UAV Motion Planning and Exploration using Onboard Sensors

Recientemente, hay una explosión de aplicaciones civiles de los robots aéreos, más allá de las aplicaciones militares, la inspección industrial, la agricultura de precisión y las tareas de búsqueda y rescate. Con el fin de ayudar a los robots aéreos a lograr misiones autónomas, esta tesis presenta tres estrategias novedosas de prevención de colisiones dinámicas que utilizan diferentes sensores a bordo, un algoritmo de navegación autónomo y un método de exploración autónomo que utiliza el sensor RGB-D, respectivamente. La prevención de colisiones juega un papel crucial para las misiones autónomas en entornos dinámicos desconocidos y sigue siendo un problema de investigación en curso. Cuando se opera en entornos dinámicos, la prevención de colisiones necesita algoritmos rápidos y robustos para la localization, el control y la planificación. En el capítulo 3 se presentan tres estrategias dinámicas para evitar colisiones, respectivamnente un método de prevención de colisiones basado en una cámara monocular, una estrategia de prevención de colisiones basada en la detección y determinación de la luz (LiDAR) y un enfoque de prevención de colisiones basado en una cámara RGB-D. El algoritmo de prevención de colisiones basado en el Aprendizaje Profundo utiliza un detector de obstáculos basado en el aprendizaje profundo, un algoritmo de estimación de pose basado en Perspectiva-n-Punto iterativa (PnP), un Planificador de movimiento de optimización hamiltoniana covariante de horizonte en retroceso (RH-CHOMP) basado en el planificador de trayectorias y un controlador basado en Model Predictive Control (MPC). Las innovaciones de este trabajo son la detección de colisiones basada en la cámara RGB que puede ayudar al UAV a reducir el tamaño y la carga útil a bordo en comparación con otros sensores avanzados como LiDAR y cámaras de profundidad. La prevención de colisiones basada en LiDAR y la prevención de colisiones basada en la cámara RGB-D se basan en el mismo marco. El marco utiliza una detección de colisiones basada en el campo de distancia euclidiana (EDF), un planificador de ruta basado en el árbol aleatorio de exploración rápida (RRT) de EDF, una generación de trayectoria polinomial y un controlador basado en MPC. La diferencia entre la prevención de colisiones basada en LiDAR y la prevención de colisiones basada en la cámara RGB-D es que el mapa de profundidad de la cámara RGB-D se transformaría primero en escaneo láser. Las principales aportaciones de la solución propuesta son: 1) Se utiliza un algoritmo robusto de comprobación de colisiones basado en EDF. Este algoritmo es no depende de la geometría de los obstáculos. El método presentado solo usa una profundidad cámara para evitar colisiones. El mapeo EDF es rápido y se puede aplicar en tiempo real. 2) La robustez del algoritmo propuesto se ha validado en diferentes entornos dinámicos, funcionando a bordo. La navegación autónoma en entornos desordenados es un tema de investigación clave en la comunidad de investigación robótica. Con el fin de proporcionar una solución eficiente para este tema, en el capítulo 4 se propone una innovadora planificación de movimiento basada en RGB-D junto con estrategia de navegación autónoma. La cámara RGB-D se utiliza para proporcionar las nubes de puntos para el mapeo EDF. Esta estrategia utiliza un nuevo algoritmo de generación de candidatos de ruta basado en RRT y se introduce un algoritmo RH-CHOMP mejorado para generar la trayectoria libre de colisiones. La trayectoria finalmente se envía a un controlador basado en MPC para rastrear. Los resultados experimentales muestran que el algoritmo presentado supera al estado de la técnica y puede ayudar al robot aéreo a lograr un vuelo de alta velocidad. Los robots aéreos se utilizan ampliamente en aplicaciones de búsqueda y rescate debido a su pequeño tamaño y gran capacidad de maniobra. Sin embargo, diseñar un algoritmo de exploración autónomo sigue siendo una tarea desafiante y abierta, debido a la carga útil limitada y los recursos informáticos a bordo de los UAV. El Capítulo 5 proporciona una novedosa soluciuón al problema de la exploración a partir de la información suministrada por las c'amaras RGB-D. Este algoritmo utiliza nubes de puntos de dichas cámaras RGB-D para generar el mapa de cuadrícula de ocupación 3D. Las partes de innovación de este algoritmo de exploración autónomo son: 1) Cluster de frontera basado en Kmean -\—\- y selección de frontera basada en ganancia de información para acelerar el proceso de exploración. 