High-Speed Motion Planning for Aerial Swarms in Unknown and Cluttered Environments

一、基本信息

期刊：TRO

作者：Charbel Toumieh, Dario Floreano

单位：Laboratory of Intelligent Systems, Ecole Polytechnique Federale de Lausanne (EPFL), CH1015 Lausanne, Switzerland

代码：https://github.com/lis-epfl/multi_agent_pkgs

关键字：aerial swarms, motion planning, obstacle avoidance, high-speed navigation

二、摘要

提出了第一个 高速分布式同步运动规划（high-speed ,decentralized and aynchronous motion planning framework HDSM）的架构。相较于SOTA 的方法速度更快（97% faster ），飞行时间更短（50% lower）

三、引言

指出目前存在的局限性：However, current approaches to coordinated flight of multiple drones cannot leverage the maximum possible speed of the drones and do not meet the speed conditions for the longest flight distance.

其次，对未知环境，并不能保证其规划的安全性，此处列举FASTER（ACL 团队论文） 作为例子，其通过将未知的环境分别视为free和occupied生成两个轨迹，之后对环境更新之后选择合适的轨迹进行执行。 但是这个方法存在耗时的问题，无法推广到无人机集群之中

其他使用安全走廊的方法只考虑free space ，本文基于此展开，作者之间的工作。

之后列举了目前较为流行的方法，根据同步或异步进行了分析：

其中有浙大Fast Lab团队的EGO-Swarm和MIT ACL团队的MADER、RMADER、PUMA等方法。

之后介绍了各种方法存在的缺点和不足，然后介绍了自己的方法以及在性能上的提上。

四、具体方法

4.1 总览

整个框架有两个大的部分：建图和规划，首先给出整体的框架：

具体来说，Planning中又分为Global path Generation和Trajectory generation两部分。前者的输入为Map模块的建图、Goal，输出为搜索得到的path，后者的输入为地图、其他无人机生成的轨迹、global path。

4.2 Map module

这个模块并非本文的核心，主要思路也不难理解，这里直接放一张示意图：

4.3 The global path generation module

这里先给出整个planning的框架：

具体步骤如下：

4.3.1 生成Potential Field

为了使无人机的轨迹尽可能的原理障碍物，对障碍物采取类似膨胀的操作，生成安全裕度场。具体的生成方式采用公式生成，这里不进行赘述，大致就是选择好安全距离之后，对与障碍物最短距离小于安全距离的栅格进行赋值，离得越近其值越大。

4.3.2利用JPS搜索最短路径

用A* 算法在potential  field 进行是非常耗费时间的，因为这里在不考虑potential  field之后先利用JPS搜索到一条连接器点和终点的最短路径。

4.3.3 选择搜索区域

根据4.3.2生成的最短路径，选择一个子区域（search corridor）在进行搜索。这样在保证最优性的同时加快了搜索的速度。

 4.4 The trajectory generation module

轨迹生成部分大致分为了三部分，飞行走廊生成，参考轨迹生成，MIQP/MPC 求解

4.4.1 TASC(Time-Aware Safe Corridor) generation

这里的TASC和之前的飞行走廊还是比较类似的，主要内容分为两部分：静态障碍物避障和其他无人机之间的避障。其中第一部分通过不断生成多面体实现：首先在起点位置生成多面体，之后沿着搜索得到路径前进，当点落在多面体外边之后，生成新的多面体，循环往复。

第二部分简单的通过在无人机中间做一个平面，将两个无人机隔离在两边实现组内避碰。

这里给出示意图;

4.4.2 Reference trajectory generation

这里是对生成的Global Path 进行采用，生成更短的路径。并且根据环境中的障碍物信息动态的调整其采样的距离，无人机在开阔区域移动得更快，在杂乱空间移动得更慢。 这种采样方法提高了整个框架的鲁棒性。

4.4.3 MIQP/MPC solver

该模块利用参考轨迹和 TASC，生成动态可行且无碰撞的轨迹，使无人机更接近目标位置。生成的轨迹是 MPC/MIQP 优化的结果，它将轨迹限制在 TASC 中，以实现无碰撞导航

4.4.4 Communication between agents

在进行规划之前，如果没有接收到其他无人机的轨迹信息，则继续执行上一次迭代生成的轨迹，因为上一次迭代考虑了无人机之间的位置关系，是安全的，因此能够满足在存在通信延迟的时候仍能保证集群之间的安全

五、实验结果

略

六、结论

在这项工作中，我们提出了一个在未知和杂乱环境中进行高速航空蜂群规划的新框架。
据我们所知，这是唯一一个明确考虑到环境未知空间并能保证未知环境安全的框架。该方法在仿真中与 4 种最先进的方法进行了比较，结果表明在速度（快 97%）和飞行时间（少 50%）等多个指标上都优于它们。最后，在现实世界的硬件上对该方法进行了测试，以显示所生成轨迹的可行性。

七、附录

主要是具体方法的细节，待更新。

--2024.07.30