仿真环境中生成专家轨迹

仿真环境中生成专家轨迹

简介

本文为博客的子文，目的是生成专家轨迹，后续作为训练网络的真值标签，进行有监督学习。

仿真环境的整体运行流程如下：

1. 全局规划
2. 平滑轨迹
3. kExecuteExpert模式下，选择专家轨迹中的最优轨迹。
4. 然后控制飞机按照专家轨迹进行飞行，保存odometry.csv
5. 然后对专家轨迹进行标签，得到轨迹真值label。
6. 然后运行网络，并有标签真值轨迹进行有监督训练。
7. 网络输出3条轨迹，kNetwork模式下，选择3条轨迹中的最优轨迹。
8. 根据最优网络输出轨迹控制无人机运动，得到实际飞机的执行轨迹。

本模块主要实现全局规划，即专家轨迹的生成。流程框图如下：
输入：

• Reference Trajectory
• Full Quadrotor State
• Environment Pointcloud

输出： 规划的前3条轨迹
方法：M-H采样

代码运行

参考Readme.md中《Collect your own dataset》的步骤，注意打开配置文件 default.yaml and label_generation.yaml.中的perform_global_planning选项。

步骤

获取输入数据

Reference Trajectory

Reference Trajectory 通过给定起点和终点得到，是一条直线轨迹。
上图中，直线为Reference Trajectory, 枚红色轨迹为全局规划的输出轨迹。橙色为深度学习网络训练生成的用于飞机的实际执行轨迹。

Environment Pointcloud

Environment Pointcloud 通过给定飞机的起点和终点（终点通过起点加上40m得到），可以获取unity场景的有限范围的真实点云。

Full Quadrotor State

仿真环境中使用状态估计器（state_predictor_）给出飞机的实时位姿。
状态估计器（state_predictor_）的主要估计位姿的方法是通过上一次的控制指令，以及现在的时间，进行积分，代码如下：