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

Abstract

El diseno de algoritmos para sistemas roboticos moviles representa un desafio importante, ya que estos sistemas deben operar en una amplia gama de escenarios no estructurados donde se requiere que el robot interactue con el entorno de manera eficiente. Esta interaccion puede ser critica para los sistemas roboticos aereos, ya que una pequena falla (por ejemplo, tocar un obstaculo durante la navegacion) 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 ejecucion de una mision, la comunidad de investigacion esta evolucionando hacia el desarrollo de soluciones basadas en el aprendizaje y de inspiracion biologica. En esta direccion, la inteligencia artificial y, mas concretamente, los modelos de aprendizaje automatico, estan 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 heuristicas hechas a mano, que son dificiles de adaptar a la amplia gama de escenarios donde deberian operar las plataformas roboticas. En los ultimos anos, el crecimiento de los recursos computacionales ha permitido el uso de tecnicas mas complejas basadas en el aprendizaje. En esta direccion, las tecnicas de aprendizaje profundo se estan investigando ampliamente en la comunidad cientifica, ya que pueden proporcionar modelos no lineales capaces de aprender comportamientos complejos y robustos. En esta direccion, esta tesis presenta diferentes soluciones basadas en el aprendizaje, principalmente basadas en redes neuronales profundas, integradas en capas esenciales en una arquitectura robotica aerea, como la percepcion, el control y la navegacion. En este trabajo, la percepcion se concibe como la tarea de usar datos basados en la vision para el reconocimiento de objetos, que se aborda en esta tesis mediante el diseno de algoritmos tradicionales basados en el aprendizaje y redes mas sofisticadas que tienen como base las redes neuronales convolucionales. Ademas, se agrega un nivel mas alto de inteligencia mediante el diseno de modelos supervisados y semi-supervisados, usando redes siamesas y autoencoders, para detectar anomalias o estados anormales en los objetos reconocidos anteriormente. Con respecto a las tareas de control y navegacion, utilizamos algoritmos de aprendizaje por refuerzo que se entrenan de manera eficiente para realizar tareas de visual servoing y navegacion reactiva. Finalmente, proponemos un sistema versatil de planificacion de misiones capaz de coordinar diferentes subsistemas para realizar misiones totalmente autonomas utilizando diferentes plataformas aereas roboticas. La mayoria de los algoritmos presentados en esta tesis han sido validados en experimentos de simulacion y de vuelo real utilizando diferentes plataformas roboticas aereas. 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.