[论文解读] 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 23

一句话总结

该论文提出了一套鲁棒的单目飞行系统，适用于在杂乱的户外森林中高速飞行的四旋翼无人机，通过单目相机实时估算半稠密深度图，并结合抗风LQR控制方案。该方法通过融合直接视觉里程计与多重深度预测，并引入自适应风模型，实现了稳定、高速的自主飞行（最高1.5 m/s），在干预前平均飞行距离达580米，较单重预测基线提升78%，显著提升了飞行性能。

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.

研究动机与目标

• 仅使用单目相机，实现轻型微型飞行器在密集、非结构化森林环境中的高速、自主飞行。
• 解决在有限载荷与计算资源条件下，动态前向飞行场景中准确、实时深度估计的挑战。
• 开发一种抗风控制体系，确保在强阵风条件下仍能稳定跟踪航路点，这是户外微型飞行器飞行中常被忽视但至关重要的因素。
• 通过采用多重、多样化的深度预测，降低因深度估计不确定性导致的坠机率。

提出的方法

• 在李流形上采用半稠密直接视觉里程计方法，在高速前向运动与大角度旋转下仍能以15 Hz的频率估计深度图。
• 在李群上融合视觉与惯性信息，提升在高动态条件下的跟踪鲁棒性。
• 引入学习型风模型用于风的估计与校正，实现可实时调整预测的自适应LQR控制。
• 生成多重深度预测以应对不确定性，减少由虚假障碍物引起的误报。
• 结合反应式避障与基于滚动时域控制的规划式轨迹规划。
• 通过在不同树木密度的密集森林环境中进行长达2公里的实地飞行测试，验证了系统的有效性。

实验结果

研究问题

• RQ1 在非结构化森林环境中高速前向飞行时，单目相机系统能否实现实时、准确的半稠密深度图估计？
• RQ2 如何有效管理深度估计不确定性，以减少误检测障碍物与飞行坠毁？
• RQ3 学习型风模型在强阵风的户外环境中，能在多大程度上提升高速飞行时的控制稳定性？
• RQ4 与单重预测方法相比，多重深度预测的集成在提升飞行自主性方面有何优势？
• RQ5 仅依赖单目视觉系统，能否在不使用主动传感器的前提下，实现密集森林中长期、鲁棒的自主飞行？

主要发现

• 系统在干预前平均飞行距离达580米，较低密度森林区域的单重预测基线提升78%。
• 在高密度区域，系统飞行距离是反应式控制方法的6倍，证明了高精度深度图的价值。
• 风校正使平均速度误差从显著偏离零变为围绕零分布，提升了轨迹跟踪的稳定性。
• 在强风飞行测试中，风校正模型在70%的数据点上优于原始模型，证实了其鲁棒性提升。
• 在2公里的实地飞行中，系统成功避开了超过530棵树，验证了长期自主飞行能力。
• 多重深度预测显著减少了由不确定性引发的坠机事件，证实了处理深度估计模糊性的有效性。