[論文レビュー] Robust and Efficient Depth-based Obstacle Avoidance for Autonomous Miniaturized UAVs

Hanna Müller, Vlad Niculescu+3 more|arXiv (Cornell University)|Aug 26, 2022

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

本論文では、カスタム64ピクセルマルチゾーンTime-of-Flight (ToF)センサとモデルフリー制御方針を用いて、ナノドローン向けの軽量でオンボードの障害物回避システムを提示する。未知の屋内環境において0.5 m/sの速度で100%の信頼性を達成し、CPU使用率は0.3%にとどまり、ドローン総消費電力の10%未満で、Crazyflie 2.1のようなリソース制限のあるプラットフォームでも自律飛行を実現する。

ABSTRACT

Nano-size drones hold enormous potential to explore unknown and complex environments. Their small size makes them agile and safe for operation close to humans and allows them to navigate through narrow spaces. However, their tiny size and payload restrict the possibilities for on-board computation and sensing, making fully autonomous flight extremely challenging. The first step towards full autonomy is reliable obstacle avoidance, which has proven to be technically challenging by itself in a generic indoor environment. Current approaches utilize vision-based or 1-dimensional sensors to support nano-drone perception algorithms. This work presents a lightweight obstacle avoidance system based on a novel millimeter form factor 64 pixels multi-zone Time-of-Flight (ToF) sensor and a generalized model-free control policy. Reported in-field tests are based on the Crazyflie 2.1, extended by a custom multi-zone ToF deck, featuring a total flight mass of 35g. The algorithm only uses 0.3% of the on-board processing power (210uS execution time) with a frame rate of 15fps, providing an excellent foundation for many future applications. Less than 10% of the total drone power is needed to operate the proposed perception system, including both lifting and operating the sensor. The presented autonomous nano-size drone reaches 100% reliability at 0.5m/s in a generic and previously unexplored indoor environment. The proposed system is released open-source with an extensive dataset including ToF and gray-scale camera data, coupled with UAV position ground truth from motion capture.

研究の動機と目的

• 最小限のオンボード計算と消費電力で、ナノUAVの完全な自律屋内ナビゲーションを可能にすること。
• コンactな低消費電力センサを用いて、未知で複雑な屋内環境における信頼性の高い障害物回避を実現すること。
• サイズ・重量・消費電力（SWaP）の厳しい制約の中で、センサノイズ、照明変化、運動ブラーに強く、かつ安定した感知パイプラインを構築すること。
• 将来的な拡張（例：センサ融合や高度な認識）に十分な計算リソースとエネルギー余裕を残すシステムを構築すること。
• 今後のナノUAV自律飛行研究を支援するため、ToF、カメラ、およびモーションキャプチャの真値データを併記したオープンソースデータセットを提供すること。

提案手法

• Crazyflie 2.1ナノドローンに、64ピクセル（8×8）の深さセンサを備えたカスタムマルチゾーンToFデッキを搭載し、総質量に35gしか追加しない。
• 事前に学習されたニューラルネットワークや環境特化の再トレーニングを必要としない、モデルフリー制御方針を採用し、深さデータを直接処理する。
• すべての認識および制御論理をSTM32F405マイコン上で実装し、処理能力の0.31%しか使用せず、1フレームあたり210 µsの実行遅延を達成した。
• 15 fpsで動作させ、両方のドローンの揚力とセンサ動作を含めても、総消費電力の10%未満の電力消費で実現した。
• 状態推定にはIMUとフローデッキを統合し、ToFセンサは障害物回避のための前方深さ認識を提供する。
• ToF距離測定の内在的安定性と空間フィルタリングに依存することで、センサノイズ、運動ブラー、照明変化に強く、耐障害性を確保した。

実験結果

リサーチクエスチョン

• RQ1 オフボード計算を一切使わず、コンパクトで低消費電力の深さセンサが、未知の屋内環境においてナノUAVの信頼性の高い障害物回避を可能にするか？
• RQ2 低次元の深さ入力（64ピクセル）を扱うモデルフリー制御方針を、高い信頼性と低い計算コストを維持しながら効果的に設計できるか？
• RQ3 ナノドローンの厳しいサイズ・重量・消費電力制約の中で、軽量な認識システムがどれほど効果的に機能し、将来的な拡張に十分な余裕を残せるか？
• RQ4 このようなシステムが、インfraストラクチャの支援なしに、多様で非構造的な屋内環境で低速（例：0.5 m/s）で100%の信頼性を達成できるか？
• RQ5 マルチゾーンToFセンサの統合は、従来の単一ビームまたはビジョンベースのシステムと比較して、ナノUAVにおいてどれほど耐障害性とエネルギー効率に優れているか？

主な発見

• 本システムは、未踏の屋内オフィス環境を0.5 m/sの速度で自律飛行したが、複数回のテスト走行においても衝突は一切記録されず、100%の信頼性を達成した。
• 認識および制御パイプラインは、オンボードのSTM32F405マイコンの処理能力の0.31%しか使用せず、1フレームあたり210 µsの遅延を達成した。
• ToFセンサおよび関連電子回路の総消費電力は、ドローンの総電力予算10 Wの10%未満であり、飛行時間は約7分を達成した。
• 本システムは、実環境の屋内テストで最大212メートルを走破し、スケーラビリティと耐障害性を実証した。
• オープンソースデータセットには、同期されたToF、グレースケールカメラ、およびモーションキャプチャの真値データが含まれており、将来的な認識および制御研究を支援する。
• STMicroelectronics社のカスタム64ピクセルマルチゾーンToFセンサは、外形寸法、精度、ピクセル数の観点で、同種の製品としては初めて商業的に入手可能なソリューションであり、低消費電力で効率的な深さ認識を可能にした。