采用增量前沿结构和分层规划的无人机快速探测
摘要
现存的无人机自主导航方法存在着，不充足的探索速率，缺乏有效的全局覆盖率，保守的运动规划和低频率的决策分析等问题，因此，本文提出了在复杂环境中采用增量前沿结构和分层规划的无人机快速探测的方法, 我们使用新的边界信息结构(FIS)来存储整个空间中的重要信息，在采用FIS信息结构之后，采用找到有效的全局覆盖路径，修正本地视角点和产生最短时间路径这三个步骤。该方法已经过仿真环境和现实中复杂环境的测试.
本文的贡献如下：
(1) 采用了增量式的更新FIS信息结构,能够提取出整个空间中重要的信息并为有效的探索整个空间打下了基础
(2) 采用了层级规划的方法, 产生了有效的全局覆盖路径，同时能够安全敏捷的探索整个空间
增量式前沿信息结构
frontiers : 栅格地图中与未知栅格部分最相邻的位置
A. frontier的数据结构
当地图更新时，在新的地图边界的产生的同时,也生成新的FIS， FIS存储的数据类型如下所示:
B. 增量边界检测与聚类
Bm:更新区域Bm的轴对齐边界框,如下图所示:
首先返回那些与Bm边框相交的Bi边框,然后在逐格检测相交的Bi边框,如果这些Bi边框中包含的栅格不再是frontier了，就将它移除。该操作显著的增加了计算速度,只计算了需要计算的栅格部分。
在移除了这些不再是边界的栅格簇之后，采用类似区域生长的方式获得frontier部分,但是这些frontier部分的大小可能会过大，所以我们采用PCA(主成分分析)的方式，将这个大的边界簇递归的拆分为几个较小的边界簇.从而是我们能够更加方便的处理他。过程如下图所示.
C. 视点生成和成本更新
当我们提到边界这个概念时，就意味着我们可以朝这个方向来探索未知的地图信息。在本文中，与前人的直接将导航路径的节点设置在frontier的中心位置这一做法不同的是，我们以frontier的中心位置均匀撒点。如图所示
同时，在每个采样调研的视角点上，套用传感器的传感范围模型, 并计算每个采样点的探索覆盖率（覆盖率是以符合传感器模型且不被占位体素遮挡的边界单元数来评估的），并按照覆盖率的高低进行排序，保留前最多Nview（ (ni ≤ Nview)）个超过设定阈值的视角点来供局部优化.我们同时设置两个视角点之间移动所需要的时间下限，定义如下：
指两个视角点之间的无障碍直线运动(我们使用A*算法进行路径搜索)
从0开始计算每个边界簇的链接代价会导致巨额的计算消耗，然而因为我们是增量式的更新边界信息，每当有新的边界簇被移除，将相关的边界簇中的与代价消耗相关的数据Lcost,i中的原先被移除的边界簇的内容移除并计算与新的边界簇的代价消耗，然后插入。这极大地节省了计算资源。
层级式规划探索
A. 全局路径规划
我们已经获得了对应的边界簇的视角点，我们的任务就是一一遍历这些视角点，因此该问题可以近似的看作为是旅行商问题的变种问题(TSP)。设置连接矩阵Mtsp((Ncls+1)*(Ncls+1)),定义为:
其中x0指代当前位置，x0 = (p0, ξ0) ，从x0出发，到第k个边界簇的代价定义为：
其中：
这个公式指的是从初始点指向目标簇的夹角.
加入c(x)的惩罚项的目的是为了避免无人机在规划过程中来回走动。
同时，我们将从任何簇回到起始位置的代价设为0，通过这种方式我们可以获得一个与闭环路径等价的开环方案
B. 局部视点细化
我们已经通过了全局路径规划使得无人机在探索过程中能够探索每一个frontier簇，但是此时只是运用了每个簇对应的一个视角点，这可能并不是最优的路径组合方式，因此，在局部规划的过程中，我们以当前位置做一个半径圆，在该圆内同时再取一些其他的视角点，将这些在半径中的视角点进行全连接，然后通过dijkstra算法的方式，获得最小的代价.两个图节点之间的代价如下图所示:
该代价公式的后两个部分是整合了其他论文中的信息增益估计函数，但实际上，我们只要评估每个视角点的覆盖率并将其整合进入代价函数中，就可以获得比较好的效果.
整体的流程大致如下图所示:
C. 最小时间B样条轨迹
我们使用B样条曲线来对获得的路径进行优化,该问题可以优化为:
其中, fs位平滑度代价
T是整体规划的时间代价
fc, fv, fa是为了确保安全和动力学约束的代价
fbs位链接代价(这个并看不懂)
具体的公示内容详见论文，主要就是对已形成的曲线进行轨迹优化，仅此而已.
结论
本文使用了FIS的信息结构存储了在建图过程中获取到的重要的边界信息，并将其用于自主导航，同时采用层级化的探索方式：寻找全局路径，优化局部路径，优化执行曲线。通过这三个步骤，对复杂环境进行了较为迅速的探索。
但是本文过于依赖准确的位姿估计，没有考虑到位姿估计的漂移。
扫一扫
780
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
