[論文レビュー] Robust Monocular Flight in Cluttered Outdoor Environments

Shreyansh Daftry, Sam Zeng+5 more|arXiv (Cornell University)|Apr 16, 2016

Robotics and Sensor-Based Localization被引用数 23

ひとこと要約

本論文は、単一カメラからのリアルタイムな準密な深度推定と風に強いLQR制御方式を用いて、複雑な屋外の森における俊敏なクアッドローターのロバストな単眼飛行システムを提示する。本手法は、直接的な視覚オドメトリと複数の深度予測を組み合わせ、風の影響を考慮した適応的モデルを統合することで、安定した高速自律飛行（最高速度1.5 m/s）を実現し、介入までの平均飛行距離が580 mに達する。これは単一予測ベースライン比で78%優れている。

ABSTRACT

Recently, there have been numerous advances in the development of biologically inspired lightweight Micro Aerial Vehicles (MAVs). While autonomous navigation is fairly straight-forward for large UAVs as expensive sensors and monitoring devices can be employed, robust methods for obstacle avoidance remains a challenging task for MAVs which operate at low altitude in cluttered unstructured environments. Due to payload and power constraints, it is necessary for such systems to have autonomous navigation and flight capabilities using mostly passive sensors such as cameras. In this paper, we describe a robust system that enables autonomous navigation of small agile quad-rotors at low altitude through natural forest environments. We present a direct depth estimation approach that is capable of producing accurate, semi-dense depth-maps in real time. Furthermore, a novel wind-resistant control scheme is presented that enables stable way-point tracking even in the presence of strong winds. We demonstrate the performance of our system through extensive experiments on real images and field tests in a cluttered outdoor environment.

研究の動機と目的

• 単一のモノクローラルカメラのみを用いて、軽量MAVが密度の高い無構造的な森環境を高速で自律飛行できるようにすること。
• 制限されたペイロードと計算リソースのもとで、動的かつ前進飛行状態における正確でリアルタイムな深度推定の課題に対処すること。
• 強い突風下でも安定したウェイポイント追従を維持できる風に強い制御システムを開発すること。これは屋外MAV飛行において重要な要因だが、しばしば無視されがちである。
• 深度推定の不確実性に起因する墜落率を低減するために、複数の多様な深度予測を用いること。

提案手法

• 前進運動や大規模な回転が伴う状況でも15 Hzで深度マップを推定できる、リー多様体上での準密な直接的視覚オドメトリを採用する。
• リー群上での視覚慣性融合を用いて、高動的状態下でもトラッキングのロバスト性を向上させる。
• 風の推定と補正を可能にする学習済みシステムモデルを導入し、リアルタイムで予測を調整可能な適応的LQR制御を実現する。
• 不確実性に対処するため、複数の深度予測を生成することで、ゴースト障害物に起因する誤検出を低減する。
• 再帰的ホライズン制御を用いて、反応型障害物回避と計画的経路計画を統合する。
• 木の密度が異なる複数の密な森環境で、合計2 kmにわたる実環境飛行テストを実施してシステムを検証した。

実験結果

リサーチクエスチョン

• RQ1 単眼カメラシステムは、無構造的な森における高速前進飛行中でも、リアルタイムで正確な準密な深度マップを生成できるか？
• RQ2 深度推定の不確実性は、どのように効果的に管理できるか。これにより、誤検出の多い障害物や墜落を低減できるか？
• RQ3 学習済みの風モデルは、突風の強い屋外環境下で激しい飛行を実行する際、制御の安定性をどの程度向上できるか？
• RQ4 複数の深度予測の統合は、単一予測アプローチと比較して、飛行の自律性をどの程度向上させるか？
• RQ5 完全に単眼で視覚に依存するシステムは、アクティブセンサを一切使用せずに、密な森においてロバストで長時間の自律飛行を達成できるか？

主な発見

• 本システムは、介入までの平均飛行距離が580 mに達した。これは低密度森地域における単一予測ベースライン比で78%の改善を示している。
• 高密度地域では、反応型制御手法よりも6倍の距離を飛行した。これは正確な深度マップの価値を示している。
• 風補正により、平均速度誤差が著しくゼロから逸脱する状態からゼロを中心とする分布に改善され、追従安定性が向上した。
• 突風下の飛行中に、風補正モデルは70%のデータポイントで元のモデルを上回り、より高いロバスト性を確認した。
• 実環境飛行で合計2 kmの飛行を実施した結果、530本以上の木を効果的に回避した。これは長期的な自律飛行の有効性を裏付けた。
• 複数の深度予測により、不確実性に起因する墜落が顕著に減少した。深度推定における曖昧さの処理の有効性が確認された。