IEEE'24 | 最小成本！安全协作！异构无人机飞行的路径规划新策略！

0.这篇文章干了啥？

这篇文章提出了一种新颖的异构无人机团队未知空间探索方法。该方法结合了前沿检测、兴趣点（POIs）可达性评估和任务分配等技术，通过前沿检测生成 POIs，利用 SphereMap 确定其可达性，并通过最小成本流（MCF）技术解决任务分配问题，从而为每个无人机分配探索任务。此外，文章还为选定的 POIs 生成了无碰撞路径，并跟踪无人机之间的相互距离以确保飞行安全。算法在 Gazebo 机器人模拟器中进行了仿真测试，并在实际工业仓库环境中进行了验证。结果表明，虽然 MCF 方法在任务分配中的效率显著高于贪婪方法，但执行时间较长。在实际环境中，算法能够实时运行，并成功完成复杂环境中的探索任务，验证了其在真实应用中的有效性和潜在改进方向。

下面一起来阅读一下这项工作~

1. 论文信息

论文题目：Cooperative Indoor Exploration Leveraging a Mixed-Size UAV Team with Heterogeneous Sensors

作者：Michaela Cihl´aˇrov´a∗, V´aclav Pritzl等

作者机构：Czech Technical University

论文链接：https://arxiv.org/pdf/2407.09206

2. 摘要

异构的无人机（UAV）团队通过利用不同类型无人机的各自优势和能力，能够增强空中机器人在探索中的能力。本文提出了一种新颖的方法，用于不同尺寸和传感设备的无人机团队在未知的室内空间进行探索。我们提出了一种基于前沿的探索方法，并配备了两种任务分配策略：一种是基于欧氏距离和无人机优先级的贪婪策略，另一种是通过解决最小成本流问题的优化策略。该方法采用了SphereMap算法来评估兴趣点（POIs）的可达性，并生成考虑障碍物距离的路径规划，包括无人机之间的避碰操作。通过仿真测试和实际实验，我们验证了该方法在无人机上的性能表现。

3. 效果展示

使用OctoMap (a)和使用OctoMap (b)的SphereMap映射表示。

用于实验的办公环境的凉亭模型:俯视图(a)，侧视图(b)。

4分钟任务结束时办公空间的占用图。红色表示使用激光雷达扫描的区域，蓝色表示仅由sUAV探索的空间。

仓库环境的三维模型，其中真实世界的实验被执行:前视图(a)，后视图(b)。

真实世界实验(a)、(b)的照片和初始位置的全球占用网格，以显示勘探进度(c)和最终地图(d)

4. 主要贡献

1. 异构无人机协作探索方法 ：提出了一种结合不同尺寸和传感设备的异构无人机团队，用于探索未知空间的创新方法，充分发挥了各类无人机的优势。 推荐课程： 如何快速上手全球最强开源飞控px4？

2. 基于边界的兴趣点生成 ：采用了基于边界的算法生成兴趣点，并通过SphereMap技术评估兴趣点的可达性，提升了探索效率。

3. 最小成本流目标分配 ：引入了最小成本流算法来解决无人机任务的分配问题，确保资源的高效利用，并加快了探索速度。

4. 安全飞行的路径规划 ：设计了无碰撞路径规划算法，并通过持续跟踪无人机之间的相互距离，保障了飞行过程中的安全性。

5. 仿真与真实世界验证 ：算法在复杂的仿真环境中得到了测试，并通过真实无人机实验验证了其在无外部定位系统和外部计算资源下的实用性与可靠性。

5. 基本原理是啥？

1. 边界探索（Frontier-based Exploration） ：无人机通过探索未知空间中的边界区域来生成 兴趣点（Points of Interest, POIs） 。边界是已知空间和未知空间的分界线，探索这些区域可以逐步扩展无人机对环境的认知。

2. SphereMap 可达性评估 ：通过使用 SphereMap 技术 ，无人机评估生成的兴趣点是否可达。SphereMap 的核心思想是通过在三维空间中模拟一个球体来确定某个兴趣点是否处于无人机的可达范围内。这种方法能快速判断哪些兴趣点能够通过安全路径到达，从而提高了探索的效率和安全性。

3. 最小成本流算法（Minimum-Cost Flow, MCF） ：任务分配问题通过 最小成本流算法 来解决。该算法的原理是将每个无人机视为一个节点，每个兴趣点视为另一个节点，然后通过最小化任务分配的总成本来为每架无人机分配最优的探索路径。这个方法能够有效地优化多架无人机之间的协作，从而加快整个探索过程。

