文 |古轩说史

编辑 | 古轩说史

自主无人机已广泛用于各种任务，例如建筑/基础设施检查以及灾难环境中的搜救，在这些任务中，无人机的飞行距离/持续时间往往受到障碍物碰撞、机载电池短缺或机载传感器导致的定位误差以及全球导航卫星系统（GNSS）信号丢失的限制。

避碰是无人机运动规划的本质和基础，目前，已经报道了几种避免碰撞的方法，并验证了它们在实际无人机飞行情况下的有用性。

另一方面，对于电池问题，无人机基本上应该尽可能轻，而为了远距离飞行，无人机上需要安装多个电池组，增加了无人机的重量，无人机重量和电池之间的权衡严重限制了飞行时间和航程，并且风效应导致的气动阻力的增加对无人机的能耗有显著影响。

01

系统总览

导航系统在无人机控制中扮演着重要角色，其主要包括离线和在线两个阶段，在离线阶段，全局路径规划器是关键组件之一，用于确定无人机从起点到目标区域的航路点。

该规划器考虑全球地图和时空风速信息，以估计能耗并生成节能的全局路径，路径生成使用了扩展A*算法，结合了自适应单时间步搜索(aSTS)中的可变分辨率网格方法。

在线过程则由激光雷达（LiDAR）的SLAM、局部路径规划器和经典的PD控制器组成，基于LiDAR的SLAM算法采用A-LOAM的高级实现，用于提供无人机的姿态估计和建图。

A-LOAM通过处理3D LiDAR获取的点云数据，提取特征点用于相对运动估计，并实时生成基于3D KD树的局部地图，局部路径规划器则是研究的重点，它基于全局规划器生成的路点，生成感知感知的局部路径，在到达一个航点后，无人机以水平后退的方式对准下一个航点。

局部路径规划器利用快速探索随机树（RRT*）并结合A-LOAM算法扫描的特征点，量化感知质量，经典的PD控制器生成指令速度以跟踪计划路径，整个在线过程将持续进行，直到无人机达到全局目标。

这种导航系统在无人机控制中的应用具有重要意义，离线阶段的全局路径规划器能够为无人机规划出更为高效和节能的航迹，考虑了地图和风速等信息。

在线过程则依靠激光雷达的SLAM和局部路径规划器，实现了无人机在实际环境中的感知和控制，通过这种结合，无人机能够可靠地完成复杂任务并实现精确的位置控制，该研究提供了宝贵的技术经验，未来可以进一步改进系统的精度和鲁棒性。

02

搜索图结构

在所述全局规划器中，采用了一种基于半径为 r 的超球面和内接正十二面体的 A* 算法图，该方法是对传统 aSTS（自适应单时间步搜索）方法的扩展，使得无人机能够在 3D 空间中随时间进行路径规划。

在高维空间中，图的构建过程中搜索节点的数量呈指数级增加，这导致了计算负担与最优路径生成之间的权衡。

为了考虑风的实际影响，从当前节点搜索到的邻居节点应该在各个方向上均匀分布，因此，研究选择了32个相邻节点，在这个配置中，点（Xi, ti）代表当前节点，其中20个相邻节点是从内接正十二面体的顶点中选取的，其余的相邻节点位于超球面表面上，使得每个节点都位于正十二面体各个面的中心。

这种图结构的设计限制了相邻节点的数量，并且能够实现节点之间的距离几乎均匀分布，这有助于减轻计算负担使空间搜索变得高效，可以根据风的实际影响生成最佳路径。

需要注意的是，这32个相邻节点具有相同的 tj 值，因为无人机可以到达每个相邻节点，从而确保了路径的连通性，这种设计在全局规划器中的应用，为无人机的路径规划提供了一种高效且准确的方法，同时考虑了风的影响。

03

具有感知意识的本地规划师

局部路径规划模块由基于 RRT* 算法的树生成模块和路径选择模块构成，这一规划流程利用 RRT* 算法，根据当前位姿和地图生成了一个候选路径库。

路径选择模块对每条候选路径进行了评估，依据两个关键指标：感知质量和目标进度，根据这些评估结果，局部路径规划选择最佳路径，该路径将与低级控制器协同执行。

路径规划以地平线后退的方式迭代进行，直到无人机到达指定的航路点，在每个规划步骤中，规划器根据 A-LOAM 估计的地图和姿态，在预定义的立方区域内执行路径规划。

RRT* 算法被用作树生成模块，能够生成成本最优且避免碰撞的路径，在研究中，RRT* 算法被扩展为生成候选路径库，这种方法类似于无人机在未知区域中有效地探索，需要注意，如果生成的树在无人机的跟踪过程中可能不够平滑，动态模型或平滑技术是必要的。

在获得候选路径后，路径选择模块通过评估每条路径上的特征点是否能提高位姿估计精度，来衡量感知质量，在每个候选路径的末端节点，路径选择模块选择那些无人机能够看到的有效特征点，这些特征点是基于基于 LiDAR 的 SLAM 中提取的信息。

