RTO最新开源 | ExplorationRRT：一种基于树的3D无人机探索最佳轨迹方法

智驾机器人技术前线

已于 2024-08-21 02:23:46 修改

阅读量883

点赞数 17

分类专栏：规划控制与决策文章标签：无人机算法

于 2024-08-18 13:57:40 首次发布

本文链接：https://blog.csdn.net/techflowai/article/details/141298997

版权

规划控制与决策专栏收录该内容

2 篇文章 0 订阅

订阅专栏

更多优质内容，请关注公众号：智驾机器人技术前线

论文信息

标题：A Tree-based Next-best-trajectory Method for 3D UAV Exploration
作者：Lindqvist, Björn and Patel, Akash and Löfgren, Kalle and Nikolakopoulos, George
来源：IEEE Transactions on Robotics
项目地址：https://github.com/LTU-RAI/ExplorationRRT

摘要

本文提出了一种全新的树状结构组合探索规划算法：探索-快速探索随机树 (ERRT)。该算法专注于为完全未知且无结构的环境中的局部探索提供实时解决方案，并将探索行为、机器人安全路径规划和机器人动作直接纳入核心问题。ERRT 通过在最大化信息增益与最小化路径距离和路径上的机器人动作之间进行权衡，为评估“接下来去哪里”提供了完整的采样和基于树的解决方案。该完整方案已在广泛的仿真、比较以及受限制和狭窄的地下和 GPS 失效环境中进行的实际现场实验中得到评估。该框架完全集成到 ROS 中，易于使用，并在 https://github.com/LTU-RAI/ExplorationRRT 上开源。

主要贡献

本文对 ERRT [29] 框架进行了持续开发和实现，并通过逼真的仿真、实验和比较进行了重要的评估。ERRT 框架与最先进的探索规划算法相比，具有以下差异和贡献：

新颖的采样式探索规划问题的求解方法和方案 - 我们在 (1) 和 (2) 中将其称为瞬时的“最佳轨迹”问题。ERRT 与其他探索规划器在方法论上的差异导致我们提出了与解决该问题相关的其他贡献。在这里，会生成满足特定标准的目标候选方案，并将其连接到采样的 RRT，而只评估到达这些目标的分支，以确定距离、信息增益和预测动作。这限制了所需的计算工作量，因为只需评估一定数量的分支，这为以下两项贡献奠定了基础，因为它们计算量很大。
我们将迭代路径改进与基于模型的动作计算相结合，通过解决 NMPC 问题来细化轨迹，并使轨迹评估过程中能够考虑路径上的动作成本，据作者所知，这个概念仅在 ERRT 中进行了测试。
ERRT 结构允许在候选分支上评估信息增益，而不仅仅是在前沿或最终目标上。这使分支选择步骤中可以更合理地考虑信息增益预测，而 ERRT 实现仍然允许低计算时间，这对于实时实现是必要的。

本文中包含的框架的主要改进和扩展集中在实现、评估、比较和代码发布上。可以概括如下：

该框架与最先进的占用地图UFOmap [33] 完全集成，该地图明确地模拟了未知空间，而不仅仅是自由和占用空间。这使得可以适当地考虑持续生成的已探索区域的地图，并通过 3D LiDAR 模型和未知空间的表示来计算信息增益。它还使 ERRT 能够集成到硬件传感器数据输入（3D 点云扫描）中。
升级的采样方法和路径改进框架，通过将无人机表示为体积对象来检查与环境发生碰撞，从而在环境中生成高效且安全的路径。正如将展示的那样，我们的 RRT∗ 基于树生成可以有效地扩展到复杂的 3D 环境中的局部机器人安全树，并提取相关的路径，并且可以直接与机器人探索问题联系起来，同时在有限的硬件上执行。
在多种类型的大型地下环境中进行了大量的仿真评估，从大型洞穴到狭窄的隧道，再到城市室内区域。与两种最先进的方法进行了比较，这些方法在复杂和具有挑战性的仿真世界中。
在狭窄和受限制的地下隧道中进行现场评估，以将 ERRT 框架完全集成到硬件实现中，并结合支持模块以实现完全自主。

本文的结果是针对完全未知且无结构的环境为无人机提供的完全集成的“最佳轨迹”方法，用于灵活的局部探索。该方法在选择要沿其行进的下一个轨迹时，可以考虑到路径距离、基于模型的动作和预测信息增益。此外，ERRT 的实现代码已开源，社区可以在 https://github.com/LTU-RAI/ExplorationRRT 上部署和使用。

算法框架

image

仿真结果

image

实验结果

image

局限性

尽管 ERRT 框架在仿真和实验中表现出高效的探索和规划行为，但仍存在一些局限性，导致未来工作需要进一步改进。例如，虽然 ERRT 可以在有限的硬件上运行，但执行过程中会出现一些执行时间较高的峰值，这主要与在整个程序中对 3D 占用地图进行大量体积碰撞检查有关。计算时间高度取决于环境类型，但也取决于框架的调整。作为未来的工作，使用更复杂的采样方法会非常有趣，例如 [36] 中的工作，该工作训练了一个神经网络来执行非均匀采样，以提高树扩展的效率，这可以很好地应用于类似于 ERRT 的程序。此外，轨迹选择以及框架的性能高度依赖于信息增益参数 Ki（它还取决于体素大小，因为 ν(χj) 与传感器范围内的未知体素数量有关）。一项有趣的调查可能是将收益/成本函数 (1) 从纯粹的线性组合项重新制定为减少对调整相对收益的依赖，同时保留轻松调整框架以适应用户需求的能力。ERRT 的另一个主要局限性直接与我们的初始问题公式 (1) 相关。ERRT 基本上只试图在相关公式中回答“最佳轨迹”问题，而没有考虑任何其他参数。其中一个研究的参数是生成减少定位不确定性的轨迹 [49]–[51]，通常通过促进运动通过先前已知或特征丰富的区域来实现。这以有趣的方式将导航问题与 SLAM 问题联系起来，是 ERRT 未来工作的一个方向——也许可以将所有候选分支中 LiDAR 场景中清晰定义的 LiDAR 特征数量作为一个奖励（负成本）包含进来，除了信息增益。类似地，ERRT 的问题公式没有覆盖全局化策略的概念，因此当在局部采样空间 Vl_map 内遇到死胡同，无法到达任何交汇点或未探索区域时，无法继续探索（尽管可以根据需要将其设置得相对较高）。这是未来工作的一个明确方向。

总结

在本文中，我们提出了一种完全实现的“下一个最佳轨迹”方法用于机器人探索：ERRT，该方法基于最大化信息增益的同时最小化距离和基于模型的轨迹驱动。该方法已在复杂、狭窄和大规模模拟环境中进行了评估，以及在相关的地下狭窄区域进行了真实实验，这些实验突出了在地下环境中安全导航的挑战。在模拟和实验中，ERRT在整个探索任务中都提供了有效的探索和机器人安全路径。该框架还与另外两个最先进的探索框架进行了比较，并在时间受限的任务中高效探索大规模环境方面显示出了优越的结果。

本文仅做学术分享，如有侵权，请联系删文！

更多优质内容，请关注公众号：智驾机器人技术前线