2021-02-25

Evolution of Robust High Speed Optical-Flow-Based Landing for Autonomous MAVs

自主式微信飞行器基于鲁棒高速光流着陆的研究进展

•用于高速光流着陆的神经控制器是自动开发的，比用户定义的基线效果更好。
•在闭环控制系统的帮助下，优化的行为无缝地转移到现实世界中。
•通过对感官输入进行预处理，可以使用CMOS摄像头和动态视觉传感器对行为进行测试，而不会对性能造成明显变化。
•尽管神经控制器输入存在明显差异，但未观察到显著的性能差异。

摘要：

机器人行为的自动优化一直是进化机器人学的目标。通过自动化来解决手头的问题常常会带来新的方法和新的见解。这种方法遇到的一个常见问题是，当这种优化在模拟环境中发生时，在现实世界中实现时，优化的策略会受到现实差距的影响。这往往导致次优的行为，如果它在所有的工作。本文研究了利用俯视摄像机光学流场的发散性对四旋翼微型飞行器进行快速安全着陆机动的神经控制器的自动优化。优化策略表明，分段线性控制方案比常用的简单线性控制方案更有效，这是人类设计者尚未考虑的。此外，通过在真实世界车辆上的仿真测试，我们展示了在控制器的输入和输出上使用抽象作为工具来提高优化策略对现实差距的鲁棒性的实用性。我们使用两种不同的方法来生成和处理视觉输入，一种使用传统的CMOS摄像头，另一种使用动态视觉传感器，这两种方法的性能都与模拟传感器有显著差异。使用抽象的输入导致接近无缝地转移到现实世界中，控制器对明显的现实差距表现出很高的鲁棒性。

1介绍
昆虫是开发微型飞行器（MAV）自主飞行新解决方案的重要灵感来源。即使计算和能量资源有限，昆虫也能够有效地完成具有相对复杂行为的挑战性任务。一个特别有趣的行为是着陆。
昆虫在着陆时主要依赖视觉输入，许多昆虫通过调节恒定的光流膨胀率（或发散率）来实现平稳着陆。这种方法启发了一些机器人实现恒定发散着陆策略[3]。虽然概念上很简单，但这种方法在现实中很难实现。当车辆接近地面时，直接执行会导致机器人变得不稳定。这是在存在延迟、测量噪声和环境干扰的情况下，车辆控制和传感之间非线性相互作用的结果[4]。已经对标准控制方案进行了不同的增强，大多数只是执行缓慢着陆[3]，使用长的着陆腿来延迟这种不稳定的发生，并在不稳定发生之前接触地面，或者通过切换到其他措施，如接触时间[5，6]或摄像机平面内的速度[7，8]。最近，有人试图通过调整控制增益来识别不稳定性并调整着陆策略[9,10]。
这些人工设计方法的另一种替代方法是使用优化技术自动开发出对这些不稳定性具有鲁棒性的合适解决方案。这种优化可能会揭示这个问题的新的解决方案，甚至可能是关于蜜蜂等昆虫可能在做什么的其他假设。已经有人试图这样做[11]，但据作者所知，这些都没有在现实世界的机器人上实现。
这部分是由于模拟环境（通常用于行为优化）和现实世界之间的差异造成的。这种机器人行为的差异通常被称为现实差距[12，13，14]。已经使用了几种方法使控制器对现实差距更为稳健，最重要的是添加适当和不同的噪声[15]，在现实世界中对控制器进行联合评估以测试可转移性[16]，并受到传统控制理论的启发，有一些方法利用神经控制器和闭环控制系统的抽象输出，积极减少现实差距的影响[17，18]。
本文提出了一种四旋翼微型飞行器快速安全着陆机动的优化方法。神经控制器只给出了摄像机的光场发散作为输入及其时间导数。尽管这种抽象的输入可能会减少控制器可能表达的行为，但基于[19]中的工作，我们将证明这种抽象会导致虚拟优化后从仿真到现实的健壮转换。
以下是第2节对光学流的概述。第3节介绍了飞行平台和模拟环境。接下来，在第4节中介绍了常规常发散着陆方法的性能，以提供一些基线性能来比较优化策略与常规着陆方法的性能。第5节描述了用于神经控制器的进化设置和神经模型。接下来在第6节中介绍和分析优化的策略。第7节和第8节给出了现实差距和真实世界实验的结果，第9节从中得出了一些结论。

2光流定义

为了执行[20,21,9,10]中所述的基于光学气流的着陆，我们必须首先确定光学气流参数。这里的公式是[20]中的总结版本。该算法在使用相对有限的计算资源的同时，提供了一个很好的精确光学流量估计的折衷方案。这使得感知和控制回路能够在本文使用的嵌入式flight平台上以高频和低延迟运行。考虑到估算运行速度足够快，有利于光线控制，可以使用其他光学流量估算方法。光学流量估计的准确性和可靠性的研究超出了本文的范围。

如果我们假设我们有一个俯视静态平面场景的俯视摄像机，如图1所示，我们可以导出作为摄像机运动结果的感知光学流。这种光学流动模型的推导依赖于两个参考系，惯性世界系用***W***表示，相机架以相机焦点为中心用***C***表示。在每一帧中，位置通过坐标（X，Y，Z）来确定，（U，V，W）作为相应的速度分量。
分别表示滚转角、俯仰角和偏航角。类似地，p、q和r表示相应的旋转速率。
相机的自我运动可能与光学流量有关，基于针孔相机模型[23]的视觉观测值与相机像素坐标用（x，y）表示，而（u，v）表示光学流量分量，以每秒像素为单位测量。这些可以使用相机的固有校准进行无量纲化。