Aprendizaje por imitación en contexto para navegación de VANT mediante modelo de difusión en grafos
Palabras clave:
aprendizaje por imitación, redes neuronales en grafos, modelos de difusión, navegación de drones, aprendizaje en contextoResumen
Este trabajo presenta una adaptación de Instant Policy (Vosylius & Johns, 2025), un marco de aprendizaje por imitación en contexto (ICIL) basado en difusión sobre grafos, al dominio de navegación de vehículos aéreos no tripulados (VANT) utilizando como referencia el cuadricóptero Crazyflie 2.1 (Bitcraze AB, 2023). El trabajo original aborda tareas de manipulación robótica con gripper; la contribución de este trabajo extiende el enfoque a cuatro tareas de navegación: volar a un marcador, inspeccionar objeto, aterrizar en plataforma y evasión de obstáculos con alcance de objetivo. Se reformula la representación de grafo heterogéneo para acomodar el estado del drone (posición y orientación) y los objetos del entorno 3D. Se introduce un generador de pseudodemostraciones con dinámica simplificada, cuyos parámetros se basan parcialmente en las especificaciones públicas del Crazyflie 2.1, como fuente de datos de entrenamiento. Los resultados muestran que Instant Policy alcanza distancias mínimas al objetivo equivalentes a las del baseline de Behavioral Cloning (BC) en todas las tareas, produciendo trayectorias cualitativamente más ricas. Se discuten limitaciones y direcciones futuras.
Descargas
Referencias
Bitcraze AB. (2023). Crazyflie 2.1 technical specifications. https://www.bitcraze.io/products/crazyflie-2-1-plus/
Fey, M., & Lenssen, J. E. (2019). Fast graph representation learning with PyTorch Geometric. In ICLR Workshop on Representation Learning on Graphs and Manifolds. https://doi.org/10.48550/arXiv.1903.02428
Hamilton, W. L., Ying, Z., & Leskovec, J. (2017). Inductive representation learning on large graphs. Advances in Neural Information Processing Systems, 30. https://proceedings.neurips.cc/paper/2017/hash/5dd9db5e033da9c6fb5ba83c7a7ebea9-Abstract.html
Ho, J., Jain, A., & Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems, 33, 6840–6851. https://proceedings.neurips.cc/paper/2020/hash/4c5bcfec8584af0d967f1ab10179ca4bAbstract.html
Panerati, J., Zheng, H., Zhou, S., Xu, J., Prorok, A., & Schoellig, A. P. (2021). Learning to fly —A gym environment with PyBullet physics for reinforcement learning of multi-agent quadcopter control. In 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (pp. 7512–7519). IEEE. https://doi.org/10.1109/IROS51168.2021.9635857
Vosylius, V., & Johns, E. (2025). Instant policy: In-context imitation learning via graph diffusion. In International Conference on Learning Representations (ICLR). https://doi.org/10.48550/arXiv.2411.12633
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Miguel Augusto Azar
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
