PILOT: 부분 관찰 환경에서 자율 드론의 엔드 투 엔드 경로 계획을 위한 특권적 모방 학습

PILOT: Privileged Imitation Learning for End-to-End Motion Planning of Autonomous UAVs under Partial Observability

혼잡한 환경에서의 자율적인 내비게이션은 부분 관찰성과 동적 제약 조건으로 인해 어려움을 겪습니다. 본 논문에서는 시각 기반의 엔드 투 엔드 드론 경로 계획에서 부분 관찰성을 고려한 특권적 모방 학습 프레임워크인 PILOT을 제시합니다. 이 프레임워크는 계산 비용이 많이 드는 최적 제어 전문가 모델로부터 계획 전략을 추출하고, 이식된 정책을 안전 및 동적 요구 사항을 향해 이중 목적 손실 함수를 통해 정규화합니다. 부분 관찰성을 완화하기 위해, 시간 컨볼루션 네트워크(TCN)를 사용하여 과거 깊이 이미지와 오도메트리를 통합하는 시공간 인지 융합 모듈을 개발했습니다. 이 모듈은 과거의 관측 데이터를 기반으로 작업과 관련된 잠재적 정보를 추론하여 즉각적인 시야 범위 이상의 공간 인지 능력을 향상시키며, 지속적인 지도 메모리를 유지하지 않습니다. 또한, 네트워크 출력을 구조화된 경로로 매핑하는 레이어는 학습 중에 명시적인 연속성, 동적 일관성 및 장애물에 대한 페널티를 적용하여 공식적인 보장이 없더라도 새로운 관측 데이터에 대한 제약 조건을 만족하도록 유도합니다. 쿼드콥터 및 고정익 항공기에 대한 시뮬레이션 결과, PILOT은 특권적 전문가 모델과 비교 가능한 성능을 달성하면서 계산 오버헤드를 80% 이상 줄이는 것으로 나타났습니다. 실내 및 실외 환경에서의 성공적인 제로샷 배포는 이 계획기의 실용성과 다양한 도메인에 대한 일반화 가능성을 입증합니다.

Autonomous navigation in cluttered environments is hampered by partial observability and dynamic constraints. This paper presents PILOT, a constraint-aware privileged imitation learning framework for vision-based end-to-end UAV motion planning under partial observability. The framework distills planning strategies from a computationally intensive optimal control expert into a student policy regularized toward safety and dynamic requirements via a dual-objective loss function. To mitigate partial observability, a spatiotemporal perception fusion module using a Temporal Convolutional Network (TCN) is developed to integrate historical depth images and odometry. This module infers task-relevant latent context from historical observations, enhancing spatial awareness beyond the instantaneous FOV without maintaining persistent map memory. A trajectory parameterization layer mapping network outputs to a structured trajectory, while enabling explicit continuity, dynamic-consistency, and obstacle soft penalties during training, encouraging constraint satisfaction for unseen observations without formal guarantees. Simulations on quadrotor and fixed-wing aircraft demonstrate that PILOT achieves performance comparable to the privileged expert while reducing computational overhead by over 80\%. Successful indoor and outdoor zero-shot deployment confirms the practical feasibility and cross-domain generalization of the planner.