DYNAMIC PATH PLANNING BASED ON NEURAL NETWORKS FOR AERIAL INSPECTION

Abstract

Unmanned Aerial Vehicles (UAVs) are a suitable solution to automate inspections on large structures that require periodic inspections due to their flexibility of flight and preventing risks to humans. However, the inspected environment could be complex and highly dynamic. Therefore, tridimensional path planners are crucial in aerial tasks. Different kinds of 3D path planning were developed in the last years, and most of them are classified as heuristic methods. A drawback of these traditional methods is that computational time depends on the environment’s complexity and scale. Path planning based on Neural Networks (NNs) arises from overcoming these algorithms’ bottlenecks. In this sense, this work proposes a novel deep learning structure to perform real-time path planning in an unknown environment. The strategy was developed to generate an initial database used for training and validate the results in a simulated environment using Gazebo/ROS software. The results showed that the network topology and the training method obtained satisfactory performance to be applied in a real-world scenario.

Veículos Aéreos Não Tripulados (VANTs) são uma solução adequada para realização de inspeções autônomas em grandes estruturas que necessitam ser vistoriadas periodicamente, devido à sua flexibilidade de voo e baixo risco de acidentes envolvendo seres humanos. Como o ambiente inspecionado pode ser complexo e altamente dinâmico, faz-se necessário o uso de planejadores de rotas tridimensionais, que são cruciais para a execução de tais inspeções. Diferentes tipos de estratégias foram desenvolvidos nos últimos anos, sendo a maioria baseadas em métodos heurísticos. A desvantagem desses métodos tradicionais é que o custo computacional aumenta, dependendo da complexidade e da escalabilidade do ambiente. O planejamento de rotas baseado em Redes Neurais (NNs) surge como alternativa para suprir as desvantagens desses algoritmos.Nesse sentido, este trabalho propõe uma nova estratégia utilizando redes neurais profundas para realizar o planejamento de rotas em tempo real em um ambiente tridimensional totalmente desconhecido. O método foi desenvolvido para gerar, inicialmente, um banco de dados a ser utilizado durante o treinamento da rede e a sua performance validada em um ambiente simulado utilizando o software Gazebo/ROS. Os resultados mostraram que a topologia da rede e o método de treinamento obtiveram desempenho satisfatório e possuem aplicabilidade em um cenário real.