[论文解读] Technical report on Optimization-Based Bearing-Only Visual Homing with Applications to a 2-D Unicycle Model

Roberto Tron, Kostas Daniilidis|arXiv (Cornell University)|Feb 14, 2014

Robotic Path Planning Algorithms被引用 5

一句话总结

本文提出一种基于优化的仅使用方位角测量的视觉归巢控制律，利用李雅普诺夫函数的梯度，确保无需距离或罗盘信息即可实现全局收敛。该方法证明了平均地标向量法的全局收敛性，并通过滑模控制将框架扩展至非完整单体模型，实现仅依赖方位角测量的鲁棒导航，同时进行噪声鲁棒性敏感性分析。

ABSTRACT

We consider the problem of bearing-based visual homing: Given a mobile robot which can measure bearing directions with respect to known landmarks, the goal is to guide the robot toward a desired "home" location. We propose a control law based on the gradient field of a Lyapunov function, and give sufficient conditions for global convergence. We show that the well-known Average Landmark Vector method (for which no convergence proof was known) can be obtained as a particular case of our framework. We then derive a sliding mode control law for a unicycle model which follows this gradient field. Both controllers do not depend on range information. Finally, we also show how our framework can be used to characterize the sensitivity of a home location with respect to noise in the specified bearings. This is an extended version of the conference paper [1].

研究动机与目标

• 开发一种仅使用已知地标方向测量的全局收敛视觉归巢控制律。
• 为广泛使用的平均地标向量（ALV）方法提供严格的收敛性证明，该方法此前缺乏理论依据。
• 通过滑模控制将框架扩展至非完整单体模型，确保梯度场的轨迹跟踪。
• 通过计算归巢位置方差分量比（σ²_x / σ²_y）的热图，分析归巢位置对方位角测量噪声的敏感性。
• 通过消除对距离或全局罗盘信息的依赖，实现真实场景下的实用部署。

提出的方法

• 控制律被推导为属于精心选择类别的代价函数的梯度，确保收敛至唯一最小值点。
• 代价函数由对当前与目标方位向量之间角度差应用重分布函数 f 构成。
• 利用李雅普诺夫稳定性理论证明全局收敛性，对代价函数的凸性与可微性提出充分条件。
• 针对单体模型，设计滑模控制律，仅使用梯度微分的上下界来跟踪梯度场。
• 通过计算归巢位置中方差分量比（σ²_x / σ²_y）并以热图形式可视化，实现敏感性分析。
• 通过在不同地标配置与初始条件下进行二维环境仿真，验证了该方法的有效性。

实验结果

研究问题

• RQ1 能否设计一种仅使用角度测量的视觉归巢控制器，并保证其全局收敛性？
• RQ2 所提出的框架是否能为在实践中表现成功的平均地标向量（ALV）方法提供理论依据？
• RQ3 如何将基于梯度的控制律适配至控制能力有限的非完整单体动力学系统？
• RQ4 归巢位置对方位角测量噪声的敏感性如何？能否实现定量可视化？
• RQ5 能否通过对极几何实现相对姿态估计，将该框架扩展至无罗盘环境？

主要发现

• 所提出的控制律可确保从任意初始状态实现对归巢位置的全局渐近收敛，即使在缺乏距离或罗盘信息的情况下亦成立。
• 平均地标向量（ALV）方法被正式恢复为所提框架的特例，首次为该方法提供了全局收敛性的严格证明。
• 仿真结果表明，单体模型能从所有测试的初始朝向成功抵达归巢位置，包括机器人需倒车并旋转后再前进的情况。
• 滑模控制器能有效跟踪梯度流，轨迹与梯度场线对齐，证实了对控制约束的鲁棒性。
• σ²_x / σ²_y 的热图显示，被地标包围的归巢位置最稳定，而共线配置则导致稳定性下降。
• 即使视觉里程计无法准确估计平移运动，控制器仍能将单体模型引导至正确归巢位置，表现出对视觉估计误差的鲁棒性。