[论文解读] Robust Vision-based Obstacle Avoidance for Micro Aerial Vehicles in Dynamic Environments

Jiahao Lin, Hai Zhu+1 more|arXiv (Cornell University)|Feb 12, 2020

Robotic Path Planning Algorithms参考文献 26被引用 6

一句话总结

本文提出一种基于机载视觉的障碍物避让系统，用于在动态环境中使用立体视觉测距和概率约束模型预测控制（CC-MPC）的微型飞行器（MAVs）。该系统通过深度图像检测并跟踪移动障碍物为三维椭球体，估计其位置、速度及不确定性，并利用CC-MPC生成鲁棒且动力学可行的轨迹，确保碰撞概率低于指定阈值，在四旋翼飞行器上实现了高达2.4 m/s的实时性能，障碍物处理时间8 ms，MPC运行时间16 ms。

ABSTRACT

In this paper, we present an on-board vision-based approach for avoidance of moving obstacles in dynamic environments. Our approach relies on an efficient obstacle detection and tracking algorithm based on depth image pairs, which provides the estimated position, velocity and size of the obstacles. Robust collision avoidance is achieved by formulating a chance-constrained model predictive controller (CC-MPC) to ensure that the collision probability between the micro aerial vehicle (MAV) and each moving obstacle is below a specified threshold. The method takes into account MAV dynamics, state estimation and obstacle sensing uncertainties. The proposed approach is implemented on a quadrotor equipped with a stereo camera and is tested in a variety of environments, showing effective on-line collision avoidance of moving obstacles.

研究动机与目标

• 实现仅使用机载视觉传感器在动态环境中对微型飞行器（MAVs）进行安全、实时导航。
• 解决障碍物感知与状态估计不确定性在障碍物检测和MAV状态估计中的挑战，以实现鲁棒的防撞。
• 开发一种计算高效的机载系统，集成障碍物检测、状态估计与轨迹规划，实现在资源受限MAVs上的实时运行。
• 通过制定概率约束，将碰撞概率控制在用户定义的阈值以下，确保概率安全性。

提出的方法

• 系统利用立体相机数据生成深度图像和U-深度图，用于障碍物检测与跟踪。
• 障碍物被建模为三维椭球体，其位置、速度及不确定性通过一个在60 Hz下运行的快速机载算法进行估计。
• 视觉-惯性里程计（VIO）提供MAV位姿及其不确定性估计，并与障碍物状态估计结果融合。
• 构建了概率约束模型预测控制器（CC-MPC），以生成考虑MAV与障碍物状态估计不确定性的动力学可行轨迹。
• CC-MPC通过在优化中引入不确定性协方差，确保与任一移动障碍物的碰撞概率低于指定阈值。
• 整个处理流程——包括障碍物检测、跟踪与MPC——均在计算资源有限的四旋翼飞行器上实现，达到实时性能。

实验结果

研究问题

• RQ1 如何仅使用机载立体视觉实现实时准确检测与跟踪移动障碍物？
• RQ2 如何有效建模并整合障碍物感知与MAV状态估计中的不确定性，以实现鲁棒防撞的轨迹规划？
• RQ3 概率约束模型预测控制器（CC-MPC）是否能在不确定性条件下生成安全且动力学可行的轨迹，同时在微型飞行器上保持实时性能？
• RQ4 在包含移动人类的真实动态环境中，系统可实现的性能与安全性水平（以最小间距和运行时间衡量）如何？

主要发现

• 障碍物检测与跟踪算法的平均计算时间为每帧8 ms，支持60 Hz下的实时运行。
• CC-MPC框架的平均运行时间为每控制周期16 ms，可在机载处理器上实现实时执行。
• 在两名以约1.2 m/s速度行走的人类参与的实验中，系统保持了最小0.4 m的安全距离，成功避免了所有碰撞。
• 移动障碍物的位置估计误差平均为0.28–0.25 m，速度估计误差最高达0.5 m/s，证实了对不确定性感知控制的必要性。
• MAV在狭窄走廊中以最高2.4 m/s的速度成功穿越，同时面对静态与动态障碍物，展示了在复杂环境中的鲁棒性。
• 障碍物检测与跟踪的第75百分位运行时间低于8 ms，MPC的第75百分位运行时间低于22 ms，进一步验证了实时可行性。