不确定环境下无人机与无人地面车辆编队的地下勘探规划算法

机器人的自主性已在不同环境中被研究数十年，但直到最近，得益于技术的进步和兴趣的增长，用于地下勘探的机器人才获得更多关注。由于任何机器人在如此恶劣环境中必须面对的诸多挑战，这仍然是一个具有挑战性且复杂待解决的问题。随着技术变得更廉价和更易获取，使用机器人进行地下勘探的情况有所增加。主要挑战之一涉及机器人定位，而任何全球导航服务系统（GNSS）都不易提供此服务。室内移动地面机器人的许多发展已实现，使其成为地下勘探最合适的选择。随着小型无人机的商业化，空中勘探的潜力和效益随之增加，同时带来了与其动力学相关的挑战。本论文提出了两种路径规划算法，适用于由一辆无人地面车辆（UGV）和一架无人机（UAV）组成的机器人团队，其任务是勘探地下环境。首先，通过以集中方式融合两台机器人上的不同传感器，解决了无人机的定位问题。其次，提出了一种最小化无人机定位误差的路径规划算法。该算法在置信空间中传播无人机运动模型，评估潜在的勘探路线以优化传感器观测。第三，提出了一种新算法，该算法对可能影响传感器测量的不同环境条件更具鲁棒性。这最后的规划算法利用机器学习，特别是高斯过程，来改进算法对周围环境的认知，并指出传感器何时提供不良观测。该算法利用真实传感器测量值来学习和预测无人机的定位误差。对于前两部分关于无人机定位和置信空间路径规划算法，提供了广泛的结果。定位算法得到了真实场景实验结果的支持，而置信空间规划算法已在模拟环境中进行了广泛测试。最后，最后一种方法也在模拟环境中进行了测试，并显示了其与第一种规划算法相比的优势。

问题概述

如今，在各种场景中，机器人在日常生活中的使用变得越来越普遍。最常提出的应用包括：维护服务[1][2]、工业设施检查[3]以及搜索与救援[4]。对于危险环境中的搜索与救援场景，显然需要用移动机器人取代部分急救人员。在此场景下，移动机器人不仅能拯救生命，而且由于可用的各种传感器以及它们不易受灰尘或照明条件差等条件影响的事实，可能表现更佳。然而，要在这类环境中实现完全自主的机器人或机器人团队，必须解决许多挑战。在众多挑战中，一个重要困难源于试图在这些环境中导航，因为无法接入全球导航卫星系统（GNSS）信号且存在未知障碍物。

关于机器人在地下环境中的使用已进行了广泛研究，如[5]中所述。针对地下矿井，Thrun等人[6]提出了一款设计用于勘探和测绘这些恶劣环境的地面漫游车。如今，技术发展和电子元件的小型化使得无人机（如商用无人机）的尺寸得以减小，从而可以利用其穿越各种环境和完成大量任务的能力。例如，Azhari等人[7]利用一架具有六自由度的无人机进行地下矿井测绘。为了在地下隧道或矿井中自主导航，Papachristos等人[8]提供了一种能够执行同步定位与地图构建（SLAM）的无人航空系统，它融合不同传感器以在黑暗、有灰尘等条件下提供有价值的信息。作者还提出了一种不确定性感知的路径规划策略，用于自主微型无人机以实时平衡勘探与测绘[9]。

由于单架无人机携带大量传感器的能力有限，使用多机器人完成共同任务在文献中也得到了充分研究。使用多机器人的众多好处之一包括减少执行任务（如勘探）的时间。在这些情况下，规划算法经过优化以减少收集信息的时间[10]，选择不同的航点[11]，尤其是在使用同类机器人和传感器时。例如，为了多样化信息并执行自主搜索与救援，我们在先前的工作中提出了一个无人机和无人地面车辆团队用于地下勘探[12]。多机器人的协作提高了执行更广泛任务的能力。Li等人[13]使用无人机提供更高视角以改进环境地图，用于无人地面车辆的导航。

当组队机器人进行勘探时，最常见的假设是每个智能体能够估计自身位姿，因此团队主要用于提高环境测绘和勘探的效率。这是[14]中采用的方法。类似地，Steude等人[15]使用一架能够自定位的无人机来改进和扩展地面机器人的地图勘探，并优化任务时间。然而，让团队中的无人机保持精确的自定位存在挑战。例如，如Baldini F.等人[16]所述，在无人机上使用视觉惯性里程计（VIO）解决方案容易产生解漂移，且漂移程度受无人机运行的光照条件影响很大。因此，[16]使用了一种学习方法减少这种漂移。直接在无人机上采用SLAM也可以减少漂移，如[17]所证明。然而，某些操作环境（例如，长走廊或隧道）可能会影响闭环检测的可靠性，而闭环对SLAM至关重要。

