[論文レビュー] Vision and Learning for Deliberative Monocular Cluttered Flight

Debadeepta Dey, Kumar Shaurya Shankar+7 more|arXiv (Cornell University)|Nov 24, 2014

Robotics and Sensor-Based Localization参考文献 17被引用数 9

ひとこと要約

本論文は、学習された単眼深度推定、予算付き特徴選択、および不確実性を扱うために複数の多様な深度予測を用いることで、密度の高い障害物環境における単眼ドローン飛行のための最初のリアルタイムリコーマンドホライズン制御システムを提示する。このシステムにより、2 kmを超える密度の高い森を安全に、目的指向的に飛行可能となり、低密度領域では平均137 mの自律飛行距離を達成し、木の回避率は96.6%に達した。

ABSTRACT

Cameras provide a rich source of information while being passive, cheap and lightweight for small and medium Unmanned Aerial Vehicles (UAVs). In this work we present the first implementation of receding horizon control, which is widely used in ground vehicles, with monocular vision as the only sensing mode for autonomous UAV flight in dense clutter. We make it feasible on UAVs via a number of contributions: novel coupling of perception and control via relevant and diverse, multiple interpretations of the scene around the robot, leveraging recent advances in machine learning to showcase anytime budgeted cost-sensitive feature selection, and fast non-linear regression for monocular depth prediction. We empirically demonstrate the efficacy of our novel pipeline via real world experiments of more than 2 kms through dense trees with a quadrotor built from off-the-shelf parts. Moreover our pipeline is designed to combine information from other modalities like stereo and lidar as well if available

研究の動機と目的

• 単眼ビジョンのみを用いて、小型ドローンが密度の高い自然な障害物環境を安全に、目的指向的に自律飛行できるようにすること。
• 反応型制御の限界、例えば死に胡同や目的指向性の低い行動を克服すること。
• 単一の推定に頼らず、複数の多様な深度予測を用いて、認識の不確実性を計画に統合すること。
• 実売ドローンにリアルタイムで展開可能な計算効率の高いパイプラインを開発すること。
• 人為的介入を最小限に抑えた実環境の屋外飛行を通じて、システムの妥当性を検証すること。

提案手法

• 固定長ホライズン（5m）を用いたリコーマンドホライズン制御を採用し、複数の動的に行き得る軌道を評価する。
• 計算リソースの制約下で、光流の統計とコスト感受性特徴選択に基づく、学習された単眼深度推定モデルを用いる。
• 1台のカメラからのリアルタイム深度推定のための高速非線形回帰を適用する。
• 認識の不確実性を表現するために、複数の多様な深度予測を生成し、誤検出に対する耐性を向上させる。
• 軌道追従中のリアルタイムな相対姿勢推定に、下方を向いたカメラとソナーを用いる。
• 深度精度を向上させるために、ステレオまたはLiDARデータをオプションのモダリティとして統合する。

実験結果

リサーチクエスチョン

• RQ1 密度の高い障害物環境における単眼ドローンに対して、リコーマンドホライズン制御を効果的に実装できるか？
• RQ2 リアルタイム性能を損なわせることなく、認識の不確実性を効率的にモデル化し、軌道計画に統合できるか？
• RQ3 予算付きでコスト感受性の特徴選択を用いることで、ドローン向けの単眼深度推定の速度と精度が向上するか？
• RQ4 単一の予測と比較して、複数の深度予測を用いることで飛行の耐障害性が顕著に向上するか？
• RQ5 反応型コントローラーと意思決定型プランナを意味的に組み合わせることで、性能が向上するか？

主な発見

• 低障害物領域では、平均137 mの自律飛行距離を達成し、単一予測ベースラインを著しく上回った。
• 高障害物領域では、複数の予測により単一予測と比較して衝突リスクが低減され、全体の木回避率は96.6%に達した。
• 大きな木の93.1%、小さな木の98.6%を回避したが、失敗の39%は大きな木、33%は細い枝や葉っぱに起因した。
• 単一予測深度マップによる誤検出を緩和することで、高密度領域の失敗率を7.5%から3.4%に低減した。
• ハードウェアインザループおよびローバーを用いたテストにより、飛行前の計画と制御モジュールの堅牢な検証が可能になった。
• 本手法により、単眼ビジョンのみを用いて2 kmを超える密度の高い森を完全自律飛行で通過可能であることが実証された。