论文阅读 Safe Local Exploration for Replanning in Cluttered Unknown Environments
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 ...
最新文章
- C Check email existance in Outlook
- Alpha冲刺 - 事后诸葛亮
- HBase HFile与Prefix Compression内部实现全解–KeyValue格式
- python3多线程实例_python3多线程糗事百科案例
- 【计算机组成原理】计算机软硬件组成
- 【操作系统】独立进程与协作进程
- HyperLink的绑定用法(做笔记)
- cocos2dx java调lua,【Tech-Lua】Cocos-2dx-Lua調用java的小白教程(二)
- ubuntu 网卡网速测试bondnetperf测试优化tcp
- 敏捷开发之团队级经验分享
- 传智播客python毕业_2018年传智播客黑马python人工智能15期
- 虚拟基础架构管理——直接通过 VMware vCenter 管理 NetApp 存储操作
- [知识点整理]使用论文内容和用户行为对论文推荐进行个性化的重新排序(Personalised Reranking of Paper Recommendations Using Paper Conte)
- FlowLayout 流式布局加点击事件
- h5 c3 特效网站
- 电脑开机遇到二维码怎么办?
- 一种应用于档案馆档案库房的三维可视化温湿度监控系统平台
- 深度学习目前主要有哪些研究方向?
- android hwcomposer
- python按年月日输出字符串_python日期时间转为字符串或者格式化输出的实例