[论文解读] Fast-Tracker: A Robust Aerial System for Tracking Agile Target in Cluttered Environments

Zhichao Han, Ruibin Zhang+3 more|arXiv (Cornell University)|Nov 8, 2020

Robotic Path Planning Algorithms参考文献 14被引用 11

一句话总结

本文提出 Fast-Tracker，一种鲁棒的机载无人机系统，可在未知、杂乱环境中对高动态目标实现高速、安全的跟踪。该系统结合了通过约束 Bézier 回归实现的无意图目标运动预测，以及两阶段轨迹规划——基于运动预测的连续动力学搜索，随后进行时空优化——在总计算时间仅 7.3ms 的情况下，实现了卓越的跟踪精度和 98.2% 的有效跟踪率。

ABSTRACT

This paper proposes a systematic solution that uses an unmanned aerial vehicle (UAV) to aggressively and safely track an agile target. The solution properly handles the challenging situations where the intent of the target and the dense environments are unknown to the UAV. Our work is divided into two parts: target motion prediction and tracking trajectory planning. The target motion prediction method utilizes target observations to reliably predict the future motion of the target considering dynamic constraints. The tracking trajectory planner follows the traditional hierarchical workflow.A target informed kinodynamic searching method is adopted as the front-end, which heuristically searches for a safe tracking trajectory. The back-end optimizer then refines it into a spatial-temporal optimal and collision-free trajectory. The proposed solution is integrated into an onboard quadrotor system. We fully test the system in challenging real-world tracking missions.Moreover, benchmark comparisons validate that the proposed method surpasses the cutting-edge methods on time efficiency and tracking effectiveness.

研究动机与目标

• 解决在初始状态下目标意图和障碍物布局未知的未知密集环境中的自主无人机跟踪挑战。
• 在计算和传感资源有限的条件下，实现高频重规划，以应对目标运动的不可预测性。
• 在保持高跟踪有效性的同时，确保跟踪轨迹的安全性和动态可行性。
• 开发一种轻量级、无意图依赖的目标运动预测方法，通过多项式回归施加物理约束。
• 将预测与规划流程集成到具备多相机感知能力的完整、可运行的无人旋翼机系统中。

提出的方法

• 使用伯恩斯坦基多项式回归预测未来目标运动，通过动力学约束强制实现速度和加速度的有界性。
• 设计一种启发式函数用于连续动力学搜索，结合当前目标观测与预测运动，以引导轨迹探索。
• 基于连续动力学搜索结果，从连接的自由空间网格构建三维飞行走廊，以约束优化空间。
• 应用后端时空优化，将轨迹精炼为动态可行、无碰撞且节能的路径。
• 将系统集成到配备多相机感知的定制化四旋翼无人机中，以增强真实环境下的鲁棒性。
• 采用滚动时域框架与高频重规划，以适应目标的突发机动。

实验结果

研究问题

• RQ1 在缺乏目标意图先验知识的未知环境中，无人机如何准确预测高动态目标的未来运动？
• RQ2 何种连续动力学规划策略能够在密集、杂乱的三维环境中实现安全、动态可行且实时的轨迹生成？
• RQ3 在计算资源和传感器能力受限的条件下，系统如何维持高跟踪有效性？
• RQ4 与现有最先进方法相比，该方法在跟踪精度、计算效率和鲁棒性方面优势有多大？
• RQ5 在不可预测场景中，系统能否在保持高跟踪率的同时，维持安全、低加速度的轨迹？

主要发现

• 所提出的运动预测方法在平均误差为 1.82m（低噪声）、中位数误差为 2.54m（中噪声）和最大误差为 3.45m（高噪声）时表现优异，显著优于基线方法 [10] 的 3.70m、4.66m 和 5.60m。
• 所提系统每轮规划的总计算时间仅为 7.3ms，远低于方法 [9] 的 234.0ms，展现出显著的高效性。
• 在最简单场景下，所提规划器实现了 98.2% 的有效跟踪率，优于方法 [9] 的 91.4%。
• 在高速场景（vₘ = 3.9 m/s）下，所提方法保持 85.6% 的跟踪率，而方法 [9] 下降至 69.3%，表明其对目标高动态性的更强鲁棒性。
• 所提系统生成的优化轨迹表现出显著更低的加速度，表明其具有更高的能量效率和飞行平滑性。
• 在密集森林和复杂城市环境中的大量真实世界实验，证实了系统的鲁棒性与实时性能。