[论文解读] Autonomous navigation for low-altitude UAVs in urban areas

Thomas Castelli, Aidean Sharghi+3 more|arXiv (Cornell University)|Feb 25, 2016

Robotic Path Planning Algorithms参考文献 13被引用 15

一句话总结

本文提出了一种面向城市环境中低空无人机的安全感知自主导航系统，通过使用地理参考GIS和卫星数据计算加权A*最短路径，并动态调整局部路径以避开移动物体。与直线飞行相比，该方法在WPAFB和PVLabs数据集的仿真中，基于无人机与物体间距离的安全度量，使碰撞风险降低了40倍以上。

ABSTRACT

In recent years, consumer Unmanned Aerial Vehicles have become very popular, everyone can buy and fly a drone without previous experience, which raises concern in regards to regulations and public safety. In this paper, we present a novel approach towards enabling safe operation of such vehicles in urban areas. Our method uses geodetically accurate dataset images with Geographical Information System (GIS) data of road networks and buildings provided by Google Maps, to compute a weighted A* shortest path from start to end locations of a mission. Weights represent the potential risk of injuries for individuals in all categories of land-use, i.e. flying over buildings is considered safer than above roads. We enable safe UAV operation in regards to 1- land-use by computing a static global path dependent on environmental structures, and 2- avoiding flying over moving objects such as cars and pedestrians by dynamically optimizing the path locally during the flight. As all input sources are first geo-registered, pixels and GPS coordinates are equivalent, it therefore allows us to generate an automated and user-friendly mission with GPS waypoints readable by consumer drones' autopilots. We simulated 54 missions and show significant improvement in maximizing UAV's standoff distance to moving objects with a quantified safety parameter over 40 times better than the naive straight line navigation.

研究动机与目标

• 实现城市环境中安全、自动化的无人机运行，以应对消费级无人机对人员造成的潜在风险。
• 解决当前消费级无人机尽管有FAA AC 91-57等监管指南，却缺乏自动化安全机制的问题。
• 开发一种基于土地利用分类的全局最优、风险感知飞行路径计算系统，并在飞行过程中动态调整以避开移动障碍物。
• 提供一种用户友好的、基于GPS航点的使命规划解决方案，兼容商用无人机自动驾驶仪。
• 通过距离加权成本函数最小化无人机与行人及车辆的接近程度，量化并显著提升安全性。

提出的方法

• 该方法使用大地测量精度的卫星影像和GIS数据（建筑物、道路、水体）生成加权成本图，其中道路风险最高，建筑物和水体风险最低，其他区域为中性。
• 采用加权A*算法从起点和终点GPS坐标计算全局最短路径，基于土地利用分类最小化风险。
• 飞行过程中，通过传感器模型和云台数据，利用单应性变换将视频帧地理配准，使像素坐标与GPS位置对齐。
• 利用WPAFB和PVLabs数据集的真值数据，实时检测和跟踪移动物体（车辆、行人）。
• 通过在成本图中为检测到的移动物体周围添加临时高成本区域，执行动态局部路径优化，重新路由无人机以保持安全距离。
• 最终路径以兼容消费级无人机自动驾驶仪的GPS航点形式生成，实现任务的自动化执行。

实验结果

研究问题

• RQ1 基于土地利用分类的静态、风险驱动全局路径规划方法，能否显著提升城市环境中无人机飞行的安全性？
• RQ2 针对移动物体的动态局部路径调整，在多大程度上能降低无人机与行人及车辆接近的风险？
• RQ3 在基于无人机与物体间距离的安全度量方面，所提方法与直线导航相比在量化指标上表现如何？
• RQ4 所提系统是否适用于在配备标准自动驾驶仪的消费级无人机上进行实际部署？
• RQ5 地理配准的视频与GIS数据能否有效结合，以实现自动化、安全且用户友好的任务规划？

主要发现

• 在WPAFB数据集上，与直线路径相比，所提方法将全局安全成本度量降低了90%，从243.9降至5.6。
• 在PVLabs数据集上，安全成本从直线路径的188.1降至动态路径的98.0，表明风险缓解效果显著。
• 尽管在视野内遇到的移动物体更多——WPAFB数据集中为7,597个，而直线路径中为2,759个——但动态路径保持了更大的安全距离，从而降低了碰撞风险。
• 在WPAFB上，全局路径比直线路径长20%，在PVLabs上长6%，表明安全性提升以可接受的飞行时长增加为代价。
• 该系统成功生成了与消费级无人机自动驾驶仪兼容的GPS航点，实现飞行前获取GIS数据后即可自动执行任务。
• 安全度量中的负指数加权函数有效惩罚了与物体的近距离接近，距离小于5米的贡献最大，验证了风险模型的有效性。