过去几年中，美国防高级研究计划局（DARPA）地下挑战赛因其独特的问题和挑战性环境而受到关注。这代表了与本论文工作最接近的、由不同政府机构进行和赞助的研究。如前一节所述，这些以长而无特征的隧道为特点的环境正在挑战主要定位技术（SLAM）。为了缓解这个问题，开发了仅基于激光雷达的SLAM[18]。Agha等人[19]在规划算法中提出了一种不确定性感知框架，以在置信空间中执行推理和决策。DARPA地下挑战赛也推动了去中心化多智能体机器人用于环境勘探，Hudson等人[20]开发了一个类似团队（地面和空中机器人）以在每个平台上产生去中心化SLAM解决方案。

为了解决其中一些挑战，本工作提出的方法建议使用无人地面车辆上的主动传感器来定位无人机，这种方式不易漂移，且适用于各种光照条件。采用这种无人机/无人地面车辆组队配置，无人地面车辆具有额外负载能力和更长续航的优势，便于携带许多感知传感器以及近乎实时使用它们所需的显著计算能力。在此场景下，无人地面车辆用于测绘环境以及估计无人机在地图中的状态，同时利用无人机的机动性执行搜索任务。然而，采用这种方法时，由于无人地面车辆感知传感器的不确定性本质以及传感器视场可能不重叠，无人机的定位不确定性受所选飞行路径影响。因此，本论文部分内容致力于开发一种无人机的路径规划算法，该算法同时考虑勘探需求和无人机的定位不确定性。

在规划算法中考虑位置不确定性包括在置信空间（第2.6节）中寻找一条路径，使得运动增加来自传感的信息，以减少机器人相对于环境的位姿不确定性[21]。不确定性下的规划倾向于使用双层架构；第一层预测所有可能结果，第二层确定要采取的最佳行动[22]。对于移动机器人路径规划，Prentice等人[23]提出了一种修订的概率路线图（PRM）[24]，称为置信路线图，他们将预测的估计位置不确定性融合到规划过程中。该工作中，轨迹是相对于预部署的测距无线电信标的位置设计的，以减少从起点到目标位置行进时的位置不确定性。置信空间规划问题通常被表述为部分可观测马尔可夫决策过程（POMDP）[25]，其特点是计算成本高。Agha-mohammadi等人提出了基于反馈的信息路线图（FIRM）[26]，它将PRM推广以考虑运动和传感不确定性。与[26]类似，本论文提出的方法使用扩展卡尔曼滤波器（EKF）来近似机器人置信动力学并传播置信空间b ≡ (ˆx +, P)。同一作者还利用低计算量的FIRM算法来应对动态变化的环境，包括机器人被劫持问题[27]。不同的是，本论文更侧重于在环境理解下的鲁棒定位。做出这一选择是因为地下搜索与救援场景通常不受动态变化影响。

研究目标

显然，机器人在未知环境中的定位对于机器人需要执行的任何任务或成就都至关重要。从决策的角度来看，在置信空间中规划有助于选择能收集更多信息的路径，但由于传感器模型误差、噪声测量以及不完美的无人机运动学模型，它仍然受到一定程度的不确定性影响。因此，本研究聚焦于以下目标：• 开发一个由无人地面车辆和无人机组成的全自主系统用于地下勘探 • 开发一个模拟器，用于在部署到真实系统之前进行路径规划和定位测试 • 开发一种路径规划算法，传播无人机的置信状态，将不确定性纳入决策过程 • 开发一种基于机器学习的规划算法，能够预测环境条件如何影响传感器测量

在项目开始时，重点是使用主要是无人地面车辆资源和传感器构建置信空间规划算法。由于本论文旨在研究算法如何受传感器模型和环境条件影响，后期为VIO目的添加立体相机的考虑在第3.4节描述。由于VIO保证了更一致和可用的无人机全位姿测量更新以实现更鲁棒的定位，它也可能更受环境条件影响，因为它随无人机移动。VIO的引入显著改善了无人机定位，如[28]中，他们使用了一种扩展卡尔曼滤波器的变体，其特点是具有位姿滑动窗口并通过新观测融合概率约束。另一方面，他们没有进行任何关于环境条件如何影响VIO的研究。

提纲

本文组织如下：第2章简要概述了用于开发无人机规划算法的方法和基本工具；第3章描述了为无人机位姿估计开发的不同版本定位滤波器及其现场测试结果；第5章展示了使用定位滤波器解决方案的自主飞行。第4章展示了置信空间路径规划算法及仿真结果，第6章将提出新的基于高斯过程（GP）的路径规划算法。最后一章总结并提出了扩展本论文工作的新想法。