[论文解读] Multi-UAV Visual Coverage of Partially Known 3D Surfaces: Voronoi-based Initialization to Improve Local Optimizers

Alessandro Renzaglia, Jilles Dibangoye+2 more|arXiv (Cornell University)|Jan 29, 2019

Distributed Control Multi-Agent Systems参考文献 14被引用 6

一句话总结

本文提出一种两步优化方法，用于在部分已知的三维环境中实现多架无人飞行器（UAV）的视觉覆盖，通过在环境的粗略表面近似上应用受限的质心Voronoi图（CVT），生成高质量的初始UAV配置。该初始化显著提升了后续在线、无导数随机优化的性能，缩短了收敛时间并降低了陷入局部最优解的风险；仿真结果表明，与随机初始化相比，最终覆盖度最高可达0.91，收敛速度提升30%。

ABSTRACT

In this paper we study the problem of steering a team of Unmanned Aerial Vehicles (UAVs) toward a static configuration which maximizes the visibility of a 3D environment. The UAVs are assumed to be equipped with visual sensors constrained by a maximum sensing range and the prior knowledge on the environment is considered to be very sparse. To solve this problem on-line, derivative-free measurement-based optimization algorithms can be adopted, even though they are strongly limited by local optimality. To overcome this limitation, we propose to exploit the partial initial knowledge on the environment to find suitable initial configurations from which the agents start the local optimization. In particular, a constrained centroidal Voronoi tessellation on a coarse approximation of the surface to cover is proposed. The behavior of the agent is so based on a two-step optimization approach, where a stochastic optimization algorithm based on the on-line acquired information follows the geometrical-based initialization. The algorithm performance is evaluated in simulation and in particular the improvement on the solution brought by the Voronoi tessellation with respect to different initializations is analyzed.

研究动机与目标

• 为解决在缺乏先验知识的条件下，利用无人机团队对部分已知的三维环境实现最优视觉覆盖的挑战。
• 通过几何初始化利用稀疏的环境先验知识，降低无导数优化中陷入局部最优解的风险。
• 通过结构化的初始化阶段，提升在线测量驱动的优化算法的收敛速度与最终覆盖性能。
• 验证受限质心Voronoi图（CVT）作为复杂、类真实场景中UAV预部署策略的有效性。

提出的方法

• 在环境的粗略三维表面近似上计算受限质心Voronoi图（CVT），以生成初始UAV部署配置。
• CVT确保UAV在表面上均匀分布，最小化与目标区域的距离，并促进覆盖的均衡性。
• 将初始配置用于种子化无导数、基于测量的随机优化算法（CAO），通过实时可见性反馈优化位置。
• 优化过程利用在线传感器测量值更新UAV位置，无需精确的可见性函数解析模型。
• 该方法结合几何初始化（CVT）与迭代随机优化（CAO），在探索与利用之间实现平衡。
• 在Gazebo和ROS中通过AR.Drone 2.0模型进行仿真评估，模拟了有限感知范围和动态障碍物等现实约束。

实验结果

研究问题

• RQ1 基于受限CVT的几何初始化是否能显著提升在线无导数优化在多UAV视觉覆盖中的性能？
• RQ2 与随机或启发式初始化相比，基于CVT的初始化在最终覆盖度和收敛速度方面表现如何？
• RQ3 在多大程度上可利用稀疏先验知识（如边界点和中心点）实现接近最优的覆盖配置？
• RQ4 两步法（CVT + 随机优化）是否降低了收敛至次优局部最优解的概率？

主要发现

• 基于CVT的初始化实现了平均最终覆盖度0.91（标准差0.02），显著优于随机初始化。
• 仅使用四个边界点和一个中心点构成的金字塔近似时，CVT仍实现了0.78的初始覆盖度，表明其对稀疏先验知识具有鲁棒性。
• 与未初始化或初始化不佳的配置相比，使用CVT初始化的优化过程收敛速度加快了30%。
• 在包含四架AR.Drone的Gazebo真实场景仿真中，CVT初始化配置的覆盖度更高且收敛更快，优于聚类初始化。
• 在稀疏先验知识下，最终覆盖性能与使用更丰富近似信息时几乎无差异，表明CVT能有效缓解初始化质量差异的影响。
• 该方法降低了陷入次优局部最优解的风险，表现为在多个测试环境中覆盖结果始终更高且更稳定。