飞行器像蜜蜂一样避障？《Nature》发表代尔夫特理工大学机器学习飞行器
导读
飞行昆虫非常依赖光流控制来进行视觉导航和飞行控制。机器人专家以此为模型为小型飞行机器人建立了光流控制的算法。但是，该算法无法像飞行昆虫一样准确避开障碍物。所以，代尔夫特理工大学的微控实验室在此基础上，研究了一种通过机器学习使机器人基于障碍物的外观预测距离的避障控制算法。
作者：Robospeak
光流控制算法只需要一个微小的视觉传感器作为输入信号即可。但是与昆虫不同的是，当使用光流控制时，机器人会遇到两个问题。
首先，由于光流仅提供有关距离和速度的混合信息，因此在接近障碍物时将其用于控制算法会导致振荡。其次，光流几乎没有提供障碍物在运动方向上的信息，因此该算法很难检测到机器人即将碰撞的障碍物，导致其很难避开障碍物。
因此代尔夫特理工大学微控实验室通过机器学习过程解决这些问题。
在机器学习过程中，机器人利用自激振荡的方式来获取其环境中不同距离的物体的外观特征。在机器学习后，机器人便可以更快，更平滑地着陆，并在混乱的环境中也能更快，更安全地飞行。
此外，该解决方案还需要重新设置模型，并假定其环境的高度复杂性。
通常根据预接线的光流控制定律来描述用于诸如着陆或避障等任务的昆虫飞行控制。实验表明，飞行昆虫可以学习其周围环境的视觉外观，从而在其一生中不断地提高其飞行和导航的技能。
目前，电子设备的小型化趋势引领微型飞行机器人的高速发展，这些机器人不仅可以在狭窄的空间中航行，而且价格便宜，还可以大量生产，并且可以安全地在人类周围使用。
还可以执行在经济上或社会上的一些特定环境下的任务，例如监视温室中的植物或调查工厂，这种情况下，这些机器人必须完全自主飞行，从而帮助人们在人类无法到达的狭小或复杂领域进行有效的工作。
为了克服两个基本的光流算法的问题，研究人员让机器人学习其周围环境的视觉外观。上图说明了对于上文中提到的问题，机器人如何获取环境中对象的视觉外观的解决方案。
在图a中，两个蜜蜂具有相同的光流算法，但是看到的下面花朵在视觉上的大小却不同。
在图b中，红色障碍物很难通过光流算法被检测到，但是很容易通过其视觉外观和大小来检测。
尽管视觉外观可以作为光流算法的补充，但要解决的主要问题是：当光流算法本身不包含物体时，机器人或昆虫如何将物体的视觉外观和大小与距离相关联？
研究人员提出了一种主动策略，该策略允许机器人通过调整飞行过程中的控制增益来使距离与速度分开。该文章中的理论分析表明，当光流控制增益（称为K）适合使机器人振荡时，振荡期间的特定增益值K'与到观察对象的距离线性相关。
然后，机器人就可以检测振荡以感知距离。采用这种策略的光流缩放来自控制系统中的时间延迟与控制动作的效果不会随高度变化而变化的事实。因此，机器人学习将图像的视觉外观与增益K'（以及相应的距离）相关联。学习后，将不再产生振荡，从而使机器人可以立即感知距离。
文章中所提出的机器学习过程，通过允许从视觉外观中学习补充信息来解决光流算法的基本问题，这使得该算法在机器人技术领域的实际应用更为广泛。
对于着陆，机器人学会了设置控制增益以实现高性能着陆。与常用的声纳或激光高度计技术相比，基于视觉的着陆不受高度的限制。此外，视觉还可以提取降落地点上更丰富的信息，例如障碍物的位置。
此外，文章中所提出的方法不仅可以应用于高效率着陆，而且可以推广。文章中提出的光流算法调整控制增益的解决方案，同样适用于针对基于图像的视觉伺服（IBVS），视觉测距法和单眼同时定位与制图（SLAM）的深入研究的单眼算法的应用，这些算法也同样面临确定控制增益的问题。