xiewf的博客

在本文中，我们提出了一种在已知环境中使用无人旋翼微型飞行器 (MAV) 进行低空地形覆盖的路径规划器。机载系统可以通过使用摄像机、探地合成孔径雷达 (GPSAR) 和金属探测器调查可疑危险区域 (SHA) 来协助人道主义排雷。大多数可用的 MAV 覆盖规划器实现不考虑障碍物，因此不能部署在有障碍的环境中。我们描述了一个开源框架，用于在有障碍物的多边形飞行走廊中执行覆盖规划。

本文详细介绍了一种地空双模式车辆的自主自适应导航（Terrestrial-Aerial Bimodal Vehicles，TABV）框架，该框架结合了空中车辆的高机动性和地面车辆的长续航能力，实现了车辆的完全自主性。分层运动规划器和运动控制器。分层运动规划器首先搜索地空混合路径，然后通过B样条优化将其优化为安全、平稳和动态可行的轨迹。这种规划方法不仅保证车辆在未知环境中的安全行驶，还能节约能源。在不需要飞越极端地形时，地面路径被优先选择，从而实现了节能效果。

标题：Local Motion Planner for Autonomous Navigation in Vineyards with a RGB-D Camera-Based Algorithm and Deep Learning Synergy作者：Diego Aghi , Vittorio Mazzia and Marcello Chiaberge来源：https://arxiv.org/abs/2005.12815代码：无文章目录前言一、简介二、原理1.基于深度图的连续性控制2.基于离散.

标题：Fast-Tracker2.0: Improving Autonomy of Aerial Tracking with Active Vision and Human Location Regression作者：Neng Pan, Ruibin Zhang, Tiankai Yang, Chao Xu, Fei Gao来源：https://arxiv.org/abs/2103.06522代码：暂无文章目录摘要主要贡献一、原理1. 空中跟踪系统2. 目标预测与跟踪轨迹规划3. 人类检测与定位.

为了实现无人地面车辆（UGV）的自主性，已经做出了巨大的努力，准确地表示环境是实现这种自主性的基本前提。二维平面UGV导航[1]的映射方法，例如乘员网格映射，已经取得了巨大的成功。但是，假设周围环境是平面的，则在许多情况下都会限制无人飞行器的能力。可穿越性映射[2]将可变高度地形的区域分类为可穿越或不可穿越，它成为启用3D环境中自主导航的有用工具，因为它可以解决崎岖地形和复杂结构的存在。摄像机[3、4]，激光雷达[5、6]或两者[7、8、9]的组合通常用于映射3D地形。

我们提出一种计划方法，以在混乱复杂的环境中实现快速自主飞行。通常，在复杂环境中进行自主导航需要对由k连接的网格或概率方案生成的图进行连续搜索。当车辆行驶时，用来自车载传感器的数据更新图是昂贵的，尤其是在路径必须是运动学上可行的情况下，在图上的搜索也是如此。我们建议避免在线搜索以减少计算复杂度。我们的方法在两个单独的区域中对环境进行了不同的建模。障碍被认为在传感器范围内是确定性已知的，而在传感器范围之外是概率已知的。该方法不是搜索成本最低的路径（通常是最短的路径），而是最大化确定导航下一步的目标的可能性。

规划是自主机器人导航的基础之一。在本文中，我们介绍了一个用于移动机器人导航的开源计划程序，称为“”，它由全局路径规划程序行为状态生成器和局部规划程序组成。Open Planner需要一张地图和一个目标位置，以计算并执行全局路径，同时避免障碍。它还可以触发行为，例如在交通信号灯处停车。在考虑了在地图中标注的交通费用之后，全球规划师会生成平滑的全局路径作为参考。本地计划器生成平滑，无障碍的局部轨迹，轨迹跟踪器将其用于实现低水平控制。

标题：Fast-Tracker2.0: Improving Autonomy of Aerial Tracking with Active Vision and Human Location Regression作者：Neng Pan, Ruibin Zhang, Tiankai Yang, Chao Xu, Fei Gao来源：https://arxiv.org/abs/2103.06522代码：暂无文章目录摘要一、pandas是什么？二、使用步骤1.引入库2.读入数据总结摘要一、p.

我们提出了一种高效地探索高度复杂环境的方法。该方法包含两个规划阶段 ，扩展地图边界的探索阶段和将机器人明确转移到环境中不同子区域的重定位阶段。探索阶段发展局部快速探索随机树（RRT） 环境的自由空间，以及重定位阶段通过映射环境来维护一张全局地图，都是动态扩展的过度重规划步骤。通过将该方法与现有先进的前沿算法在各种具备挑战性的模拟和真实环境中进行实验对比，实验结果比较表明，我们的方法在使用较少处理的空间探索空间方面的效率是现有方法的两倍。此外，我们发布了一个基准环境来评估探索算法并促进自主导航系统的开发。

在移动机器人的自主导航中，传感器在复杂的环境中可能会遭到大量的遮挡，从而会给规划过程带来大量未知的空间。在实际情况中，在未知空间中进行规划是无法同时满足轨迹的安全性和侵略性要求。但对于人类来说，通过局部观察来推断障碍物的确切形状，并生成非保守的轨迹，就可以避免在封闭空间内发生可能的碰撞。为了模仿人类这一行为，本文提出了一种基于深度神经网络的方法，可以可靠地预测未知空间的占据情况。具体来说，所提出的方法利用环境的上下文信息并且从先验中学习以预测被遮挡空间中的障碍物分布。

在本研究章节中，我们介绍了我们在通用网格地图库上的工作，该库用作移动机器人的映射框架。它设计用于广泛的应用，例如在线表面重建和用于粗糙地形导航的地形解释。我们的软件具有多层地图，地图边界的计算效率高的重新定位以及与现有ROS地图消息类型的兼容性。数据存储基于线性代数库Eigen，提供了广泛的数据处理算法。本章概述了如何将网格地图库集成到读者自己的应用程序中。我们将解释这些概念，并提供代码示例来讨论该软件的各种功能。作为一个用例，我们介绍了使用有腿机器人进行在线高程映射的库的应用。

系统顶层是一种多车道策略，通过并行计算车道级别轨迹来处理车道变更场景；在车道轨迹生成器内部，迭代的解决基于Frenet坐标的路径和速度规划；针对路径和速度规划问题，提出了动态规划与基于样条的二次规划相结合的方法，构造了一个可扩展且易于调整的框架，同时处理交通规则、障碍物决策和平滑度问题。该规划器可扩展至高速公路和城市低速驾驶场景。高精地图模块提供了任何人都可以访问的高精地图。感知和定位模块提供了动态环境中必要的信息。运动规划模块考虑生成一条安全平滑的轨迹再交由汽车的控制模块去执行。

在本文中，我们提出了一种新颖的统一时空语义走廊（SSC）结构，它为不同类型的语义元素提供了一定程度的抽象。 SSC 由一系列相互连接的无碰撞立方体组成，动态约束由时空域中的语义元素构成。轨迹生成问题归结为一般二次规划 (QP) 公式。由于统一的 SSC 表示，我们的框架可以推广到语义元素的任何组合。此外，我们的公式通过使用分段贝塞尔曲线参数化的凸包和 Hodograph 特性提供了整个轨迹安全且满足约束的理论保证。