Safe Local Exploration for Replanning in Cluttered Unknown Environments

- 问题描述
方法
- 局部轨迹优化
- 地图表示
- 中间目标选择
- 系统框架
- 实验结果

Helen Oleynikova, Zachary Taylor, Roland Siegwart, and Juan Nieto Autonomous Systems Lab, ETH Z¨urich
ETH发表在2018IROS上的

问题描述

考虑无人机在复杂、未知、非结构化环境中的导航，主要解决的问题是:基于优化的局部规划器不能处理局部最小值，或者通过加一个optimistic的全局规划器来解决，所以这篇文章提出的解决方案是:基于优化的保守的局部规划器，与一个局部探索策略结合，后者来选择中间目标，并且他们通过实验证明这种方法会比一个optimistic的全局规划器效果更好，也比单纯的当陷入局部最小值后做单个探索步骤更好

核心问题是:如何设计一个补充性的发现目标的方法，来解决当局部规划器陷入局部最小值的问题

方法

局部轨迹优化

用的是之前论文提到的方法，把轨迹当做高阶的多项式样条，把动力学约束(最大速度和加速度)作为软约束，优化方程是一个复合成本函数，consisting of minimizing a derivative of position such as jerk or snap, combined with the collision gradient cost，包含了位置的导数，比如jerk或者snap，并且和碰撞梯度成本结合

Jd:最小化jerk或者snap的
Jc:沿着路径的成本的线性积分的近似值
Jg:目标的一个软的成本

优化问题的初始状态应该没有或几乎没有碰撞。本文设置了一个固定的计划范围rp，它是距当前状态的允许的最大距离。但是，将全局目标gg投影到此半径的球面上通常会导致端点被遮挡。

提出了两种移动这个端点到一个可到达的可作为样条终点的策略:

直线: 从投影后的点(通常被遮挡)往起点移动，直到第一个free的点
基于梯度:沿着梯度到一个free的点，如果方法陷入局部最小值，再用直线的方法
轨迹只规划了xyz，yaw是free的

地图表示

略过

中间目标选择

当local optimization 失败的话，需要选择新的目标点，这篇文章比较了五个选择新目标点的方式:

随机选取当轨迹初始位置的周围一个半径的球内随机选取一个点
an optimistic (unknown = free) RRT* 比较好的模拟了其他方法的全局规划器。生成一个到目标的稀疏的可见图，然后track图中的第一个点，如果到达第一个点，则跟着图到终点，如果什么时候局部规划器又卡住了，那么重新用RRT*生成一个图
a conservative or pessimistic RRT* (unknown = occupied)
从exploration借鉴的"next-best-view"planner(NBVP) 这个方法也是用RRT建树，选择information gain最大的branch来execute，但是与目标无关
本文的exploration 策略，结合了NBVP和追踪目标，以及视野范围

其实才到重点。。。。

与NBVP类似，也是在相机的视锥里计算信息增益，但是不同的是不会建立rrt图，而是在视锥里采样，并且不用视锥法
在起点的周围随机产生N的点，然后计算从当前位置到Xn的yaw，对于这些点，计算信息增益:相机的视锥里unknown的格子
并且不会每个格子都检查，然而采样检查，实验证明5%的采样率只有不到1%的估计误差，但是速度能快三倍
另外对每个各自也评估到全局目标点的距离，并进行归一化，转换为一个reward
reward最高的被选为下一个间隔目标

系统框架

用的是双目相机，地图框架是voxblox，生成的esdf地图(unknown=occupied)用来做局部轨迹优化，tsdf图(unknown=free)用来当局部优化失败时选择目标点

实验结果

积极的RRT效果最差，因为未知的区域被认为是可通行的，所以总会一次次地选择不可行的路径
NBVP好一点
保守的RRT相对表现不错，因为它只找距离目标最近的free的点

论文阅读 Safe Local Exploration for Replanning in Cluttered Unknown Environments相关推荐

【论文阅读】Local residual similarity for image re-ranking
Local residual similarity for image re-ranking (用于图像重新排序的局部残差相似度) Shaoyan Suna, Ying Lib, Wengang Zh ...
论文阅读 (二十一)：Exploratory Machine Learning with Unknown Unknowns (2021AAAI EXML)
文章目录引入 1 小故事一个 2 ExML:另辟蹊径 2.1 探索性机器学习 2.2 一些基础理论 3 开干开干 3.1 拒绝模型 3.2 特征发掘引入传统机器学习就不逼逼了.想象这样一个问 ...
【论文阅读】RAPTOR: Robust and Perception-Aware Trajectory Replanning for Quadrotor Fast Flight
[论文阅读]<RAPTOR: Robust and Perception-Aware Trajectory Replanning for Quadrotor Fast Flight> 发表 ...
论文阅读笔记（4）：Local Convex Representation with Pruning for Manifold Clustering ，带剪枝的局部凸表达进行流形聚类
论文阅读笔记(4):带剪枝的局部凸表达进行流形聚类介绍文章主要贡献理论上:局部凸表达(Local Convex Representation, **LCR**) 剪枝方法:估计流形的内在维数以剪 ...
【论文阅读】TRO2022: A Two-Stage Optimization-Based Motion Planner for Safe Urban Driving
TRO2022: A Two-Stage Optimization-Based Motion Planner for Safe Urban Driving Summary: 探讨planning过程中 ...
论文阅读29 | Parameter Sharing Exploration and Hetero-center Triplet Loss for V-TReID
论文:Parameter Sharing Exploration and Hetero-center Triplet Loss for Visible-Thermal Person Re-Identi ...
[论文阅读] (12)英文论文引言introduction如何撰写及精句摘抄——以入侵检测系统(IDS)为例
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
[论文阅读] (14)英文论文实验评估（Evaluation）如何撰写及精句摘抄（上）——以入侵检测系统(IDS)为例
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
深度学习论文阅读（四）：GoogLeNet《Going Deeper with Convolutions》
深度学习论文阅读(四):GoogLeNet<Going Deeper with Convolutions> Abstract 摘要 1.Introduction 引言 2. Related ...

论文阅读 Safe Local Exploration for Replanning in Cluttered Unknown Environments