[论文解读] Teach-Repeat-Replan: A Complete and Robust System for Aggressive Flight in Complex Environments

Fei Gao, Luqi Wang+4 more|arXiv (Cornell University)|Jul 1, 2019

Robotic Path Planning Algorithms参考文献 43被引用 7

一句话总结

本文提出 Teach-Repeat-Replan，一种完整且鲁棒的系统，用于在复杂环境中实现高速自主四旋翼飞行。该系统通过时空优化，将任意剧烈抖动的人工驾驶轨迹转换为拓扑等价、平滑且具备运动学与动力学可行性的全局轨迹，同时结合机载滑动窗口局部感知与快速重规划，以避开未测绘或动态障碍物，实现实时适应与高精度跟踪，从而在不断变化的室内外环境中实现安全、高速飞行。

ABSTRACT

In this paper, we propose a complete and robust motion planning system for the aggressive flight of autonomous quadrotors. The proposed method is built upon on a classical teach-and-repeat framework, which is widely adopted in infrastructure inspection, aerial transportation, and search-and-rescue. For these applications, human's intention is essential to decide the topological structure of the flight trajectory of the drone. However, poor teaching trajectories and changing environments prevent a simple teach-and-repeat system from being applied flexibly and robustly. In this paper, instead of commanding the drone to precisely follow a teaching trajectory, we propose a method to automatically convert a human-piloted trajectory, which can be arbitrarily jerky, to a topologically equivalent one. The generated trajectory is guaranteed to be smooth, safe, and kinodynamically feasible, with a human preferable aggressiveness. Also, to avoid unmapped or dynamic obstacles during flights, a sliding-windowed local perception and re-planning method are introduced to our system, to generate safe local trajectories onboard. We name our system as teach-repeat-replan. It can capture users' intention of a flight mission, convert an arbitrarily jerky teaching path to a smooth repeating trajectory, and generate safe local re-plans to avoid unmapped or moving obstacles. The proposed planning system is integrated into a complete autonomous quadrotor with global and local perception and localization sub-modules. Our system is validated by performing aggressive flights in challenging indoor/outdoor environments. We release all components in our quadrotor system as open-source ros-packages.

研究动机与目标

• 开发一种鲁棒且完整的系统，用于在人类驾驶轨迹常不理想的情况下，实现复杂环境中的高速自主飞行。
• 解决经典教学-重复系统在环境变化或教学质量差时失效的局限性。
• 使自主四旋翼飞行器在生成平滑、安全且具备运动学与动力学可行性的轨迹的同时，尊重用户意图。
• 集成在线局部感知与重规划，以应对飞行过程中未测绘或移动障碍物。
• 在无需专家驾驶的情况下实现高速飞行，使系统在真实世界应用中更具可及性与实用性。

提出的方法

• 系统使用虚拟教学界面，在基于机载传感器的地图重建的仿真环境中记录人工驾驶轨迹。
• 采用 GPU 加速的凸多面体聚类方法生成飞行走廊，以保留教学轨迹的拓扑结构。
• 全局轨迹生成将空间与时间优化解耦：通过坐标下降法迭代优化能量最优的空间路径与时间最优的时间剖面。
• 系统采用滑动窗口局部感知模块，利用双目相机构建分辨率为 0.075m 的动态环形缓冲占用图。
• 快速本地重规划模块采用基于梯度的局部轨迹包裹方法，在实时（15Hz）下生成安全、具备运动学与动力学可行性的样条曲线，以应对动态或未测绘障碍物。
• 系统融合全局规划与本地重规划，确保在存在定位漂移或环境变化时仍能安全跟踪参考轨迹。

实验结果

研究问题

• RQ1 如何将具有任意抖动特性的人员驾驶轨迹，转换为保留用户意图飞行拓扑结构的平滑、安全且具备运动学与动力学可行性的全局轨迹？
• RQ2 何种方法可有效生成飞行走廊，以捕捉教学轨迹周围的关键自由空间，同时支持高效的全局优化？
• RQ3 四旋翼系统在遭遇未测绘或移动障碍物时，如何实现实时安全与稳定飞行？
• RQ4 何种局部感知与重规划策略可实现对环境变化的鲁棒、低延迟适应，且无需重新初始化全局地图？
• RQ5 系统如何在 GPS 信号缺失、复杂室内外环境中，确保高速飞行性能、精确跟踪与鲁棒性？

主要发现

• 系统成功在室内环境中实现最高达 2 m/s 速度、2 m/s² 加速度的高速飞行，因动态障碍物触发 8 次本地重规划，成功在变化的无人机竞速赛道中实现安全导航。
• 在室外实验中，系统飞行速度最高达 7 m/s，加速度达 6 m/s²，仅依赖视觉-惯性定位（VINS）与局部感知，在无 GPS 环境下表现出强鲁棒性。
• 本地重规划模块在室外试验中以 15 Hz 的频率运行，时间窗长达 2.0s，实现实时适应突发环境变化并保持安全轨迹跟踪。
• 全局轨迹生成在高精度跟踪方面表现优异，如图 23 所示，即使在高速飞行下，位置与速度估计误差仍保持在可接受范围内。
• 采用 GPU 加速的凸多面体聚类方法生成飞行走廊，实现了从复杂、杂乱环境中高效且准确的走廊提取。
• 系统在多种场景中得到验证，包括室内无人机竞速、森林飞行及第三方演示，证实其鲁棒性、灵活性与真实世界适用性。