在小树林飞也能又快又稳，这是港科大沈劭劼组的「猛禽」无人机重规划框架

机器之心报道

机器之心编辑部

人从树林中走过尚且可能被刮到头发、衣服，但这个无人机似乎不会。

如果面前有一片树林，无人机能自己穿过去吗？现在的技术已经能够做到这一点，但速度一般。

最近两年，港科大沈劭劼教授带领的研究小组向这一问题发起了挑战。他们提出的新方法不仅能让无人机穿过树林，还实现了快速自主导航。

在树林中进行的测试。播放速度：1 倍速。

在室内布置的障碍中进行的测试。播放速度：1 倍速。

从 demo 中我们可以看到，这架无人机可以在障碍重重的室内外快速飞行，即使在拐弯处也不会撞到障碍物。这还要得益于他们提出的一个稳健的 perception-aware 重规划框架——RAPTOR（字面含义：猛禽）。

正如名字中所寄予的期望，RAPTOR 经历了各种复杂环境的考验，结果都能保证无人机的平稳、快速自主飞行。相关研究已经提交给机器人学顶会 T-RO 接受评审。

• 论文链接：https://arxiv.org/pdf/2007.03465.pdf

• 项目链接：https://github.com/HKUST-Aerial-Robotics/Fast-Planner

在此之前，该研究团队还有两篇相关论文，其中一篇被 ICRA 2020 接收。

让无人机飞得又快又稳难在哪儿？

近年来，由于轨迹重规划不断取得进展，让四旋翼无人机在未知环境中自主导航已经不是什么难事。然而，大多数方法只适用于中速飞行。是什么阻碍了四旋翼无人机的提速之路？作者总结出了以下几个原因：

1. 在未知的环境中高速运行时，四旋翼无人机需要在极短的时间内重新规划轨迹，以避免撞到障碍物，否则它会坠毁。然而，在非常有限的时间内，大多数方法不能保证快速找到可行轨迹。

2. 目前的方法通常是在一个拓扑等价类中寻找局部最优轨迹，但该类别可能并没有包含平稳、快速飞行所需的最佳解决方案。

3. 现有的方法对环境的感知不足，当飞行速度和障碍物密度变高时，这可能是一个致命的缺陷。如果不注意感知，按照原计划执行的运动可能会遭遇环境能见度受限等问题，进而导致安全航行所需的周围空间信息不足。

图 1 可以更好地说明在重新规划中不考虑感知的后果。为了最小化能量消耗，系统在靠近墙壁的地方生成了一条轨迹。如果沿着这条轨迹飞行，无人机对角落后面未知空间的可见性非常有限，转过去的瞬间才发现障碍物已经近在眼前。然而，此时情况已经难以逆转，无人机可能会直接撞上去。因此，对于无人机的安全、高速飞行来说，积极地观察和避免可能的危险比被动地躲避危险更加关键。

RAPTOR 做了什么？

为了解决上述问题，港科大的研究者提出了一个稳健的 perception-aware 轨迹重规划框架——RAPTOR。

为了确保在有限的时间内获得可行轨迹，港科大的研究者提出了一种基于路径引导梯度（path-guided gradient）的优化方法，利用几何引导路径消除不可行的局部极小值，保证路径重新规划的成功。同时，为了进一步提高重新规划的最优性，该研究还引入了一种在线拓扑路径规划，以提取一组能够捕捉环境结构的全面的路径。在多条不同路径的引导下，多条轨迹并行优化，使解空间得到更彻底的探索。

这一解决方案是在之前的论文《Robust real-time UAV replanning using guided gradient-based optimization and topological paths》中首次提出的。然而，该方法采用了 optimistic 的假设，缺乏对环境的感知意识，因此限制了无人机在更高速度、更复杂的环境中的能力。

为了弥补这一差距，研究人员采用 perception-aware 规划策略将上述方法扩展到更快、更安全的飞行。

首先，该研究提出了一种风险感知的轨迹精化方法，并将其与 optimistic 规划器相结合。利用该方法，沿着 optimistic 轨迹，识别对无人机存在潜在危险的未知区域。这些区域的可见度以及安全反应距离都被明确规定，以确保无人机能够更早地发现未标记区域中存在的障碍并及时躲避。

其次，研究者将无人机的偏航角纳入了两步运动规划框架。在离散状态空间中寻找一个使信息增益和平滑度最大化的最优偏航角序列，并通过优化使其更加平滑。由偏航角规划的运动使视场（FOV）受限的四旋翼无人机主动探索未知空间，为下一步的飞行获取更多相关知识。

本文所提出的重规划系统如图 3 所示。该算法利用全局规划、密集映射和状态估计模块的输出，对全局参考轨迹进行局部修改，以避免先前未知的障碍物。

重规划分两步进行：首先，稳健的 optimistic 重规划通过路径引导优化并行生成多个局部最优轨迹。优化是通过从拓扑路径搜索中提取并精心选择的拓扑独特路径来引导的。在这一步中采用 optimistic 假设。第二步是利用 perception-aware 规划策略。在这一步骤中，局部最优轨迹中的最佳轨迹通过风险感知轨迹精化进一步细化，提高了其在未知和危险空间中的安全性和可见性。在优化轨迹的基础上，偏航角得到规划，以主动探索未知环境的内容。

研究者通过基准比较和具有挑战性的现实世界实验，对所提出的 perception-aware 规划策略和整个规划系统进行了系统的评估。结果表明，perception-aware 规划策略能够在传统方法无法保证安全的、具有挑战性的场景中，支持快速和安全的飞行。此外，整个规划系统在快速飞行任务的几个方面都优于 SOTA 方法。在复杂环境中进行的大量室内外飞行试验也验证了该规划系统的有效性。

作者简介

本文一作 Boyu Zhou 是香港科技大学 Robotics Institute 的在读博士生，本科阶段就读于上海交通大学。他的研究兴趣包括移动机器人运动规划和密集映射、信息路径规划等。

Boyu Zhou的导师沈劭劼是香港科技大学副教授，同时担任香港科技大学 - 大疆创新联合实验室主任。他 2014 年于美国宾夕法尼亚大学获得博士学位，并于同年加入香港科技大学任教。他的研究兴趣主要集中在机器人和无人机领域，包括状态估计、传感器融合、定位和映射以及在复杂环境中的自主导航。

沈劭劼和他的研究团队曾获 IROS 2018 最佳学生论文奖、SSRR 2016、2015 最佳论文奖等奖项。去年拿到 200 万左右年薪的「华为天才少年」秦通也是沈劭劼的学生。

Java工程师入门深度学习（二）：DJL推理架构详解

DJL是亚马逊推出的开源的深度学习开发包，它是在现有深度学习框架基础上使用原生Java概念构建的开发库。DJL目前提供了MXNet,、PyTorch和TensorFlow的实现。Java开发者可以立即开始将深度学习的SOTA成果集成到Java应用当中。

11月3日20:00，李政哲（AWS软件开发工程师）将带来线上分享，介绍DJL推理模块并结合具体场景讲解各模块使用方法，推理 API 的使用方法以及如何优化推理速度，如何部署在微服务、大数据服务以及移动端并搭配客户成功案例的讲解。