Presentamos un enfoque computacionalmente eficiente de mapeo y planificación para vuelo autónomo que unifica la reconstrucción de campos de distancia con signo (SDF) con la planificación de movimientos acelerada por SDF. Nuestro método de mapeo, OREN (Red Residual de Octree en Línea), reconstruye en línea un SDF diferenciable no truncado combinando un prior explícito de octree con un residual neuronal implícito. Este enfoque híbrido logra la precisión de los métodos de redes neuronales con la eficiencia en memoria y tiempo de ejecución de los métodos volumétricos. Para la planificación, proponemos Bubble, un grafo de burbujas libres de colisiones que forma un corredor seguro con garantías de terminación, completitud y detección de fallos. Este corredor de burbujas define restricciones de seguridad para la optimización de trayectorias dinámicamente factibles. En comparación con las líneas base, Bubble es el único método que combina un corredor compacto de alta separación con una trayectoria subyacente suave, manteniendo rápidas tanto su búsqueda como la optimización de trayectorias.
Trabajo Relacionado
Esta sección revisa métodos existentes para la reconstrucción de SDF y la integración de mapeo y planificación para robots aéreos.
OREN: Red Residual de Octree en Línea
OREN reconstruye en línea un SDF diferenciable no truncado combinando un prior explícito de octree con un residual neuronal implícito. El prior de octree se calcula fusionando mediciones de profundidad en un campo de distancia con signo truncado (TSDF) almacenado en una estructura de octree. El residual neuronal es un perceptrón multicapa (MLP) pequeño que aprende a corregir los errores del prior de octree, particularmente en regiones lejos de las superficies donde la aproximación TSDF se degrada.
La idea clave es que el prior de octree captura la estructura gruesa del entorno de manera eficiente, mientras que la red neuronal modela solo el error residual. Esta descomposición permite que OREN alcance la precisión de métodos puramente neuronales con una huella de memoria significativamente menor y una inferencia más rápida. Los datos de entrenamiento para la red residual se recopilan incrementalmente a partir del octree y las imágenes de profundidad de verdad de terreno, lo que permite la adaptación en línea a nuevos entornos.
Bubble*: Planificación de Movimientos Acelerada por Distancia
Bubble construye un grafo de burbujas libres de colisiones utilizando el SDF aprendido. Cada burbuja es una esfera centrada en un punto del espacio libre con radio igual a la distancia al obstáculo más cercano. Estas burbujas forman un corredor seguro a través del entorno. El algoritmo busca en el grafo de burbujas usando una variante de A que considera tanto el costo de alcanzar una burbuja como la separación que proporciona.
Bubble proporciona garantías de terminación, completitud y detección de fallos. Si existe un camino a través del grafo de burbujas, Bubble lo encontrará. Si no existe ningún camino, Bubble* termina e informa del fallo. El corredor de burbujas define restricciones de seguridad para la optimización de trayectorias dinámicamente factibles, asegurando que la trayectoria planificada permanezca libre de colisiones.
Optimización de Trayectorias
Dado un corredor de burbujas de Bubble*, formulamos un problema de optimización de trayectorias que genera trayectorias suaves y dinámicamente factibles. Las restricciones de seguridad se codifican como restricciones de desigualdad que requieren que cada punto de la trayectoria permanezca dentro de la unión de burbujas. Esta formulación desacopla el problema de planificación combinatoria de la optimización continua, permitiendo soluciones eficientes.
La trayectoria se parametriza como un polinomio por tramos, y minimizamos la jerarquía sujeta a restricciones de dinámica y seguridad. La optimización se resuelve mediante programación cuadrática secuencial, con el corredor de burbujas proporcionando un inicio cálido que acelera la convergencia.
Resultados Experimentales
Evaluamos OREN y Bubble* en experimentos con cuadricópteros tanto simulados como reales. En simulación, comparamos OREN con métodos de mapeo SDF de última generación, incluyendo enfoques puramente volumétricos y puramente neuronales. OREN logra un error de reconstrucción menor que los métodos volumétricos mientras iguala la precisión de los métodos neuronales, con un uso de memoria comparable al de los métodos volumétricos y significativamente menor que el de los métodos neuronales.
Para la planificación, comparamos Bubble con planificadores de referencia como RRT, BIT y métodos basados en corredores estándar. Bubble produce trayectorias con suavidad y seguridad comparables a las mejores líneas base, requiriendo menos tiempo de cómputo. La ventaja clave es que Bubble* encuentra consistentemente corredores de alta separación que conducen a una optimización de trayectorias más rápida, incluso en entornos abarrotados.
Conclusión
Este artículo desarrolló un enfoque unificado y eficiente para la reconstrucción de SDF y la planificación de movimientos acelerada por SDF para vuelo autónomo seguro. Nuestro método de mapeo, OREN, reconstruye en línea un SDF diferenciable no truncado combinando un prior explícito de octree con un residual neuronal implícito, logrando la precisión de los métodos de redes neuronales con la eficiencia en memoria y tiempo de ejecución de los métodos volumétricos. Aprovechando la representación SDF, Bubble construye un grafo de burbujas libres de colisiones, que forma un corredor seguro con garantías de terminación, completitud y detección de fallos. Dicho corredor de burbujas define restricciones de seguridad para la optimización de trayectorias dinámicamente factibles. En comparación con las líneas base, Bubble es el único método que combina un corredor compacto de alta separación con una trayectoria subyacente suave, lo que mantiene rápidas tanto su búsqueda como su optimización de trayectorias.
Preguntas Frecuentes
¿Cómo combina OREN los métodos de octree y neuronales para el mapeo SDF? OREN utiliza un octree para almacenar un prior TSDF grueso a partir de datos de profundidad, luego una pequeña red neuronal aprende a corregir los errores residuales, logrando una precisión comparable a los métodos puramente neuronales con una eficiencia de memoria similar a los enfoques volumétricos.
*¿Qué garantías proporciona Bubble para la planificación de movimientos?* Bubble garantiza terminación, completitud (encontrar un camino si existe) y detección de fallos (informar cuando no existe ningún camino a través del grafo de burbujas).
¿Cómo acelera el corredor de burbujas la optimización de trayectorias? El corredor de burbujas proporciona un inicio cálido de alta separación para el optimizador de trayectorias, reduciendo el espacio de búsqueda de trayectorias factibles y mejorando la velocidad de convergencia en comparación con métodos que utilizan corredores estrechos.
*¿Pueden OREN y Bubble ejecutarse en tiempo real en cuadricópteros?** Sí, el enfoque de mapeo y planificación se demostró en hardware de cuadricópteros, con el octree proporcionando actualizaciones rápidas a partir de imágenes de profundidad y el residual neuronal requiriendo un mínimo de cómputo por consulta.