论文整理Perception-aware Receding Horizon Navigation for MAVs

最新推荐文章于 2024-07-13 17:30:11 发布

顾朝贝

最新推荐文章于 2024-07-13 17:30:11 发布

阅读量5k

点赞数

分类专栏：论文阅读

本文链接：https://blog.youkuaiyun.com/weixin_42518636/article/details/109123861

版权

论文阅读专栏收录该内容

9 篇文章

订阅专栏

论文整理Perception-aware Receding Horizon Navigation for MAVs

uzh实验室在2018年ICRA发的，是比较新颖的在规划的时候考虑感知的，想尽可能地降低感知的不确定性，利用滚动优化的框架，在无人机上实现的导航系统

问题背景：在未知或者部分未知的环境中进行导航，有一个比较大的问题是定位会有很大偏移，所以会导致规划失败（比如认为已经到终点了，但实际距离终点还有很远）

常用方法：之前的论文常用的方法是有一个全局的规划器，然后一个局部规划器利用局部信息滚动优化，比如Online generation of collision-free trajectories for quadrotor flight in unknown cluttered environments 还有 Aggressive quadrotor flight through cluttered environments using mixed integer programming这两篇我看过的都是这么做的，但是他们没有考虑与感知结合，只考虑规划的质量没有考虑感知的质量

active slam：选择能最大化状态估计的准确度也叫activeSLAM，但是通常是全局地图，计算量很大，这篇论文是与滚动优化结合，在局部地图中可以减少计算量 we limit the scope of the problem to a local map and a short horizon and continuously recompute a suitable local trajectory for state estimation

方法框架：

定位和建图：定位是用的视觉里程计，建图用的(REMODE + OctoMap)，REMODE生成active map，octomap生成dense map稠密地图；
轨迹生成：没有直接优化运动参数，而是先用minimum jerk生成几条参考轨迹，然后根据这篇论文提到的几个指标对轨迹进行衡量，选择最优的来execute
轨迹指标：这里考虑了三个指标：
- perception quality 感知质量
- the probability of collision 碰撞概率
- its distance to the goal到目标的距离

active map ：
从SVO（基于单目和多相机的视觉测距法）里提取active map
点云被分为两类：

landmarks：是已经多次重复被观测到的点，所以位置的估计比较准确
seeds：位置没有被准确估计
所以landmarks对于位姿估计的准确度贡献更高
从与当前帧重叠的关键帧中提取可见的landmark，提取出的landmarks组成了active map
根据active map计算感知质量

Perception Quality：
构建一个最小二乘法，对于每一个pose，都可以在active map上找到可见的landmarks
其位姿可能通过最小二乘法来估计：
在这里插入图片描述
Tcb是transform从相机frame到机器人的body frame
proj（）是相机的投影方程
Ik是landmarks
ujk是第k个landmark的噪声
上述方程携程一般形式为：

Hj是信息矩阵
不仅是最小化一个pose 的估计误差，而是一条轨迹上所有被采样的poses
不同的位姿是相互独立的，所以就能写出信息矩阵：
在这里插入图片描述
collision probability：
碰撞概率的话是针对每个被采样的pose，在稠密地图上找到最近的点，计算距离
再对不同的pose分别计算再累计求和，写成多元高斯分布的形式：

这里还有需要注意的就是，沿着轨迹碰撞概率是不会减小的，总会比前一个位置大的，所以当计算出的概率比前一个位姿小的话，取前一个位姿的值

goal progress：
一般计算轨迹向前运动了多少，都计算一段堆积开始到目标的距离和末尾到目标距离的差值
但是2m减少到1m 和100m减少到99m的贡献是不一样的，所以要考虑到当前位置到终点的距离
在这里插入图片描述

所以设计的公式是使得距离终点越近奖励越大

实验：
实验的话，只做了与reactive的对比，其实挺不充分的，应该eth实验室相关论文也对比
表明即使定位有偏差，甚至比较大，但是不会撞到障碍物，这是只使用局部信息的作用
当偏差超过5m认为fail
这个方法的特点就是避免走进纹理特别稀疏的场景，因为定位会不准
但有个问题就是会离障碍物比较近
因为障碍物的纹理比较丰富
所以障碍物既吸引又排斥轨迹
比reactive 的成功率会高很多
但是感觉实验有点取巧，设计性太强，找的都是起点和终点有一段完全没纹理的区域

emmm：
纹理多的区域的确对于定位有效，其实只要角度偏向就可以了，没必要轨迹靠近
但是他一直默认有一个前向的相机，相机的方向就是mav的方向
如果用全向小车，车的转向可以再单独优化的
否则 所以障碍物既吸引又排斥轨迹 的确是个问题
但是整篇论文的想法是新颖的