2) Un algoritmo de generación de corredor de vuelo seguro que permite un vuelo seguro. Todos los algoritmos propuestos en esta tesis están validados en experimentos de simulación y experimentos de vuelo reales. Los resultados experimentales muestran que los algoritmos propuestos pueden finalizar con éxito las tareas de prevención de colisiones, navegación autónoma y exploración autónoma. Al compararlos con el estado de la técnica, todos los algoritmos propuestos tienen un buen rendimiento. Los algoritmos para evitar colisiones basados en RGB-D tienen una mayor tasa de éxito en vuelos de alta velocidad. El algoritmo de planificación de movimiento y navegación autónoma puede volar una trayectoria más corta y lograr una mayor tasa de éxito en cuatro entornos desafiantes diferentes. La exploración autónoma puede lograr un tiempo más corto y una ruta más corta en tres entornos diferentes y puede guiar a un robot aéreo para realizar tareas de exploración autónomas. Con todo, esta disertación puede proporcionar una buena referencia para la planificación y exploración de movimiento de vehículos aéreos no tripulados (UAV) en entornos dinámicos desafiantes. ----------ABSTRACT---------- Recently, the aerial robot is widely applied in an increasing number of civilian fields such as industrial inspection, precision agriculture, and search and rescue tasks. In order to help aerial robots to achieve autonomous missions, this dissertation presents three novel dynamic collision avoidance strategies using different onboard sensors, one autonomous navigation algorithm, and one autonomous exploration method using the RGB-D sensor respectively. Collision avoidance plays a crucial role for autonomous missions in unknown dynamic environments and still remains an ongoing research problem. When operating in dynamic environments, collision avoidance needs fast and robust algorithms for localization, controlling and planning. Three dynamic collision avoidance strategies, such as a monocular camera-based collision avoidance method, a Light Detection and Ranging (LiDAR)-based collision avoidance strategy and an RGB-D camera-based collision avoidance approach are presented in chapter 3. The monocular camera-based collision avoidance algorithm uses a deep learning-based obstacle detector, an Iterative Perspective-n-Point (PnP)-based pose estimation algorithm, a Receding Horizon-Covariant Hamiltonian Optimization Motion Planner (RHCHOMP)- based trajectory planner, and a Model Predictive Control (MPC)- based controller. The LiDAR-based collision avoidance and the RGB-D camera-based collision avoidance are based on the same framework. The framework uses a Euclidean Distance Field (EDF)-based collision detecting, an EDF-Rapid-exploring Random Tree (RRT)-based path planner, a polynomial trajectory generation, and an MPC based controller. The difference between the LiDAR-based collision avoidance and the RGB-D camera-based collision avoidance is that the depth map from the RGB-D camera would be transformed to laser scan first. The main contributions of the proposed solution are: 1)A robust EDF-based collision checking algorithm is presented, which doesnot depend on the geometry of the obstacles. The presented method only uses a depth camera for collision avoidance. The EDF mapping is fast and can be applied in real-time. 2) The robustness of the proposed algorithm has been validated in different dynamic environments, running onboard. Autonomous navigation in clutter environments is a key research topic in the robotic research community. In order to provide an efficient solution for this topic, an RGB-D based motion planning and autonomous navigation strategy are proposed in chapter 4. The RGB-D camera is used to provide the point clouds for EDF mapping. This strategy uses a novel RRT-based path candidate generation algorithm and an improved RH-CHOMP algorithm are introduced to generate the collision-free trajectory. The trajectory finally is sent to an MPC-based controller to track. The experimental results show the presented algorithm outperforms the-state-of-art and can help the aerial robot achieve high-speed flight. Aerial robots are widely used in search and rescue applications because of their small size and high maneuvering. However, designing an autonomous exploration algorithm is still a challenging and open task, because of the limited payload and computing resources on board UAVs. Chapter 5 provides an autonomous exploration algorithm using RGB-D cameras. This algorithm uses point clouds from the RGB-D camera to generate the 3D occupancy grid map. The innovation parts of this autonomous exploration algorithm are 1) Kmean++-based frontier cluster and information gain-based frontier selection to speed up the exploration process. 2) A safe flight corridor generation algorithm enabling safe flight. All the algorithms mentioned above are validated in simulation experiments or/and real flight experiments. The experimental results show that the proposed algorithms can finish the collision avoidance, autonomous navigation, and autonomous exploration tasks successfully. By comparing with the state-of-art, the proposed algorithms all have good performance. The RGB-D-based collision avoidance algorithms have a higher success rate in high-speed flight. The autonomous navigation and motion planning algorithm can fly a shorter trajectory and achieve a higher success rate in four different challenging environments. The autonomous exploration can achieve both shorter time and shorter path in three different environments and can be able to guide an aerial robot to perform autonomous exploration tasks. All in all, this dissertation can provide a good reference for Unmanned Aerial Vehicles (UAV) motion planning and exploration in challenging dynamic environments