[论文解读] Informative Path Planning and Mapping with Multiple UAVs in Wind Fields

Doo-Hyun Cho, Jung-Su Ha+3 more|arXiv (Cornell University)|Oct 5, 2016

Gaussian Processes and Bayesian Inference参考文献 15被引用 4

一句话总结

本文提出了一套系统化的框架，用于在受风影响的环境中，利用多架无人机进行信息性路径规划与环境测绘，通过互信息最大化和高斯过程回归实现。该框架整合了任务位置优化、考虑风场影响的路径规划以及基于MDMTSP的多无人机路由，以最小化能耗并最大化信息获取，在山区环境中使用3架无人机进行射频信号测绘的仿真中表现出色。

ABSTRACT

Informative path planning (IPP) is used to design paths for robotic sensor platforms to extract the best/maximum possible information about a quantity of interest while operating under a set of constraints, such as the dynamic feasibility of vehicles. The key challenges of IPP are the strong coupling in multiple layers of decisions: the selection of locations to visit, the allocation of sensor platforms to those locations; and the processing of the gathered information along the paths. This paper presents a systematic procedure for IPP and environmental mapping using multiple UAV sensor platforms. It (a) selects the best locations to observe, (b) calculates the cost and finds the best paths for each UAV, and (c) estimates the measurement value within a given region using the Gaussian process (GP) regression framework. An illustrative example of RF intensity field mapping is presented to demonstrate the validity and applicability of the proposed approach.

研究动机与目标

• 解决在动态、受风影响环境中，使用多架无人机实现高效、节能的信息获取挑战。
• 开发一种系统化流程，整合任务位置选择、考虑风场的路径规划以及多无人机路由，以实现最优信息采集。
• 通过高斯过程回归的概率建模，实现对空间变化场（如射频强度）的精确环境测绘。
• 通过在路径规划中利用风场信息，最小化能耗，同时保持信息获取性能。
• 通过在真实山区、受风影响区域中进行的仿真，验证该框架的可行性和有效性，应用于射频信号映射。

提出的方法

• 使用互信息作为信息准则，优化任务位置选择，以在感兴趣区域最大化信息增益。
• 采用速度为100 m/s、最小转弯半径为50 m的Dubins路径模型对无人机动力学进行建模，并考虑风场对前进和后退路径的影响。
• 使用FMT*算法计算任务位置之间的双向路径成本，生成用于路由的代价矩阵。
• 求解多枢纽多旅行商问题（MDMTSP），将无人机分配至路径，以最小化总任务成本，同时确保完全覆盖。
• 应用高斯过程回归（GPR），采用学习得到的超参数（σf=30 dBm，σn=1 dBm，lx=ly=4 km），实时估计射频信号强度图及其不确定性。
• 采用10秒的传感器采样率，并通过公式（16）更新超参数，以在数据采集过程中最大化互信息。

实验结果

研究问题

• RQ1 在受风影响的非凸区域中，如何最优地选择任务位置以最大化信息增益？
• RQ2 如何将风场动力学整合到无人机路径规划中，以减少能耗并提高路径可行性？
• RQ3 如何对MDMTSP公式进行调整，以实现将多架无人机分配至路径，最小化总行程成本，同时确保任务位置的完全覆盖？
• RQ4 互信息最大化与高斯过程回归的集成在实现准确且具有不确定性感知的环境测绘方面效果如何？
• RQ5 风场建模对多无人机信息性路径规划与测绘整体性能有何影响？

主要发现

• 所提出的框架成功降低了感兴趣区域内的不确定性，表现为任务初始阶段的高不确定性区域（深色区域）在任务结束阶段转变为低不确定性区域（亮色区域）。
• 估计的射频信号强度图与使用Radio Mobile软件生成的原始数据高度吻合，证明了基于GPR的测绘方法的准确性。
• 无人机执行了覆盖所有指定任务位置的路径，图6中的红线表示基于Dubins动力学和风场信息的路由所确定的实际飞行路径。
• 使用FMT*算法进行双向路径成本计算，实现了准确的代价矩阵生成，这对求解MDMTSP组件至关重要。
• 3架无人机的仿真结果表明，系统在通过利用风场实现节能的同时，仍能实现高效的信息获取。
• 最终的不确定性图显示，信息丰富的区域被优先处理并进行了密集采样，验证了基于互信息的任务选择策略的有效性。