这样在每个路径规划的起始节点，扫描到的特征点被定义为 F，这种综合评估和选择过程有助于确保无人机能够在局部环境中选择最佳路径，并在实际飞行中获得更好的感知能力。

为了考虑使用有效特征点的感知质量，研究中引入了圆形网格图的概念，这种圆形网格图允许规划器有效地处理稀疏的点云数据，类似于稀疏点云插值（FIF）的处理方式。

该网格图由径向和角度方向的网格组成，当一个网格内至少包含一个有效特征点时，该网格被标记为“真”，感知质量是通过计算靠近无人机的真实网格数量以及这些网格的分布来衡量的。

圆形网格的概念基于以下两个核心观察：随着点云扫描距离无人机越近，LiDAR 测量的不确定性会减小，而分散的特征点使基于激光雷达的 SLAM 算法能够减少定位误差。

根据研究，LiDAR 的不确定性在距离测量方面会引起较大的误差，因此，位于无人机附近的特征点对于 SLAM 算法的姿态估计可能更为稳健。

研究指出，分布在不同方向的特征点/约束可以有效避免 SLAM 算法的退化现象，根据报道，在飞行模拟中，均匀分布的特征点比偏向一侧的特征点能够更准确地估计位姿。

这种基于圆形网格图的感知质量计算方法为局部路径规划提供了重要的信息，使得规划器能够更智能地选择路径，从而在飞行中获得更准确的位姿估计和更高的感知质量。

04

模拟研究与讨论

研究中所提出的框架在离线和在线过程中使用了不同的实现方法，其中离线过程使用了 MATLAB，而在线过程则使用了机器人操作系统，实验中的实际无人机作为演示方法展示了该框架的前景，但同时也受到传感和控制性能不确定性的影响。

为了验证所提出的框架，研究准备了支持 PX4 软件的仿真环境，并进行了 Loop 仿真实验，这些仿真实验展示了感知感知局部路径规划器的模拟结果，并介绍了能量感知全局路径规划的成果，最后该框架在远程飞行场景中的实际应用也得到了展示。

研究通过与纯反应式路径规划器进行比较，突显了所提出的局部路径规划器的效果，实验中针对三种不同的场景测试了反应式规划器和提议式规划器，其中之一是来自之前研究中的逼真 3D 模型。

由于基于 LiDAR 的 SLAM 模块的初始化过程和 RRT * 算法的随机性，相同设置的不同运行之间的路径规划结果会有所不同。

为了评估每个规划器的性能，研究使用了两个指标：最终位置误差和飞行成功率，最终位置误差是根据A-LOAM的结果和Gazebo模拟器获得的真实值计算得出的，考虑了无碰撞和较大位置误差（超过15 m）的情况，成功率则反映了无人机能够按计划航线飞行且不会发生飞行失败的能力。

模拟结果图示了位置误差随飞行路径和时间的历史变化，为了简洁起见，图中仅描绘了三个飞行路径的情况，这些实验结果展示了所提出的框架在不同情景下的性能表现。

总结了能量感知路径的能量消耗和飞行时间，还包括直接路径的结果，即无人机从起点直接飞到目标，观察到路径是沿着风矢量生成的，从而导致三种情况下能量消耗和飞行时间的最小值，另一方面，无人机在向上和侧向场景下无法沿风矢量飞行。

在向上风数据中，所提出的规划器生成了一条几乎直接到达目标区域的路径，使无人机能够减少飞行时间和能耗，这可以通过比较建议路径和直接路径的飞行时间来确认。

对于侧向风，从起点到目标的矢量与风矢量的方向相反，因此规划的路径偏离逆风并绕行周围区域( x , y) = ( 400 , 200 )即使飞行时间更长，也能减少能源消耗，

05

远程飞行表演

比较全局规划和Gazebo模拟的结果后发现，实际飞行时间与预期飞行时间相差约1000秒，通过对权衡因子A进行调整，可以改善感知意识和飞行距离的平衡，就像局部环境下的路径规划结果所示。

对于远程飞行场景，权重因子A的调整同样适用，在两个航路点之间的每个飞行任务中，A的取值在范围[0.1, 0.4, 0.7]内变化，图19展示了A与每个航路点的能量消耗之间的关系。

在航路点#1和#2之间，感知感知规划器的α = 0.7使得无人机维持了感知质量，导致能耗增加。

当A为0.1时，能耗最小化，意味着调整A不仅影响姿态估计的准确性，还影响无人机的能耗，在航路点#2和#3之间，规划器的α = 0.1导致飞行失败，由于定位错误。

规划器的α = 0.4相对于之前降低了27%的能耗，与α = 0.7相比，在航路点#3和#4之间，规划器的α = 0.4导致飞行失败。

为了避免飞行失败，应根据航路点周围的环境来确定A，在地标丰富的区域，降低A可以使无人机节省能源消耗。

另一方面，在无特征区域，增加A可以保持感知质量，通过调整这个敏感参数，所提出的框架可以在保持感知质量的同时规划出节能的局部路径。