4. 无碰撞路径规划 ：基于生成的兴趣点和无人机当前的定位，系统为每架无人机规划一条无碰撞的路径。在飞行过程中，算法会持续跟踪无人机之间的相互距离，以避免无人机之间的碰撞。

5. 自主定位与路径跟踪 ：使用不同的传感器设备，如激光雷达（LiDAR）和视觉惯性里程计（VIO），无人机能够实现自主定位和路径跟踪，确保在未知环境中的高精度导航。

6. 实验结果

实验结果部分主要展示了所提出的方法在仿真和实际环境中的表现：

A. 仿真实验

1. 环境设置 ：

• 使用 Gazebo 机器人模拟器创建了一个 23×23×3 米的办公室环境，图 5 展示了该环境。
• 环境中包括一个宽敞的公共区域和多个较小的房间，其中只有较小的房间可以通过宽度为 0.9 米的门进入，以验证异构无人机之间的协作。

• 前沿检测 ：前沿检测的处理时间依赖于地图的复杂性。室内环境中，探索初期的处理时间显著较高，因为大多数叶节点为空。随着探索的进展，空叶节点的数量减少。前沿检测的中位处理时间为 59.64 毫秒。
• 任务分配 ：使用贪婪方法和最小成本流（MCF）算法进行任务分配比较。贪婪方法在探索 95% 空间时需要 240.68 秒，而 MCF 算法只需 186.55 秒，MCF 方法较贪婪方法提高了约 30% 的效率。然而，MCF 方法的执行时间较长。贪婪方法的中位处理时间为 144.53 毫秒，而 MCF 方法为 253.76 毫秒。
• 路径规划 ：路径规划的处理时间根据状态变量的不同而有所变化。监控状态的处理时间相对较小，因此未进行测量。路径规划中的主要影响因素是等待新行动的无人机数量。

• 图 6 显示了最终的占用地图，该地图是通过使用贪婪方法解决任务分配问题的 4 分钟探索任务的结果。
• 图 7 展示了前沿检测、目标分配和路径规划的处理时间的直方图。

B. 实际环境实验

1. 环境设置 ：

• 在实际工业仓库环境中进行了实验（见图 8），没有外部定位系统或计算资源。
• 为确保无人机的安全，对探索参数进行了更新（详见表 II）。

• 最终地图 ：一个成功实验的最终地图展示在图 9 中，任务持续了 4.1 分钟。实验提供了有关实际执行时间的有价值数据。
• 处理时间 ：在复杂环境中，前沿检测的中位处理时间为 178.2 毫秒，任务分配为 842.12 毫秒，路径规划为 23.49 毫秒。
• 定位漂移 ：由于 VIO 的定位漂移，当无人机之间的视线被长时间中断时，sUAV 的估计姿态出现了漂移。这种情况可能导致 sUAV 路径与 pUAV 上计划的路径不同。未来工作将集中在选择会合点，以便 pUAV 可以纠正这些问题。
• 安全距离 ：由于无人机之间的安全距离较大，探索进展受到了阻碍。未来工作还将关注设计更小的无人机并增加螺旋桨保护。

7. 总结 & 未来工作

我们提出了一种新颖的方法，用于使用不同尺寸和传感设备的异构无人机团队探索未知空间。该方法利用基于边界的方式生成兴趣点（POI），通过SphereMap确定POI的可达性，并使用最小成本流技术解决目标分配问题。为选定的POI生成无碰撞路径，并跟踪无人机之间的相互距离以确保飞行安全。算法在复杂的仿真环境中进行了测试，其性能也在实际无人机实验中进行了评估，这些无人机没有外部定位系统或外部计算资源支持。实验不仅展示了所提出方法的特性，还为其在实际应用中的可行性和未来改进的潜力提供了宝贵的见解。

本文仅做学术分享，如有侵权，请联系删文。

3D视觉交流群，成立啦！

目前我们已经建立了3D视觉方向多个社群，包括 2D计算机视觉 、 最前沿 、 工业3D视觉 、 SLAM 、 自动驾驶 、 三维重建 、 无人机 等方向，细分群包括：

工业3D视觉 ：相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。

SLAM ：视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。

自动驾驶：深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、自动驾驶综合群等、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、Occupancy、目标跟踪等。

三维重建 ：3DGS、NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等

无人机