RAL24 | 毫秒级端到端无人机规划算法：You Only Plan Once

自动驾驶之心 · 公众号 · · 2024-12-16 07:30

正文

作者 | Junjie Lu 编辑 | 深蓝AI

点击下方卡片，关注“ 自动驾驶之心 ”公众号

戳我-> 领取 自动驾驶近15个 方向学习路线

>> 点击进入→ 自动驾驶之心 『运动规划』 技术交流群

本文只做学术分享，如有侵权，联系删文

导读：在无人机领域，如何实现障碍物密集环境下⽆⼈机⾼速⾃主⻜⾏⼀直是⼀⼤挑战。本⽂将深⼊解读这项⼯作，并探讨它是如何通过端到端轨迹规划算法实现毫秒级的规划速度与⾼速⻜⾏的能⼒。

本文由paper一作—— Junjie Lu 授权【深蓝AI】编译发布！

论⽂题目：You Only Plan Once: A Learning-Based One-Stage Planner With Guidance Learning
论文作者：Junjie Lu , Xuewei Zhang , Hongming Shen,LiwenXu , and Bailing Tian

论文地址：https://ieeexplore.ieee.org/document/10528860

在无人机领域，实现自主路径规划是一个重要的主题，它涉及到在给定环境下生成一条从起点到终点的无碰撞最优路径。目前的主流算法如Fast-Planner等主要通过获取图像->建图->前端路径搜索->后端轨迹规划这⼀框架实现满足无人机运动学和动力学的最优路径生成。但是，受建图与前端路径搜索耗时的影响，导致规划速度很难有大的提升，进而限制了无人机高速飞行的能力。为减小耗时，实现毫秒级的规划速度，作者提出了⼀种名为You Only Plan Once (YOPO) 的端到端规划算法，通过端到端的方式去除建图与前端路径搜索过程，实现从获取图像直接到轨迹规划，为规划算法节省大量时间，使得高速飞行成为可能。

▲图1 YOPO轨迹规划图

▲图2 系统概述：YOPO算法以深度图像、当前状态和目标方向作为输入，并预测每个原始轨迹的偏移量、末端导数和得分。

YOPO算法框架如上图所示，主干网络为ResNet-18，网络策略的输入为深度图像（表示环境的深度信息）、当前状态（无人机的当前位置、速度和加速度等）以及目标方向（表示无人机的目标位置或方向）；输出为偏移量（表示每个原始轨迹的偏移量，用于调整无人机的运动路径）、末端导数（表示每个原始轨迹的末端导数，用于描述轨迹的末端状态）以及得分（表示每个原始轨迹的得分，用于评估轨迹的可行性）。

YOPO算法将运动规划问题定义为空间分离的多项式轨迹和相关分数的回归。通过采用一组运动基元来覆盖搜索空间，并在前向传播中预测基元的偏移量和分数以进行局部优化。在训练阶段，作者提出了一种称为引导学习的无监督学习策略，被开发来提供数值梯度作为训练的指导。

■3.1基元坐标系

在YOPO算法中，基元坐标系的设计是实现精确运动规划的关键基础。该系统首先对输入的深度图像进行结构化划分，将图像在垂直和水平方向分别均匀划分为和块，从而形成了⼀个网格化的结构，总计包含个区块。这种划分方式确保了对整个空间的系统性覆盖，如下图所示。

▲图3 基元坐标系

每个锚点采用球坐标系表示，其初始位置定义为：

为实现精确的位置控制，系统使用ResNet-18网络预测位置偏移量。考虑偏移量后，锚点的实际位置变为：

其中：

网络输出的偏移量具有维度，包含位置、速度和加速度等信息。这些偏移量通过如下变换计算：

​RAL24 | 毫秒级端到端无人机规划算法：You Only Plan Once

正文

■3.1基元坐标系

请到「今天看啥」查看全文

RAL24 | 毫秒级端到端无人机规划算法：You Only Plan Once