨이포인트의 도달 가능성을 본질적으로 보장한다. 나아가, 관련 궤적을 계획의 추가 정보로 주입하는 궤적 강화 내비게이터를 제안하여 고수준 의미론적 결정과 저수준 실행 간의 엄격한 일관성을 가능하게 한다. VLN-CE 벤치마크에 대한 광범위한 실험 결과, 궤적 웨이포인트 패러다임이 기준 모델 대비 우수한 성능을 달성함을 보인다.
윤리와 보상이 갈라질 때: 도덕적으로 민감한 사회적 딜레마에서의 LLM 에이전트
When Ethics and Payoffs Diverge: LLM Agents in Morally Charged Social Dilemmas
최근 LLM의 발전으로 인간이나 다른 에이전트와의 의사결정을 포함하는 복잡한 에이전트 역할에 LLM을 활용할 수 있게 되면서, 윤리적 정렬(alignment)이 중요한 관심사가 되었다. 기존 연구는 LLM의 도덕적 판단과 전략적 행동을 각각 따로 다루어 왔지만, 도덕적 명령이 이익 추구와 직접 충돌할 때 LLM이 어떻게 행동하는지에 대한 이해는 제한적이다. 우리는 \msimfull (\msim)을 도입하여, 9개 모델에 걸쳐 도덕적 프레이밍, 상대 행동, 생존 압력을 변화시키며 도덕적으로 민감한 맥락에 내재된 죄수의 딜레마(prisoner's dilemma)와 공공재 게임(public goods game)에서 LLM이 어떻게 행동하는지 평가한다. 행동 측정을 넘어, 평균 처리 효과(ATE)를 통해 각 요인의 인과 효과를 추정하고, 에이전트 자체의 추론 trace를 분석하여 선택 뒤에 있는 동기를 특성화한다. 어떤 모델도 일관되게 도덕적이지 않으며, 협력률은 7.9\%에서 76.3\%까지 분포한다는 것을 발견했다. 게임 구조와 도덕적 프레이밍이 도덕적 행동의 가장 강한 인과적 동인이며, 추론 trace 분석은 모델마다 뚜렷한 동기 프로필을 드러낸다. 이는 주로 보상 최대화(payoff-maximizing)부터 도덕적·평판 지향적 성향까지 다양하다. 이 결과들은 현재 LLM의 도덕적 행동이 상황에 따라 쉽게 흔들린다는 점과, 이익 추구가 윤리적 지침과 충돌하는 환경에 LLM을 배치할 때의 위험을 드러낸다.
STRUCTSENSE: A Task-Agnostic Agentic Framework for Structured Information Extraction with Human-In-The-Loop Evaluation and Benchmarking
AI Research Agents for Machine Learning: Search, Exploration, and Generalization in MLE-bench
Epona: Autoregressive Diffusion World Model for Autonomous Driving
토론
이 논문과 연결된 포럼 글이 아직 없습니다.