[论文解读] Vision-based Autonomous Landing in Catastrophe-Struck Environments

Mayank Mittal, Abhinav Valada+1 more|arXiv (Cornell University)|Sep 15, 2018

Robotics and Sensor-Based Localization参考文献 22被引用 9

一句话总结

本文提出了一种基于视觉的无人机自主着陆系统，适用于灾后废墟环境，利用双目深度图计算多因素代价图（平整度、倾斜度、深度精度、能耗），并通过聚类识别安全着陆区域。该系统可在无结构废墟上实现实时、机载的最小 jerk 轨迹着陆，已在仿真和真实倒塌建筑中得到验证。

ABSTRACT

Unmanned Aerial Vehicles (UAVs) equipped with bioradars are a life-saving technology that can enable identification of survivors under collapsed buildings in the aftermath of natural disasters such as earthquakes or gas explosions. However, these UAVs have to be able to autonomously land on debris piles in order to accurately locate the survivors. This problem is extremely challenging as the structure of these debris piles is often unknown and no prior knowledge can be leveraged. In this work, we propose a computationally efficient system that is able to reliably identify safe landing sites and autonomously perform the landing maneuver. Specifically, our algorithm computes costmaps based on several hazard factors including terrain flatness, steepness, depth accuracy and energy consumption information. We first estimate dense candidate landing sites from the resulting costmap and then employ clustering to group neighboring sites into a safe landing region. Finally, a minimum-jerk trajectory is computed for landing considering the surrounding obstacles and the UAV dynamics. We demonstrate the efficacy of our system using experiments from a city scale hyperrealistic simulation environment and in real-world scenarios with collapsed buildings.

研究动机与目标

• 解决地震或爆炸等灾难后，在无结构、不稳定的废墟堆上实现无人机自主着陆的关键需求。
• 使配备生物雷达的无人机能够安全着陆于废墟上，通过生命体征信号探测幸存者。
• 开发一种计算高效、可在机载资源受限条件下运行、无需预先地图或基础设施的系统。
• 确保在无地形或标记先验知识的动态、视觉复杂环境中具备鲁棒性。
• 将着陆检测与实时三维重建及轨迹规划集成，实现安全、动态的着陆操作。

提出的方法

• 从双目深度数据构建四个独立的代价图：深度精度、平整度、倾斜度以及着陆能耗。
• 通过加权融合将这些代价图整合为最终决策图，以评估着陆点风险。
• 通过阈值化最终代价图并应用 k-d 树进行局部优化，检测密集的候选着陆点。
• 应用聚类（最近邻滤波）将相邻的候选点聚合成单一安全着陆区域。
• 生成低分辨率三维体素地图（OctoMap），用于障碍物感知的轨迹规划。
• 结合无人机动力学与附近障碍物，计算最小 jerk 多项式轨迹，实现平稳、安全的下降。

实验结果

研究问题

• RQ1 无人机如何在无先验地图或标记的情况下，自主检测无结构、不稳定的废墟堆上的安全着陆点？
• RQ2 哪些地形与传感器因素的组合（如平整度、深度置信度、能耗）最能预测灾后环境中的安全着陆？
• RQ3 能否设计出一种实时、机载的着陆系统，使其在嵌入式硬件上与状态估计和生物雷达处理并行高效运行？
• RQ4 该系统在复杂、高保真或真实灾后场景中如何保持鲁棒性与计算效率？
• RQ5 聚类与轨迹规划在无结构环境中在多大程度上可提升着陆的安全性与可靠性？

主要发现

• 系统实现实时性能，每帧总计算时间为 167.5 ± 61.4 ms，内存使用量为 193.8 ± 6.6 MB，在嵌入式 CPU 上运行。
• 平整度代价图评估是最耗时的组件（91.7 ± 38.8 ms），原因在于边缘检测图像上的距离变换计算。
• 密集着陆点检测与聚类的性能波动较大，原因在于场景相关的着陆点数量差异以及聚类的 O(n²) 复杂度。
• 在仿真与真实世界测试中，系统成功检测到废墟堆上的安全着陆点，包括靠近边缘区域及有少量碎屑的屋顶。
• 系统使无人机能够自主着陆于倒塌结构上，已在气体爆炸与地震场景中得到验证。
• 纹理化三维网格重建与 OctoMap 的集成，实现了实时结构分析与安全路径规划。