《Falco: Fast likelihood‐based collision avoidance withextension to human‐guided navigation》论文翻译

摘要：

        我们提出了一种在杂乱环境中实现快速自动飞行的规划方法。通常，在复杂环境中的自主导航需要对由k个连接栅格或概率方案生成的图进行连续搜索。随着车辆的行驶，使用来自机载传感器的数据更新图的代价是巨大的，而在图上的搜索的代价也是巨大的，特别是需要让路径符合动力学约束的。我们计划通过避免在线搜索来减少计算的复杂度。我们的方法在两个独立分开的区域对环境进行建模。障碍物被认为是在传感器范围内是确定已知，在传感器范围外是概率性已知。该方法不是搜索代价最低的路径（通常是最短的路径），而是最大化在当前的下一步导航中达到目标的似然值。通过将规划问题进行上述建模，能够在利用轨迹库在线确定路径时在单个嵌入式CPU线程中处理时间控制在0.2-0.3ms。该方法适配两种方法，包括具备已知先验地图和不具备先验地图两种配置。这两种配置都可以用于向目标点进行计划。此外，后者可以允许人类通过方向输入进行导航指导。在实验中，它使一架轻型无人机能够在杂乱的森林环境中以10m/s的速度飞行。

INTRODUCTION

本文旨在解决一个在复杂环境中实现快速自主飞行的路径规划问题。这个问题仍然具有挑战性，因为规划路径以避免机载传感器发现的障碍需要创建和更新环境表示，可以搜索动力学上可行的路径。这个过程的计算成本很高。由于轻型飞行器的计算资源有限，我们需要一种能够引导具有低计算复杂度的飞行器的方法 。一种典型的方法是使用一种分层的方法，将规划问题划分为两个子问题。第一个问题解决了一个可能由启发式辅助的全局规划问题，以确保路径不属于局部最小值。第二个问题解决了一个并行运行的局部规划问题，以跟踪全局路径，并实现避障。该方法已经成功用于导航，但仍然需要考虑计算量问题(Droeschel et al., 2016; Gonzlez, Prez, Milans, & Nashashibi, 2016; Scherer, Singh, & Chamberlain, 2008)。在本文中，我们提出了一种大大降低计算复杂度的方法，可以确保使用在无人机上也是非常轻量的计算。

使低计算复杂度成为可能的关键思想是避免在线搜索。 我们从可能性的角度来阐述规划问题，而并不是通过板载传感器来连续更新图。该方法不寻找成本最低的路径（通常是最短路径），而是在确定导航的下一步时使达到目标的概率最大化。这是通过在两个不同的区域中对不同的配置空间进行建模的。障碍被认为是在传感器范围内的确定性已知的，因为它们被板载传感器感知，在超出传感器范围之外，因为障碍物是从一个先验的地图获得，障碍物被认为是概率性已知的。轨迹库用于联系在传感器范围内的路径概率，其中的轨迹被分成几组。在导航过程中，该方法会评估每组轨迹，以确定路径。

        用环境的概率表示解决规划问题也将新行为与车辆联系起来。大多数现有的方法都是以最低的代价找到一条单一的路径。路径可以是最短的，但如果由于动态障碍或环境变化发现更多障碍物，该路径可以引导车辆通过狭窄的路径，留下避免更多障碍物的选择很少。本文提出的方法寻求导航成功的最高概率，即使结果路径更长，也更喜欢开阔空间，在导航过程中留下更多的避障选择。此外，我们还确定了在某些情况下，现有的基于环境确定性表示的方法在寻找可行路径时遇到了困难。本文所提出的方法可以处理这些情况。

        该方法支持两种配置使用和没有预先映射。在这两种配置中，该方法都可用于引导车辆朝向一个目标点。此外，没有预先的配置也可以接受人工输入来引导导航。例如，操作员可以使用操纵杆控制器来提供方向性输入。该方法确定了考虑人输入的安全导航路径。

        在导航过程中，该方法可以使用调制解调器嵌入式计算机上的单个(CPU)线程在0.2-0.3ms范围内找到路径。

RELATED WORK

        该方法与路径规划和避障方面的文献最为相关。这个问题涉及解决给定环境表示的车辆从开始到目标的路径。基于图搜索的方法，如Dijkstra（卡拉和沃里克，2013）、A*（麦卡利斯特、布茨克、库什列耶夫、潘迪和利哈切夫，2013）和D*(Rufli和西格沃特，2009)算法，遍历图上的不同状态来搜索路径。另一方面，基于抽样的方法用随机样本覆盖图。通过连接选定的样本来生成路径。当代基于抽样的方法，如快速探索随机树（RRT；拉瓦勒，2006）及其变体（阿克根和斯蒂尔曼，2011；加梅尔，斯里尼巴萨，巴福特，2014,2015,2015；卡拉曼和弗拉佐利，2011；库夫纳和拉瓦勒，2019；奥特和科雷尔，2013），在大尺度处理地图方面显示出了良好的结果，在相对较短的时间内生成路径。但是，这些方法都需要在导航过程中不断地更新图和然后搜索图。如果环境杂乱而复杂，那么计算的复杂度可能会过高。不能保证在一个固定的时间量内找到一个路径。

某些规划方法对地图进行预处理，提取可通过的信息，便于在线搜索。例如，基于概率路线图（PRM；徐、库尼阿瓦蒂，2006；卡夫拉基斯，1998）的方法在地图上随机抽样以创建连接图。然后，通过搜索图来找到路径。其他例子包括沃罗诺伊图（比森、Jong，&柯伊伯斯，2005）和向量场（佩雷拉、乔杜里，&Scherer，2016）。本质上，这些方法共享在导航开始加速在线处理之前移动处理部分离线的见解。然而，在线处理仍然需要遍历图来搜索路径，因此计算成本可能很高。

        本文提出的方法采用了环境的概率表示。建模不确定性的概念已经被引入到路径规划文献中(Fraichard&Mermond，1998)。例如，范登伯格、阿贝尔和戈德堡（2011）的方法使用了一个带有高斯模型的线性二次控制器来考虑机器人运动和状态的不确定性。梅尔基奥和西蒙斯（2007）在每个节点上用粒子扩展了RRT，以处理地形摩擦的不确定性。这些方法涉及到模拟车辆的运动或状态的概率。Chung、Smith、Skeele和霍林格（2019）对图形搜索具有不确定性的图的边缘成本进行建模。海登、豪斯曼、苏哈特姆和阿罕默迪（2017）使用概率来模拟地图体素的可通过性。然而，所提出的方法确定地建模传感器范围内的障碍物，并且概率性地表示超出传感器范围的障碍物，因为它们是从先验地图中知道的。

        我们之前的工作致力于在杂乱的环境中实现快速自动飞行(张、查达、维利维拉，&Singh，2018,2019a)。这些方法使用先验地图来离线地预规划替代路径。在线导航会选择其中一个预先计划好的路径来执行。本文的贡献是提出了一种方法，使在杂乱的环境下快速飞行，而不需要事先地图。在环境的概率表示的基础上，该方法使成功导航到目标的可能性最大化。此外，该期刊版本扩展了该方法，以纳入人类引导自主导航，这是验证与空中和地面车辆的验证。据我们所知，在没有事先绘制地图的情况下，快速空中机动的能力尚未得到证明。