[论文解读] Vision and Learning for Deliberative Monocular Cluttered Flight

Debadeepta Dey, Kumar Shaurya Shankar+7 more|arXiv (Cornell University)|Nov 24, 2014

Robotics and Sensor-Based Localization参考文献 17被引用 9

一句话总结

本论文提出首个用于单目无人机在密集障碍物环境中实时后退时域控制的系统，结合了学习的单目深度估计、预算化特征选择以及多种多样的深度预测，以应对不确定性。该系统实现了在2公里以上的密集森林中安全、目标导向的飞行，在低密度区域平均自主飞行距离达137米，树障规避准确率达到96.6%。

ABSTRACT

Cameras provide a rich source of information while being passive, cheap and lightweight for small and medium Unmanned Aerial Vehicles (UAVs). In this work we present the first implementation of receding horizon control, which is widely used in ground vehicles, with monocular vision as the only sensing mode for autonomous UAV flight in dense clutter. We make it feasible on UAVs via a number of contributions: novel coupling of perception and control via relevant and diverse, multiple interpretations of the scene around the robot, leveraging recent advances in machine learning to showcase anytime budgeted cost-sensitive feature selection, and fast non-linear regression for monocular depth prediction. We empirically demonstrate the efficacy of our novel pipeline via real world experiments of more than 2 kms through dense trees with a quadrotor built from off-the-shelf parts. Moreover our pipeline is designed to combine information from other modalities like stereo and lidar as well if available

研究动机与目标

• 通过仅使用单目视觉，实现小型无人机在密集自然障碍物环境中的安全、目标导向的自主飞行。
• 克服纯反应式控制的局限性，如陷入死胡同和目标导向行为差。
• 通过多种多样化深度预测而非依赖单一估计，将感知不确定性整合到规划中。
• 开发计算高效的流水线，适用于现成无人机的实时部署。
• 在真实户外飞行中验证系统性能，穿越密集森林，人类干预极少。

提出的方法

• 采用固定时域长度（5米）的后退时域控制，评估多种动态可行轨迹。
• 基于光流统计和计算预算下的代价敏感特征选择，使用基于学习的单目深度预测模型。
• 通过快速非线性回归实现实时单目相机深度估计。
• 生成多种多样化深度预测以表示感知不确定性，提升对误报的鲁棒性。
• 在轨迹跟踪期间，使用向下视角相机和声纳实现实时相对位姿估计。
• 可选地集成立体视觉或激光雷达数据，以提升深度估计精度。

实验结果

研究问题

• RQ1 后退时域控制能否在单目无人机上有效实现于密集障碍物飞行？
• RQ2 如何高效建模并整合感知不确定性到轨迹规划中，同时不牺牲实时性能？
• RQ3 预算化、代价敏感的特征选择能否提升无人机单目深度估计的速度与精度？
• RQ4 与单一预测相比，使用多种深度预测是否能显著提高飞行鲁棒性？
• RQ5 能否将纯反应式控制器与规划器有意义地结合以提升性能？

主要发现

• 在低障碍物区域，系统在人工干预前平均自主飞行137米，显著优于单一预测基线。
• 在高障碍物区域，多种预测相比单一预测降低了碰撞风险，整体树障规避准确率达到96.6%。
• 系统避开了93.1%的大树和98.6%的小树，其中39%的失败归因于大树，33%归因于细枝和树叶。
• 通过缓解单一预测深度图中的误报，该方法将高密度区域的故障率从7.5%降低至3.4%。
• 硬件在回路测试和基于探测车的测试，使规划与控制模块在真实飞行前得到稳健验证。
• 该方法证明了仅使用单目视觉即可实现穿越超过2公里密集森林的全程自主飞行。