【论文解读】Fast Likelihood-based Collision Avoidance with Extension to Human-guided Navigation

Travis.X

已于 2023-07-01 07:10:26 修改

阅读量1.6k

点赞数 5

分类专栏：论文解读文章标签：算法 c++ 人工智能机器人自动驾驶

于 2020-10-19 16:44:09 首次发布

本文链接：https://blog.csdn.net/Travis_X/article/details/109159417

版权

论文解读专栏收录该内容

13 篇文章 33 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文提出一种在复杂环境中实现快速自主飞行的避障方法，将环境分为确定性和概率性两部分建模。避障算法避免在线搜索以减少计算复杂度，能在0.2-0.3毫秒内确定路径。该方法适用于有无先验地图的情况，支持人类引导的导航，实验证明其在森林环境中能让无人机以10 m/s速度飞行。

摘要由CSDN通过智能技术生成

标题：Fast Likelihood-based Collision Avoidance with Extension to Human-guided Navigation
作者：Ji Zhang | Chen Hu | Rushat Gupta Chadha | Sanjiv Singh
来源：Journal of Field Robotics. 2020.
代码：https://github.com/jizhang-cmu/ground_based_autonomy_slimmed

一、简介

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