[论文解读] Visual-Inertial Teach and Repeat for Aerial Inspection

Marius Fehr, Thomas Schneider+3 more|arXiv (Cornell University)|Mar 26, 2018

Robotics and Sensor-Based Localization被引用 9

一句话总结

本论文提出了一种用于在GPS拒止环境下的自主垂直起降飞行器（MAV）巡检的视觉-惯性教学与重复（Teach-and-Repeat）系统，利用手持设备或MAV教学巡检路径。基于Google Tango视觉-惯性地图构建框架，该系统实现了精确的定位、轨迹规划以及实时跟随或重放巡检任务，并通过已知障碍物位姿实现碰撞避免。

ABSTRACT

Industrial facilities often require periodic visual inspections of key installations. Examining these points of interest is time consuming, potentially hazardous or require special equipment to reach. MAVs are ideal platforms to automate this expensive and tedious task. In this work we present a novel system that enables a human operator to teach a visual inspection task to an autonomous aerial vehicle by simply demonstrating the task using a handheld device. To enable robust operation in confined, GPS-denied environments, the system employs the Google Tango visual-inertial mapping framework as the only source of pose estimates. In a first step the operator records the desired inspection path and defines the inspection points. The mapping framework then computes a feature-based localization map, which is shared with the robot. After take-off, the robot estimates its pose based on this map and plans a smooth trajectory through the way points defined by the operator. Furthermore, the system is able to track the poses of other robots or the operator, localized in the same map, and follow them in real-time while keeping a safe distance.

研究动机与目标

• 使非专业人类操作员能够仅使用手持平板电脑或手动驾驶MAV，在GPS拒止环境中教学复杂空中巡检任务。
• 利用视觉-惯性里程计和基于特征的地图构建，在无基础设施的GPS拒止工业环境中实现鲁棒的定位。
• 使自主MAV能够精确重放教学的巡检路径，实现实时跟随并保持安全距离。
• 通过实现其他智能体的位姿跟踪和基于已知安全球体的碰撞避免，支持多机器人协同作业。
• 在真实工业巡检场景中展示系统的可行性与鲁棒性。

提出的方法

• 系统使用Google Tango视觉-惯性地图构建框架，从记录的里程计数据中生成基于特征的定位地图，并通过基于外观的回环检测和VIWLS优化进行后处理。
• 教师与MAV均使用相同的共享地图进行定位，实现在统一全局坐标系下的稳定6-DOF位姿估计。
• 教学与重复（T&R）规划器以关键帧形式记录教师的轨迹和巡检点，当检测到运动停止超过2秒后识别巡检点。
• 局部规划器使用多项式轨迹优化生成平滑且动力学可行的轨迹，生成时间参数化的路径。
• 模型预测控制器（MPC）基于优化后的轨迹计算推力与姿态指令，实现实时MAV控制。
• 碰撞避免通过被动监测教师和其他智能体周围的安全球体实现，若发生重叠则触发紧急停止。

实验结果

研究问题

• RQ1 非专业操作员是否仅使用手持平板电脑即可在GPS拒止环境中成功教学复杂空中巡检任务？
• RQ2 MAV能否仅依靠视觉-惯性传感实现高精度、高鲁棒性的定位与教学路径重放？
• RQ3 在狭小工业环境中，系统是否能实时跟随操作员或另一台机器人，并保持安全距离？
• RQ4 系统的性能在多大程度上依赖于视觉-惯性地图和基于特征的定位质量？
• RQ5 系统能否在无需额外用户输入的情况下，仅通过检测运动停止状态可靠地识别并标记巡检点？

主要发现

• 该系统成功使人类操作员在无GPS信号的工业环境中，仅使用Google Tango平板电脑完成了空中巡检任务的教学。
• MAV基于共享的视觉-惯性地图实现了精确且安全的轨迹跟随，所有巡检点均被准确识别。
• 系统在实时跟随操作员时表现出动态安全距离保持能力，通过已知障碍物位姿跟踪有效防止了碰撞。
• T&R规划器在检测到运动停止2秒后正确识别了巡检点，实现了自动航点标记。
• 系统在真实工业环境中表现出高度鲁棒性，测试期间未发生任何定位、轨迹执行或碰撞避免故障。
• 使用Google Tango框架实现了无基础设施、高精度的定位与地图构建，无需外部信标或标记。