稠密环境下编队飞行的分布式群轨迹优化（三）

稠密环境下编队飞行的分布式群轨迹优化（三）

这部分主要是论文的实验部分。也是我个人觉得最精彩的部分，整个实验设计的逻辑有较好的参考意义。
原文章题目：Distributed Swarm Trajectory Optimization for Formation Flight in
Dense Environments
作者：Lun Quan, Longji Yin, Chao Xu, and Fei Gao
出处：2022 International Conference on Robotics and Automation (ICRA)
原文下载链接：点击下载
背景介绍部分在这里：稠密环境下编队飞行的分布式群轨迹优化（一）
算法主要内容在这：稠密环境下编队飞行的分布式群轨迹优化（二）

五、指标

  为了展示我们方法的效率和鲁棒性，我们进行了与最先进的编队控制方法的基准比较。我们将我们的工作与Zhou的方法[23]和Turpin的方法[29]进行了比较。我们实现了Turpin工作中的编队控制方法，并通过添加我们自己的障碍物避免策略来使其适应密集环境。然而，与我们的工作不同的是，在[23]和[29]中，不允许在飞行过程中改变编队的比例和旋转。因此，为了公平评估性能，提出了一个新的总体位置误差指标，用于编队飞行。
  受文献[30]的启发，为了评估当前编队 ${\mathcal{F}}^c$ 和期望编队 ${\mathcal{F}}^d$ 之间的总体位置误差 $e_{dist}$ ，我们解决了以下非线性优化问题，以找到将 ${\mathcal{F}}^c$ 与 ${\mathcal{F}}^d$ 对齐的最佳相似变换（ $Sim(3)$变换）:
$$e_{dist}=\underset{\mathbf{R},\mathbf{t},s}{\min }\sum _n^{i=1}||{\mathbf{p}}_i^d-(s{\mathbf{Rp}}_i^c+\mathbf{t})|{|}^2.（37）$$
符号 ${\mathbf{p}}_i^d$ 和 ${\mathbf{p}}_i^c$ 分别表示第 $i^{th}$ 个机器人在编队 ${\mathcal{F}}^d$ 和 ${\mathcal{F}}^c$ 中的位置。 $Sim(3)$变换由旋转，平移$t\in \mathbb{R}{}^3$ 和尺度扩展 $s\in \mathbb{R}{}_{+}$组成。通过优化（37）中的变换并将其应用于编队，可以消除缩放和旋转的影响，以便可以通过测量相对于期望的位置误差来公平地评估所有编队。误差 $e_{dist}$越大， ${\mathcal{F}}^c$与期望队形 ${\mathcal{F}}^d$ 的偏差越大。除了位置误差之外，还比较了我们在第三节中提出的成功率和编队相似误差 $e_{sim}$。

  我们模拟七架无人机以0.5m/s的速度限制，从一个充满障碍物的地图一侧飞到另一侧，形成规则的六边形编队。拥挤区域的尺寸为30×15m，进行了三种障碍物密度的测试进行比较。为了获得每种比较方法的最佳性能，参数进行了精心调整。

  结果总结在表I中。表明在密集障碍物存在的情况下，Zhou的方法[23]的成功率令人不满。他们工作中使用的多个相互作用的潜在场往往会在走廊附近生成局部最小值。因此，无人机经常陷入僵局。Turpin的方法[29]通过为每对代理分配期望的相对位置，然后最小化相对误差来维持编队。然而，在拥挤的场景中，这些约束几乎无法满足，这增加了找到可行解的难度，并导致表I中的较低成功率。此外，Turpin的策略侧重于个体跟踪误差而不是整体编队形状，这可能导致编队飞行的不利轨迹，如图3所示。
  在表I中，我们的方法在位置误差 $e_{dist}$ 和编队相似度误差 $e_{sim}$方面取得了更好的性能。此外，由于所提度量的缩放和旋转不变性为规划者提供了更大的灵活性，即使在复杂环境中，我们的成功率也是优异的。

六、真实世界和仿真实验

A.实验细节

  我们的方法与自主分布式空中集群系统集成，如图 6 所示。集群通过广播网络共享轨迹，这是所有四旋翼飞行器之间的唯一连接

   每个四旋翼飞行器均配备英特尔实感 D4353 立体摄像头，用于图像和深度传感。此外，状态估计、环境感知、轨迹规划、飞行控制等软件模块均通过机载计算机Xavier NX4实时运行。

  在现实世界和模拟实验中，我们通过每秒求解 (13) 生成局部轨迹，并以 100Hz 的频率运行碰撞检查。无约束优化问题由开源库 LBFGS-Lite5 解决。所有模拟均在配备 Intel i9-9900K CPU 的台式机上实时运行。

B.实物实验

   真实世界的实验旨在验证我们方法的可行性和稳健性。在第一个实验中，如图1所示，由七个四旋翼飞行器组成的二维六边形编队成功穿越了障碍物丰富的区域，没有发生任何碰撞。区域内放置12个直径为0.3m的圆柱体障碍物。该测试表明，我们的方法能够在未知的复杂环境中维持大规模群体的形成。
   真实世界的实验旨在验证我们方法的可行性和稳健性。在第一个实验中，如图1所示，由七个四旋翼飞行器组成的二维六边形编队成功穿越了障碍物丰富的区域，没有发生任何碰撞。区域内放置12个直径为0.3m的圆柱体障碍物。该测试表明，我们的方法能够在未知的复杂环境中维持大规模群体的形成。

C.仿真实验

  为了证明我们的方法对大规模不规则编队的有效性，我们设计了一个由十个四旋翼飞行器组成的心形编队。仿真中设置了80×20m的杂乱区域，其中有300个圆柱体障碍物和80个圆形障碍物。如图5所示，集群成功避开了障碍物，并且在飞行过程中很好地保持了所需的队形。

七、总结与展望

   在本文中，我们提出了一种用于密集环境中编队飞行的分布式群体轨迹优化方法。提出了一种新的度量来测量编队相似性，该度量与时空优化框架相结合以生成群体轨迹。我们的方法在模拟和现实实验中的可靠表现验证了其实用性和效率。
   未来，我们将致力于进一步提高我们方法的稳健性。当某些机器人的通信范围意外缩小时，就会出现挑战。此外，在高度受限的环境中，机器人之间的任务重新分配对于及时解决死锁可能是必要的。最后，我们希望为机器人界提供密集环境下编队导航的完整解决方案。