[论文解读] Perception-aware Path Planning

Gabriele Costante, Christian Förster+3 more|arXiv (Cornell University)|May 13, 2016

Robotic Path Planning Algorithms被引用 37

一句话总结

本文提出了一种感知感知路径规划框架，通过融合光照（纹理）和几何场景信息，最小化基于视觉的机器人的定位不确定性。通过使用密集直接方法从图像强度计算费雪信息，并将RRT*扩展为具备不确定性感知的轨迹优化，该方法相比标准RRT*将姿态不确定性降低了整整一个数量级，从而在真实和模拟环境中实现了更安全、更精确的导航。

ABSTRACT

In this paper, we give a double twist to the problem of planning under uncertainty. State-of-the-art planners seek to minimize the localization uncertainty by only considering the geometric structure of the scene. In this paper, we argue that motion planning for vision-controlled robots should be perception aware in that the robot should also favor texture-rich areas to minimize the localization uncertainty during a goal-reaching task. Thus, we describe how to optimally incorporate the photometric information (i.e., texture) of the scene, in addition to the the geometric one, to compute the uncertainty of vision-based localization during path planning. To avoid the caveats of feature-based localization systems (i.e., dependence on feature type and user-defined thresholds), we use dense, direct methods. This allows us to compute the localization uncertainty directly from the intensity values of every pixel in the image. We also describe how to compute trajectories online, considering also scenarios with no prior knowledge about the map. The proposed framework is general and can easily be adapted to different robotic platforms and scenarios. The effectiveness of our approach is demonstrated with extensive experiments in both simulated and real-world environments using a vision-controlled micro aerial vehicle.

研究动机与目标

• 解决现有顶尖规划器仅考虑几何场景结构、忽略对基于视觉定位至关重要的光照（纹理）信息的局限性。
• 开发一种框架，最优地整合几何与光照场景特征，以在路径规划过程中最小化定位不确定性。
• 通过使用密集、直接的方法直接从图像强度值计算不确定性，克服基于特征的定位方法的缺点。
• 在缺乏先验地图知识的场景中实现在线轨迹自适应，随着新发现的纹理区域或障碍物区域，动态更新规划路径。
• 通过真实世界和模拟环境中基于视觉控制的微型飞行器（MAV）验证该框架的有效性。

提出的方法

• 使用密集、直接的视觉里程计，直接从像素强度值计算费雪信息矩阵，避免依赖特征检测器和阈值。
• 应用基于李群的状态传播方法，将定位不确定性近似到四阶，实现在状态空间中的精确不确定性估计。
• 将RRT*算法扩展，引入感知感知成本函数，基于预测的三维结构和光照内容最小化预期姿态不确定性。
• 集成在线地图更新机制：随着机器人探索，检测到新的障碍物和纹理区域后，重新规划轨迹以优先选择视觉信息更高的区域。
• 使用热力图和协方差椭圆可视化不确定性，对比感知感知规划器与标准规划器的性能。
• 对所有实验进行轨迹长度归一化，以定量比较不确定性演化情况，每种场景下基于15次试验的平均值和95%置信区间进行分析。

实验结果

研究问题

• RQ1 如何有效将光照（纹理）信息整合到路径规划中，以降低基于视觉的机器人的定位不确定性？
• RQ2 在在线路径规划中，密集、直接方法是否能优于基于特征的方法进行不确定性估计？
• RQ3 与仅依赖几何信息的规划器相比，同时考虑几何与纹理信息能在多大程度上提升姿态估计精度？
• RQ4 在缺乏先验地图知识的情况下，如何实时计算并更新感知感知轨迹？
• RQ5 在复杂环境中，使用感知感知规划相比标准RRT*，定位不确定性的定量改善程度如何？

主要发现

• 在模拟和真实世界实验中，感知感知规划器将姿态不确定性（以协方差矩阵的迹衡量）相比标准RRT*降低了整整一个数量级。
• 在迷宫和厨房模拟场景中，RRT*与感知感知规划器的平均轨迹时长几乎相同（718秒 vs. 715秒，以及578秒 vs. 580秒），表明性能提升并非源于速度，而是源于更高的精度。
• 尽管航点位置相似，感知感知规划器由于优化了偏航角以最大化视觉信息增益，实现了显著更小的协方差椭圆。
• 真实世界实验结果证实，感知感知规划器生成的轨迹具有更低的定位不确定性，显著降低了因姿态估计不佳导致的导航失败风险。
• 在归一化不确定性演化图中，95%置信区间在两种模拟环境的15次试验中均显示一致且具有统计显著性的改进。
• 该框架成功实现了在线重规划：当发现新的纹理区域或障碍物时，轨迹会动态更新，优先选择具有更高光照信息含量的区域，从而提升长期定位可靠性。