[论文解读] Multiresolution Mapping and Informative Path Planning for UAV-based Terrain Monitoring

Marija Popović, Teresa Vidal‐Calleja+4 more|arXiv (Cornell University)|Mar 8, 2017

Robotics and Sensor-Based Localization参考文献 17被引用 4

一句话总结

该论文提出了一种基于多分辨率高斯过程的无人机映射与信息性路径规划框架，用于高效监测农业生物量。通过融合具有高度依赖性传感器模型的变分辨率航拍图像，并利用高斯过程先验，实现了恒定时间的地图更新，并通过CMA-ES优化三维轨迹，与草坪式覆盖相比，模拟中平均误差最高降低45%，且在多旋翼无人机上实现了实时性能。

ABSTRACT

Unmanned aerial vehicles (UAVs) can offer timely and cost-effective delivery of high-quality sensing data. How- ever, deciding when and where to take measurements in complex environments remains an open challenge. To address this issue, we introduce a new multiresolution mapping approach for informative path planning in terrain monitoring using UAVs. Our strategy exploits the spatial correlation encoded in a Gaussian Process model as a prior for Bayesian data fusion with probabilistic sensors. This allows us to incorporate altitude-dependent sensor models for aerial imaging and perform constant-time measurement updates. The resulting maps are used to plan information-rich trajectories in continuous 3-D space through a combination of grid search and evolutionary optimization. We evaluate our framework on the application of agricultural biomass monitoring. Extensive simulations show that our planner performs better than existing methods, with mean error reductions of up to 45% compared to traditional "lawnmower" coverage. We demonstrate proof of concept using a multirotor to map color in different environments.

研究动机与目标

• 通过在复杂的空间相关环境中优化数据采集，提升基于无人机的地形监测效率。
• 解决将具有高度依赖性不确定性的多分辨率航拍图像融合到单一概率地图中的挑战。
• 实现实时、信息丰富的轨迹规划，平衡分辨率、视场角与资源约束。
• 在模拟和真实室内测试中验证该框架的性能，使用多旋翼无人机进行实验。
• 证明该方法在农业以外的标量场映射任务中的适用性，如气体浓度或高程测量。

提出的方法

• 使用高斯过程（GPs）作为先验，编码如生物量等连续标量场中的空间相关性。
• 采用贝叶斯融合方法，结合高度依赖的传感器模型，实现使用顺序测量的恒定时间地图更新。
• 通过三维网格搜索初始化候选轨迹，随后使用CMA-ES进化优化方法以最大化信息增益。
• 提出一种参数化方法以模拟真实的传感器动态，并自适应聚焦于高感染区域（高不确定性区域）。
• 在室内实验中使用深度相机实现实时彩色饱和度映射，模拟植被检测。
• 采用马atern核进行高斯过程训练，并基于不确定性降低和阈值化生物量水平定义效用函数。

实验结果

研究问题

• RQ1 如何高效地将具有不同分辨率和不确定性的多分辨率航拍图像融合到单一概率地图中？
• RQ2 基于高斯过程的先验是否能提升复杂空间相关环境中基于无人机的地形监测的准确性和效率？
• RQ3 与传统覆盖模式相比，三维轨迹的进化优化在信息增益和误差降低方面表现如何？
• RQ4 该框架在计算资源和电池有限的条件下，能在多大程度上实现实时运行？
• RQ5 该方法能否推广到农业以外的其他标量场监测任务？

主要发现

• 所提出的规划器在模拟中与传统草坪式覆盖相比，平均误差最高降低45%。
• CMA-ES在30次试验中表现优于其他优化方法，实现了最低的不确定性与误差指标。
• 在DJI Matrice 100上进行的实时实验成功实现了使用深度相机和Vicon状态估计对涂色绿色板材的映射。
• 所有测试场景中不确定性均随时间显著降低，验证了框架聚焦于高信息区域的能力。
• 系统在包含规划时间的情况下仍保持实时性能，证实了其在自主运行中的可行性。
• 该方法成功捕捉了空间相关性，并适应了变分辨率测量，即使在视场受限的情况下也表现良好。